μGlia-Flow,用于微质细分和分类的自动工作流
Huangrui Xiong1, Siling Zheng2, Xiuhong Qi3
1School of Information Science and Technology, MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, CAS Key Laboratory of Brain Function and Disease, University of Science and Technology of China, Hefei, China; Center for Advanced Interdisciplinary Science and Biomedicine of IHM, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, China.
Journal of neuroscience methods
|April 12, 2025
概括
我们开发了μGlia-Flow,这是一个用于细分和分类微质细胞的自动化工作流. 这种深度学习方法通过准确分析微质形态来增强大脑疾病研究.
科学领域:
- 神经科学是一个神经科学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 微质细胞是中枢神经系统 (CNS) 中重要的免疫细胞.
- 微质形态与中枢神经系统病理有关,但分析具有挑战性.
- 疾病研究需要精确的细分和微质的分类.
研究的目的:
- 开发用于微质细分和分类的自动化工作流程.
- 为了提高微质形态分析的准确性和效率.
- 为研究微质在脑疾病中的作用提供一种工具.
主要方法:
- 拟议的μGlia-Flow,整合了细分和分类.
- 利用弗兰吉过来进行微质分支的细分.
- 使用边缘引导注意力TransUNet (EGA-Net) 进行soma细分.
- 应用视觉变压器 (ViT) 用于形态分类.
主要成果:
- 弗兰吉过提高了分支细分的质量.
- EGA-Net提高了细分的准确性 (Dice: 4.02%,IOU: 6.75%). 通过使用 EGA-Net,我们可以实现更高的分类准确性.
- 在分类微质形态方面,ViT实现了>99%的精度.
- 后处理证实了工作流的准确性,并揭示了激活期间的复杂性变化.
结论:
- μGlia-Flow提供了一种用于微细胞细分和分类的自动化解决方案.
- 与现有方法相比,工作流显著提高了准确性.
- 为分析中枢神经系统研究中的多种微质形态提供了强大的工具.
