在COPD研究中基于深度学习的平均线性拦截量化的自动化
Lars Leyendecker1, Anna Louisa Weltin1, Florian Nienhaus1
1Department of Production Quality, Production Metrology and Bio-Adaptive Production, Fraunhofer Institute for Production Technology IPT, Aachen, Germany.
Frontiers in big data
|June 25, 2025
概括
这项研究引入了一种使用AIxCell测量小鼠肺中的肺的自动化深度学习方法. 人工智能驱动的方法准确量化肺部变化,为COPD研究提供了手工方法的可靠替代方案.
科学领域:
- 肺部医学 肺部医学
- 计算病理学计算病理学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 慢性阻塞性肺病 (COPD) 是全球主要的死亡原因,需要新的治疗方法.
- 肺气是COPD的关键组成部分,涉及到肺气空间的扩大.
- 通过平均线性截取 (MLI) 手动量化肺气是主观的和劳动密集的.
研究的目的:
- 开发和验证一种基于深度学习的自动化方法,用于在组织学肺部部分中确定MLI.
- 评估AIxCell软件用于自动MLI测量的性能.
- 将自动MLI值与手动评估进行比较,并评估其在区分暴露于烟雾和对照小鼠肺部方面的实用性.
主要方法:
- 使用AIxCell AutoML软件开发了一个深度学习管道,用于组织学肺部部分的语义细分.
- 该管道在C57BL/6小鼠暴露于香烟烟雾和对照组的染色组织学图像上进行了训练和评估.
- 图像处理涉及量化平均线性截面 (MLI) 以评估气的特征空域扩大.
主要成果:
- AIxCell细分算法实现了高性能,交叉与欧盟 (IoU) 的得分始终高于90%.
- 自动化方法总是比手工测量产生更高的MLI值,表明可靠的量化.
- 自动化MLI测定证明了在分辨暴露于烟雾和对照小鼠肺部之间的统计学意义.
结论:
- 基于AIxCell的自动化方法提供了一种可靠,客观和高效的方法,用于量化瘤研究中的MLI.
- 这种自动化方法保持了与现有的手动评估的可比性,同时克服了它们的局限性.
- 该工具有效地在COPD模型中区分肺病理,支持开发新疗法.
