神经元对线性区分人类海马子区域:一个经过验证的深度学习方法

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 神经解剖学是一个神经解剖学.

背景情况:

• 海马对于记忆和导航至关重要,但容易受到神经退行.
• 使用细胞架构进行海马子区域分片的现有方法是有限的.
• 金字塔神经元的定向和对线性是精神分裂症等神经疾病的潜在生物标志物.

研究的目的:

• 开发一种高通量深度学习方法,用于海马体子区域的自动化金字塔神经元定向和对线性提取.
• 量化评估和比较跨不同海马体子区域的金字塔神经元对线性.
• 建立神经元对线性作为海马子区域细分和疾病研究的新参数.

主要方法:

• 利用基于Cellpose算法的深度学习方法进行自动化的细胞细分.
• 在168个海马区分区的479,000多个神经元中量化了金字塔神经元的方向和对线性.
• 纠正了海马曲线的定向数据,并通过手动评估验证了深度学习结果.

主要成果:

• 在海马子区域 (P < 0.001) 中,在金字塔神经元对线性中显示出显著的差异.
• 确定Cornu Ammonis 3是最直线的子区域,其次是CA2,CA1,中间/部区域,以及 subiculum.
• 通过手动导向评估验证了深度学习方法的准确性.

结论:

• 金字塔神经元对线性作为海马亚区域细分的定量指标,有效地区分CA2和CA3.
• 这种新的深度学习方法能够对海马体结构进行大规模分析.
• 这种方法为在细胞水平上调查精神疾病提供了基础.