相关实验视频
Updated: Jul 31, 2026
06:02
Detection of Neuritic Plaques in Alzheimer's Disease Mouse Model
Published on: July 26, 2011
36.7K
从粗的专家标签中学习快速和细粒度的粉样神经病理的检测
Daniel R Wong1,2,3,4,5, Shino D Magaki6, Harry V Vinters6,7
1Institute for Neurodegenerative Diseases, University of California, San Francisco, San Francisco, CA, 94158, USA.
Communications biology
|June 24, 2023
概括
一个新的深度学习模型在整个幻灯片图像 (WSIs) 中快速检测和量化核心斑块和脑粉样血管病变 (CAA). 这个工具与专家的性能相匹配,为神经病理学分析提供了一个可扩展的解决方案,而不需要GPU.
科学领域:
- 神经病理学神经病理学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 在整个幻灯片图像 (WSIs) 中精确量化神经病理标记对于诊断和研究至关重要.
- 目前用于评估诸如核心斑块和脑粉样血管病变 (CAA) 等特征的方法可能耗时且主观.
研究的目的:
- 开发和验证一个深度学习模型,用于快速,精确和定量地检测和定位WSIs中的核心斑块和CAA.
- 评估模型的性能与人类专家的评估及其与已建立的评分系统的相关性.
主要方法:
- 一个深度学习对象检测模型使用重新设计的图像数据集进行了训练,避免了手动界限框注释.
- 该模型是根据来自多个机构,染色程序和专家注释者的多样化的WSI数据集进行评估的.
- 使用0.5 IOU值的平均精度 (AP) 和与人类得分的相关性来测量性能.
主要成果:
- 该模型的性能与神经病理学专家队列相美,用于核心斑块检测 (0.64 AP),在CAA检测 (0.75 AP) 中表现优于专家.
- 该模型的计数和局部预测显示了与黄金标准的人类CERAD类WSI评分的近似相关性.
- 该模型可以在标准工作站上快速处理WSI,而不需要GPU.
结论:
- 开发的深度学习模型提供了一种可扩展和定量方法,用于在WSIs中评估核心板块和CAA.
- 这种公开可用的工具为神经病理学中手动专家审查提供了快速,高效和可访问的替代方案.
- 该模型有可能显著简化诊断工作流程,加速神经退行性疾病的研究.
更多相关视频
10:04Imaging Amyloid Tissues Stained with Luminescent Conjugated Oligothiophenes by Hyperspectral Confocal Microscopy and Fluorescence Lifetime Imaging
Published on: October 20, 2017
13.5K
08:25Detecting Amyloid-β Accumulation via Immunofluorescent Staining in a Mouse Model of Alzheimer's Disease
Published on: April 19, 2021
3.4K
