联合优化空间直方图UNET架构 (JOSHUA) 用于脂肪组织细分
Joshua K Peeples1, Julie F Jameson2, Nisha M Kotta3
1Department of Electrical and Computer Engineering, University of Florida, Gainesville, FL 32611, USA.
BME frontiers
|October 18, 2023
概括
一个新的机器学习算法,JOSHUA,在组织学图像中准确量化脂肪组织. 这种方法改善了软组织修复的生物材料评估,为手工分析提供了不那么有偏见的替代方案.
科学领域:
- 生物材料科学 生物材料科学
- 计算生物学 计算生物学
- 历史学 历史学 历史学
背景情况:
- 脂肪组织沉积在生物材料设计中对于软组织修复至关重要.
- 目前的量化方法耗时且容易产生偏差.
- 丝纤维蛋白生物材料正在研究组织再生.
研究的目的:
- 开发一种机器学习算法来量化手术部位的脂肪组织.
- 将卷积神经网络 (CNN) 模型应用于丝纤维素植入物的组织图像.
- 建立一个定量,公正的方法来评估生物材料的性能.
主要方法:
- 利用CNN模型与新的空间直方图层用于脂肪组织细分.
- 开发了联合优化空间直方图UNET架构 (JOSHUA) 和它的变体JOSHUA+.
- 将JOSHUA模型与基线UNET和注意力UNET模型进行比较,使用H&E和Masson三色彩染色图像.
主要成果:
- 约书亚模型在识别和细分脂肪组织方面表现得更好.
- 定性和定量评估证实了组图层的有效性.
- 开发的模型准确地定位了组织样本中的脂肪组织.
结论:
- 约书亚和约书亚+是生物材料研究中脂肪组织识别和定位的有效工具.
- 提出的方法比传统的量化技术有了显著的进步.
- 一个新的组织学数据集和代码公开提供,以促进进一步的研究.
