在光学显微镜中选择神经纤维和计算g比的自动管道:探索染色协议变化

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算生物学 计算生物学

背景情况:

• 手动测量g比率是主观和可变的,阻碍了对神经系统健康状况的准确评估.
• 现有的自动化方法对于g比分析缺乏临床相关性和通用性.
• 开发一种标准化,自动化的技术对于可靠的髓和轴突分析至关重要.

研究的目的:

• 使用光学显微镜创建一个用于神经纤维选择和g比计算的自动管道.
• 为了提高组织神经部位的g比测量的准确性和可重复性.
• 建立一种可靠的方法来分析大数据集中的神经形态.

主要方法:

• 一个定制的UNet深度学习模型被训练在7694个手动划分的神经纤维从小鼠坐骨神经.
• 组织学部分用p-phenylenediamine (PPD) 或toluidine蓝 (TB) 染色.
• 管道计算了轴突直径,髓厚度和g比,可靠性通过类内相关系数 (ICC) 进行评估.

主要成果:

• 联网模型实现了高精度 (迪斯分数:0.86轴突,0.80髓;像素精度:0.98轴突,0.94髓).
• 在轴突直径 (ICC=0.99),g比 (ICC=0.87) 和髓厚度 (ICC=0.83) 中观察到卓越的设备间可靠性.
• 与基本真相相比,g比或髓厚度没有发现显著差异,尽管轴突直径略有差异 (p=0.006).

结论:

• 自动化管道为健康神经组织的光学显微镜中g比计算提供了可靠的方法.
• 这种方法可以作为一种有价值的预选工具,用于分析大规模的神经形态学数据集.
• 需要进一步验证,以评估在神经疾病中的适用性,并解释染色间的形态参数差异.