基于深度学习的自动图像分析,用于对 brojiler胸肌组织学评估

科学领域:

• 动物科学动物科学
• 生物技术是生物技术.
• 图像分析 图像分析

背景情况:

• 市场对高质量的胸肌肉的高需求需要有效的评估方法.
• 乳腺肌肉异常的发生率越来越高,需要精确的诊断工具.
• 目前用于肌肉形态的手动分析方法耗时且效率较低.

研究的目的:

• 开发和验证一种基于深度学习的新型自动化图像分析工作流程,用于肉乳腺肌肉.
• 为了比较肌纤维直径和横截面积的自动化与手动分析的准确性,速度和生产率.
• 为了证明该工具在检测饮食干预反应中的组织形态差异方面的实用性.

主要方法:

• 开发了一个结合斐济 (ImageJ),Cellpose和MorphoLibJ插件的深度学习工作流.
• 进行了肌纤维直径和横截面积的自动量化.
• 手动分析被用作比较的基准.
• 该工作流应用于分析对照和接受HMTBa治疗的小的肌肉组织形态学.

主要成果:

• 与手动分析相比,自动化方法实现了高达99.91%的高准确率.
• 自动化分析显着更快,在4.2小时内处理了59,128个肌纤维,而手动在54小时内处理了17,333个肌纤维.
• 自动化工作流证明了80倍更高的数据生成率,并成功检测了组织形态差异.

结论:

• 开发的自动化图像分析工作流提供了高精度,速度和生产力,用于肉乳腺肌肉评估.
• 这种工具具有很强的潜力,作为一个可复制和适应的研究或诊断仪器.
• 工作流程有助于快速评估胸肌肉发育和形态.