在伤口愈合中,深度学习促进了量化内化.

科学领域:

• 神经科学是一个神经科学.
• 皮肤病学 皮肤病学
• 生物医学工程 生物医学工程

背景情况:

• 周围神经 (PNs) 对于皮肤内化和伤口愈合至关重要.
• 目前用于量化皮肤内置的方法是复杂的,劳动密集的,容易出现错误.
• 免疫组织化学 (IHC) 图像经常含有噪音,妨碍了准确的分析.

研究的目的:

• 开发和验证一种自动化方法,用于量化伤口愈合期间的皮肤内置.
• 在小鼠伤口模型中建立重新内化量的定量时间过程.
• 为了研究重新内内化和重新上皮化之间的关系.

主要方法:

• 使用深度神经网络 (DnCNN) 来降低IHC图像中的噪音.
• 使用自动化图像分析工具 (Matlab辅助) 精确量化神经纤维.
• 在野生型小鼠中产生8毫米的伤口,在受伤后的第3,7,10和15天收集样本.
• 带有泛神经标记的染色组织部分 (蛋白质基因产品9.5,PGP 9.5).

主要成果:

• 神经纤维密度在第3天和第7天可以忽略不计,在第10天略有增加,在第15天显著增加.
• 在神经纤维密度和再上皮化之间观察到强烈的正相关性 (R2 = 0.933).
• 该自动化方法在量化皮肤内置方面表现出高准确性和效率.

结论:

• 建立了伤口愈合期间重新内化的定量时间过程.
• 证明了重新内内化和重新上皮化之间的关联.
• 开发的自动化图像分析工具为量化皮肤内置提供了一种新且高效的方法.