DLATA:深度学习辅助的转换对准2D脑切片组织学
Moxuan Luo1, Qingqing Liu2, Liping Wang3
1Department of Electrical Engineering, City University of Hong Kong, Tat Chee Avenue, Kowloon, Hong Kong 999077, China; Shenzhen Key Lab of Neuropsychiatric Modulation, Guangdong Provincial Key Laboratory of Brain Connectome and Behavior, CAS Center for Excellence in Brain Science and Intelligence Technology, the Brain Cognition and Brain Disease Institute, Shenzhen-Hong Kong Institute of Brain Science-Shenzhen Fundamental Research Institutions, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China; University of Science and Technology of China, Hefei 230026, China.
深度学习辅助转换对齐 (DLATA) 自动化了大脑切片的对齐,减少了人工的努力. 这种人工智能方法显著提高了神经成像研究的准确性和效率.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 对脑切片的准确对齐对于神经元分类和体外研究中的定量分析至关重要.
- 目前的半自动化方法由于手动的特征点标签而耗费大量劳动力,阻碍了大规模的研究.
研究的目的:
- 引入深度学习辅助转换对齐 (DLATA),这是一个用于大脑切片对齐的自动化方法.
- 提高神经成像工作流程的效率和准确性.
主要方法:
- DLATA利用深度学习在训练最小标记样本后自动识别特征点.
- 一种局部加权平均值方法执行了切片图像注册的几何转换.
- 与其他半自动化工作流相比,该方法只需要约10%的样本大小.
主要成果:
- 与现有方法相比,DLATA实现了卓越的对齐精度,将误差减少约4像素.
- 该方法显著减少了切片对齐所需的时间和劳动力.
- 德拉塔表现出适应性,成功地重新训练了各种生物组织切片以不同的染料,包括光染料,进行对齐.
结论:
- 在大规模研究中,DLATA为大脑切片对齐提供了高效和准确的解决方案.
- 该方法的适应性使其在各种生物成像应用中具有价值.
- 开源代码和模型可用于Nissl染色的小鼠大脑切片.
