AimSeg:一种机器学习辅助的工具,用于轴突,内舌和髓细分
Pau Carrillo-Barberà1,2,3,4, Ana Maria Rondelli5,6, Jose Manuel Morante-Redolat1,2,3
1Centro de Investigación Biomédica en Red sobre Enfermedades Neurodegenerativas (CIBERNED), Universitat de València, Valencia, Spain.
PLoS computational biology
|November 17, 2023
概括
AimSeg是一个新的生物图像分析工具,可以自动从电子显微镜图像中对轴突和髓进行细分. 这种工具可以准确量化未压缩的髓,改善髓分析并缩短处理时间.
科学领域:
- 神经科学是一个神经科学.
- 生物技术是生物技术.
- 医疗成像医学成像
背景情况:
- 电子显微镜 (EM) 对于分析中枢神经系统和外周神经系统中髓质神经纤维至关重要.
- 作为髓质量的标准指标的g比,传统上是从EM图像中手动计算,这个过程耗时且缺乏可重复性.
- 现有的方法往往忽略了内舌,这是一个非压缩的髓区域,对髓生长至关重要.
研究的目的:
- 开发AimSeg,这是一个新的生物图像分析工具,用于细分轴突,内部舌头和髓膜.
- 通过结合内舌量化来提高髓分析的准确性和效率.
- 为神经组织EM图像的自动化和辅助细分提供一个用户友好的平台.
主要方法:
- 开发了AimSeg,这是一个在斐济实施的生物图像分析软件,利用在ilastik中训练有素的机器学习分类器.
- 训练有素的机器学习分类器传输EM (TEM) 图像的健康和复髓化神经组织.
- 验证了AimSeg对来自不同样本类型的TEM数据的细分性能,比较自动化和用户辅助模式.
主要成果:
- 从TEM图像中,AimSeg在对轴突,内舌和髓进行细分方面表现良好.
- 使用AimSeg的用户辅助细分显示出使用最小的用户输入来进一步提高准确性的潜力.
- 与传统的手动测量相比,该工具显著减少了分析时间.
- AimSeg促进了创建大型,高质量的数据集,用于训练先进的深度学习模型.
结论:
- 使用EM图像,AimSeg提供了一种独特,高效和可重复的方法来分析髓结构和质量.
- 该工具能够量化未压缩的髓,为髓生长和发育提供了新的见解.
- 通过减少手工劳动和提高髓研究数据质量,AimSeg简化了神经生物学研究.
