用深度学习扫描电子显微镜图像对组织工程支架孔和窗口大小的定量评估

科学领域:

• 生物材料科学 生物材料科学
• 组织工程是组织工程.
• 计算生物学 计算生物学

背景情况:

• 脚手架形态,包括孔隙和窗口大小,在组织工程中极大地影响细胞相互作用和机械特性.
• 扫描电子显微镜 (SEM) 是脚手架特征的标准,但产生需要耗时的手动测量 (例如,使用ImageJ) 的定性数据.
• 手动量化SEM图像容易产生用户偏见和人为错误,特别是在大样本大小的情况下.

研究的目的:

• 开发和验证一个深度学习模型,用于在开放多孔支架中自动量化形态特征.
• 解决手动测量技术在时间,精力和精度方面的局限性.
• 通过精确控制形态特征来实现组织工程支架的精确工程.

主要方法:

• 开发了一种名为Pore D2的新型深度学习算法,用于自动量化毛孔和窗口大小.
• 测试Pore D2模型在乳液模板架上,通过不同的制造条件 (混合速度,温度,表面活性剂度) 创建的多种形态.
• 与盲目手动测量进行比较分析,以评估自动化工具的准确性和可靠性.

主要成果:

• 孔腔D2深度学习模型准确地量化了孔腔和窗口大小在开放的多孔支架.
• 与传统的手动测量方法相比,自动化量化显示出高精度.
• 该模型成功地分析了由不同的制造参数导致的各种形态的脚手架.

结论:

• 开发的Pore D2模型为量化脚手架微架构提供了高效准确的解决方案,克服了手动测量挑战.
• 自动化分析有助于精确控制脚手架形态,这对于将脚手架定制为特定组织工程应用至关重要.
• 孔D2是一个开源软件,促进了更广泛的可访问性和脚手架的特征和设计的进步.