神经网络自分序列块面扫描电子显微镜图像的神经网络自分序列块面扫描电子显微镜图像显示与肌类型和健康状况的原纤维结构差异
Ellen T Bloom1, Chandran R Sabanayagam2, Jamie M Benson1
1Department of Biomedical Engineering, University of Delaware, Newark, Delaware, USA.
概括
一个U-Net机器学习算法在3D中准确地分割肌原蛋白纤维,超过传统方法,特别是对于退化的组织. 这一进步使得可以在各种生物样本中精确量化纤维结构.
科学领域:
- 生物医学工程 生物医学工程
- 材料科学 材料科学 材料科学
- 计算生物学 计算生物学
背景情况:
- 肌原蛋白纤维结构对于机械性质至关重要.
- 精确的3D量化纤维的几何是传统方法的挑战.
- 退行性变化可以显著改变肌超结构.
研究的目的:
- 适应和验证U-Net机器学习算法,用于自动细分肌原蛋白纤维的横截面.
- 为了比较U-Net与Otsu对细分纤维区域和边界的值的性能.
- 量化3D纤维的几何形状,并通过不同肌类型和条件进行比较.
主要方法:
- 序列块面扫描电子显微镜 (SBF-SEM) 用于获取高分辨率的3D图像数据.
- 一个U-Net深度学习模型被训练用于自动细分原纤维.
- 性能与Otsu值相比,使用了诸如交叉与联盟 (IoU) 和纤维直径精度等指标来评估.
主要成果:
- 对于健康的肌,U-Net实现了优异的细分精度 (IoU 0.8),与Otsu.
- 对于退化的肌,U-Net保持了高精度 (IoU>0.45),而Otsu则失败了.
- U-Net提供了更准确的纤维直径测量,并在所有肌类型的边界验证中超过了Otsu.
结论:
- U-Net算法提供了一种强大而准确的方法,用于从SBF-SEM数据中对3D原纤维素细分.
- 这种方法显著改善了肌超结构的分析,特别是在退化的组织中.
- 该方法广泛适用于在各种生物组织中量化3D原纤维结构.
