相关实验视频
Updated: Jun 21, 2025
08:18
Engineered Vascularized Muscle Flap
Published on: January 11, 2016
8.2K
在组织工程血管移植的组织学检查期间,对微血管特征的ML驱动细分
Viacheslav V Danilov1,2, Vladislav V Laptev3,4, Kirill Yu Klyshnikov4
1Pompeu Fabra University, Barcelona, Spain.
Frontiers in bioengineering and biotechnology
|July 11, 2024
概括
这项研究开发了机器学习模型来分析组织工程血管移植组织学,创造了量化血管再生和改善组织工程研究的有效工具.
科学领域:
- 生物医学工程 生物医学工程
- 翻译医学是一种翻译医学.
- 组织病理学 组织病理学
背景情况:
- 组织工程血管移植 (TEVGs) 对再生医学至关重要.
- 对TEVG的组织病理学分析对于评估设备性能至关重要.
- 对复杂的再生组织结构的客观量化具有挑战性.
研究的目的:
- 开发和验证机器学习 (ML) 驱动的工具,用于TEVG的组织学分析.
- 创建一个强大的方法来细分和量化TEVG再生中的关键组织学特征.
- 为组织工程研究建立一个改进的ML辅助工作流.
主要方法:
- 编制了一套由104个TEVG植入绵羊的整片图像 (WSI) 组成的数据集.
- 1,401个补丁被手动注释,以确定9个组织学特征.
- 六个深度学习模型 (U-Net,LinkNet,FPN,PSPNet,DeepLabV3,MA-Net) 被调整并评估了细分的准确性.
主要成果:
- 所有六种深度学习模型均实现了平均子相似系数 (DSC) > 0.823.
- 在动脉小管细分方面,MA-Net获得了最高的个体DSC (0.875).
- FPN,DeepLabV3和MA-Net的整体模型达到0.889的平均DSC,超过了单个模型的表现.
结论:
- 机器学习驱动的细分显示了分析TEVG组织学的巨大潜力.
- 一个经过验证的整体模型为量化血管再生提供了一个有效的工具.
- 这些进步增强了组织工程和再生医学中的ML辅助工作流.
