一种基于深度学习的新方法,用于从低放大图像中自动立体化微细胞

科学领域:

• 神经科学是一个神经科学.
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 微质细胞对于大脑平衡,炎症和免疫反应至关重要.
• 微质细胞在对生理和病理条件的反应中表现出动态的数值和形态变化.
• 了解微质细胞结构变化与特定区域的神经化学功能之间的关系需要有效的量化方法.

研究的目的:

• 开发一种基于深度学习 (DL) 的新,高效和准确的立体学方法,用于量化微质细胞数量和形态.
• 为了将低放大微质细胞的外观与高通量分析的无偏立体学计数联系起来.
• 能够快速估计微质细胞数量,并预测特定大脑区域的治疗效果.

主要方法:

• 在20倍放大时训练Iba1免疫染微质细胞的DL分类模型的开发.
• 使用无偏见的刻板印象被认为是培训和验证的基本真理.
• 训练DL模型应用于低功耗图像,用于自动化细胞量化.

主要成果:

• >90%的准确性和100%的可重复性在包含39个老鼠大脑的数据集上得到了实现.
• 基于DL的立体学方法显示,与手动立体学相比,效率增加了60倍 (每样<1分钟vs~60分钟).
• 该方法允许高通量估计微质细胞数量,并仅使用低功率图像预测治疗结果.

结论:

• 开发的基于DL的自动立体学方法为量化微质细胞提供了准确,可复制和高效的工具.
• 这种方法显著减少了神经科学研究中微质细胞分析所需的时间和劳动力.
• 未来的应用包括在神经疾病和其动物模型中分析神经退行.