一个基于深度学习的管道,用于细分脑皮层层状结构在组织学图像中的细分

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
• 医疗成像医学成像

背景情况:

• 了解大脑结构,特别是大脑皮层的层状组织,对于破译神经处理和神经障碍至关重要.
• 在神经成像数据中准确识别皮质层对于研究大脑连接和功能至关重要.

研究的目的:

• 通过人工智能和深度学习,展示一个用于细分大脑皮层的新型计算框架.
• 评估框架的性能与现有方法相比,使用大黄蜂大脑切片图像和BigBrain数据集来评估框架的性能.

主要方法:

• 利用基于人工智能的工具来获取皮质标签,然后使用深度学习模型进行精确的脑皮质层细分.
• 采用了Nissl染色和髓染色的大脑切片图像从常见的鱼 (Callithrix jacchus).
• 使用诸如欧几里德距离,第95百分点豪斯多夫距离 (95HD) 和雅卡德指数等指标比较细分精度.

主要成果:

• 为了获得皮质标签,实现了可接受的欧几里德距离 ($$).
• 与Wagstyl等人相比,表现出卓越的性能,平均95HD的$$与Wagstyl等人相比. '的 $$. 这是一个 $$.
• 在BigBrain数据集上获得了更高的Jaccard指数 ($$),这表明细分质量比比较方法 ($$) 更好.

结论:

• 新的计算框架为大脑皮质层细分提供了更高的准确性.
• 这一进步促进了对大脑解剖结构和连接性的详细分析.
• 这些发现支持在神经科学研究中使用先进的计算工具,以了解大脑功能和疾病.