一种开源,用户友好的机器学习方法,用于对外围神经截面的自动细分和分析

科学领域:

• 神经科学是一个神经科学.
• 历史学 历史学 历史学
• 生物医学工程 生物医学工程

背景情况:

• 定量神经形态测量对于神经再生研究至关重要.
• 手动组织学分析是耗时的,容易出错,并且有偏见.
• 精确细分髓和轴突区域至关重要.

研究的目的:

• 开发和验证一个用户友好的,开源的外围神经截面分析方法.
• 为了减少组织学分析中的时间和偏差.
• 为了实现全神经分析,而不是随机抽样.

主要方法:

• 鼠的面部神经段被处理和染色.
• 整个神经截面被扫描并在ImageJ中进行预处理.
• 开源软件 (Ilastik,CellProfiler) 用于骨髓和轴突的细分和定量.

主要成果:

• 新的协议准确量化了轴突数和g比,与手动方法相比.
• 整个神经截面的分析可以在5分钟内完成.
• 通过布兰德-阿尔特曼图表和类内相关系数证明了高可靠性.

结论:

• 本方案为分析组织神经截面提供了一种新,准确和易于使用的方法.
• 这种开源方法显著减少了用户时间和潜在的偏差.
• 它有助于对整个神经进行全面分析,推进神经再生研究.