IMFSegNet:通过深度学习在组织学部分进行肌肉内脂肪的成本效益和客观量化
Jan-Philipp Praetorius1,2, Kassandra Walluks1,2,3, Carl-Magnus Svensson1
1Applied Systems Biology, Leibniz institute for natural Product Research and infection Biology - Hans Knöll institute (HKI), Jena, Germany.
Computational and structural biotechnology journal
|August 10, 2023
概括
现在可以对肌肉组织中的肌内脂肪 (IMF) 进行自动化分析. 一个新的深度学习模型,IMFSegNet,从标准的H&E染色部分提供了准确,成本效益和客观的IMF量化.
科学领域:
- 历史学 历史学 历史学
- 生物医学工程 生物医学工程
- 兽医科学 兽医科学 兽医科学
背景情况:
- 评估肌肉状况在研究中至关重要.
- 手动肌内脂肪 (IMF) 分析是主观的,容易出错.
- 需要对IMF进行客观和自动化的量化.
研究的目的:
- 为国际货币基金组织分析开发一种自动化的深度学习方法.
- 尽量减少主观性,提高IMF量化准确性.
- 通过使用标准的H&E染色板块提供一个具有成本效益的解决方案.
主要方法:
- 使用一个卷积式编码器-解码器网络 (SegNet).
- 培训了一个名为IMFSegNet的专门网络,用于IMF量化.
- 验证了H&E染色的绵羊肌肉部分的自动化分析.
主要成果:
- IMFSegNet准确量化了IMF的空间分布.
- 该方法的性能优于现有的最先进的方法.
- 通过具有成本效益的程序实现全自动化,高度准确的结果.
结论:
- 国际货币基金组织 (IMFSegNet) 为国际货币基金组织评估提供了一个客观,准确和具有成本效益的解决方案.
- 可以解释的AI证实IMFSegNet识别了IMF的关键结构.
- 该工具集成到JIPipe中,可以在各个领域推进肌肉状况研究.
