基于深度学习细分的膜毛细管网络的自动化欧勒数,通过立体方法进行验证

科学领域:

• 肺研究研究 肺研究
• 医学成像分析分析 医学成像分析
• 计算生物学是一种计算生物学.

背景情况:

• 支气管肺功能障碍症 (BPD) 影响肺血管的发育,特别是肺膜毛细管网络 (ACN).
• 对ACN的定量分析对于了解肺部发育和疾病至关重要.
• 需要有效的细分方法来克服当前工作流程的局限性.

研究的目的:

• 评估深度学习 (DL) 适用于从串行块面扫描电子显微镜 (SBF-SEM) 数据对ACN进行细分的适用性.
• 与传统方法相比,评估基于DL的ACN细分和定量分析的效率和可靠性.
• 确定ACN分析的自动化工作流程需要改进的领域.

主要方法:

• 应用了2D深度学习 (DL) 方法对现有的SBF-SEM数据进行ACN细分.
• 对DL生成的细分进行了ACN架构的自动定量分析.
• 结果与立体估计进行了比较,以评估细分质量和数据可靠性.

主要成果:

• 基于DL的方法成功地从SBF-SEM数据中生成了足够的ACN细分.
• 尽管培训数据有限,使用2D方法,DL的初始细分比既定方法更完整.
• 自动化定量分析产生了可靠的ACN架构数据,与手动立体方法形成鲜明对比.

结论:

• 深度学习是SBF-SEM中ACN细分的合适工具,提供了更好的初始细分完整性.
• 虽然基于DL的细分是有希望的,但手动交互的减少需要进一步改进,特别是在3D方法中.
• 未来的努力应专注于为完全自动化的工作流程开发3DDL细分,使肺血管变化的更大规模,代表性研究成为可能.