AxonFinder:对瘤内神经纤维的自动细分
Kaoutar Ait-Ahmad1, Cigdem Ak1,2, Guillaume Thibault2
1Cancer Early Detection Advanced Research Center (CEDAR), Knight Cancer Institute, Oregon Health and Science University, Portland, OR, USA.
Heliyon
|January 14, 2025
概括
我们开发了AxonFinder,这是一个深度学习工具,用于细分前列腺癌轴突. 这种方法准确地识别神经结构,揭示了较高风险的癌症中轴突密度下降,有助于预后.
科学领域:
- 在瘤学瘤学.
- 神经科学是一个神经科学.
- 生物医学成像技术 生物医学成像技术
背景情况:
- 神经信号传递,特别是神经元内化,显著影响癌症的进展.
- 在前列腺瘤微环境中检测和分析轴突是具有挑战性的,因为它们的形态复杂.
研究的目的:
- 开发和验证用于前列腺癌中自动轴突细分的深度学习模型.
- 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:
- 一个带有ResNet-101编码器 (AxonFinder) 的U-Net模型被训练在前列腺瘤的手动注释全幻灯片图像上.
- 多复合成像用于详细的轴突结构可视化.
- 在不同风险组 (CAPRA-S) 进行了形态测量分析和轴突密度评估.
主要成果:
- 阿克森Finder实现了高细分精度,验证F1得分为94%,IOU为90.78%.
- 自动细分与神经长度和曲度的手动测量密切匹配.
- 在轴突密度和CAPRA-S前列腺癌风险得分之间发现了显著的反相关性.
结论:
- 使用深度学习的自动轴突细分在前列腺癌研究中是可行的和准确的.
- 减少轴突密度与更高的前列腺癌风险有关,这表明潜在的预后价值.
- 神经标记物可能有助于病理学家评估前列腺癌并了解神经瘤相互作用.
