用U-Net解决球形发芽试验在手动细分中的偏差

科学领域:

• 生物医学工程 生物医学工程
• 细胞生物学 细胞生物学
• 医学成像分析 医学成像分析

背景情况:

• 手动分析血管新生试验,特别是球形发芽试验,由于细分的潜在偏差,容易出现错误的阳性结果.
• 手动细分中的潜意识或欺诈性偏见可能会损害体外血管生成研究的可靠性.

研究的目的:

• 开发和验证U-Net模型,以减轻球形发芽试验手动细分方面的偏差.
• 评估U-Net模型在血管生成实验中区分模拟偏差和真实生物效应的能力.

主要方法:

• 一个U-Net模型被训练在1531相对比图像及其手动细分从球形发芽试验.
• 模拟偏差 (芽移除,缩短) 在图像子集中引入,以测试U-Net模型的性能.
• 模型的读数与原始和对抗细分进行了比较,并评估了其检测真实治疗效应的灵敏度.

主要成果:

• 在U-Net模型成功地减轻了在两个模拟的对抗场景 (芽移除和缩短) 的偏差.
• 尽管有偏差缓解,但U-Net模型在与基准真相相比时仍然能够检测真正的治疗效应.
• 对于引入的偏见,U-Net的读取结果比手动细分更强大.

结论:

• 拟议的基于U-Net的方法可以有效地减少血管新生研究手动图像分析管道的偏差.
• 这种方法提供了一个有价值的工具,用于验证球形发芽试验中的积极结果,特别是当检查者掩盖是不可行的.
• 实施这种U-Net模型可以提高体外血管生成研究的可复制性和可靠性.