利用基于二维区域的CNN用于3D活细胞成像中的自动树突脊柱检测.
Fabian W Vogel1, Sercan Alipek1, Jens-Bastian Eppler1
1Frankfurt Institute for Advanced Studies and Department of Computer Science and Mathematics, Goethe University Frankfurt, Ruth-Moufang-Straße 1, 60438, Frankfurt am Main, Germany.
Scientific reports
|November 22, 2023
概括
我们开发了一种自动化管道,用于神经组织中3D树突脊柱检测. 这种深度学习工具从双光子成像数据中准确地识别树突,帮助神经科学研究.
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
- 显微镜的使用方法
背景情况:
- 状棘是大脑激发性突触的关键形态指标.
- 双光子成像技术的进步允许同时观察3D神经组织中的众多树突.
- 目前的自动化方法缺乏人类专家对3D树突脊柱检测的精度.
研究的目的:
- 开发一种高效的,自动化分析管道,用于在大规模的3D体积成像数据中检测树突.
- 为了实现与人类专家可比的自动化3D脊柱检测性能.
- 为神经科学研究中分析成千上万个树突棘提供一个强大的工具.
主要方法:
- 开发了一个分析管道,利用深度卷积神经网络 (CNN) 进行3D树突脊柱检测.
- 采用转移学习方法,在一般图像库上预训练CNN,并为脊柱检测进行微调.
- 使用五名专家注释员来训练和验证模型,生成一个标记的数据集,考虑到人类的变化.
主要成果:
- 自动化管道从体内两光子成像数据中检测树状的高精度.
- 通过转移学习优化深度学习模型,证明了数据效率和高检测精度.
- 管道的性能接近于人类专家在自动化3D脊柱检测方面的性能.
结论:
- 开发的管道为大规模体积数据集中的自动树突脊柱检测提供了快速,准确和强大的解决方案.
- 这种方法有助于分析成千上万的树突,大大推进了神经科学研究.
- 该代码很容易适用于新的数据集,在不需要广泛的再培训的情况下保持高性能.
