AxonFinder:对瘤内置神经纤维的自动细分

科学领域:

• 在瘤学瘤学.
• 神经科学是一个神经科学.
• 计算生物学 计算生物学

背景情况:

• 神经元信号显著影响癌症的进展,特别是通过瘤内化.
• 在复杂的瘤微环境中检测和分析单个轴突,由于其不规则的形状,因此存在重大挑战.

研究的目的:

• 开发和验证一种自动化方法,用于在前列腺瘤微环境中对轴突进行细分.
• 调查轴突密度,形态和前列腺癌风险类别之间的关系.

主要方法:

• 一种新的深度学习方法,AxonFinder,是使用带有ResNet-101编码器的U-Net模型开发的.
• 该模型被训练在手动注释的前列腺癌患者的全幻灯片图像上,跨越各种风险级别.
• 使用多重成像来增强轴突可视化和细分.

主要成果:

• 阿克森Finder在分隔以前难以检测的轴突结构方面取得了高准确性.
• 分析显示了轴突密度和形态特征与CAPRA-S前列腺癌风险类别之间的相关性.
• 这项研究量化了瘤微环境中的神经信号.

结论:

• 使用AxonFinder的自动轴突细分可以帮助病理学家评估瘤部分.
• 神经元标记在前列腺癌的预后评估中显示出潜在的实用性.
• 这项工作促进了对神经信号在前列腺癌进展中的作用的理解.