斯皮纳,基于深度学习的自动检测,在完好无损的带中自动检测螺旋质神经元
Yuheng Cai1,2, Greta M Leitz-Najarian3, Reuben Rosen1
1Lampe Joint Department of Biomedical Engineering, University of North Carolina at Chapel Hill and North Carolina State University, Raleigh, NC 27695, USA.
iScience
|July 21, 2025
概括
这项研究引入了一种使用原酶治疗和深度学习的新方法,可以在3D耳数据集中准确地描述螺旋质神经元 (SGN),从而改善听力损失研究.
科学领域:
- 神经科学是一个神经科学.
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 生物成像是一种生物成像.
背景情况:
- 螺旋质神经元 (SGN) 对于听力至关重要,但在大型动物模型中还未得到充分研究.
- 现有的组织清除和显微镜方法对SGN分析有局限性.
研究的目的:
- 开发和验证一种新的方法,用于完整的尾细胞中SGN的3D分析.
- 通过使用深度学习,在大型动物模型中增强SGN检测和量化.
主要方法:
- 用原酶治疗优化组织清除,以改善SGN抗体染色.
- 开发了Spiner,这是一个深度学习对象检测模型,用于SGN本地化和3D计数.
- 将该方法应用于 gerbil 和猪,与手动评估对计数进行验证.
主要成果:
- 在三维中成功检测并计数了Gerbil和猪中的I型SGN.
- 旋转器的自动计数显示与手动SGN计数一致.
- 为可访问性提供了用户友好的Web接口代码.
结论:
- 开发的方法增强了对大型动物模型中SGN群体的理解.
- 预计这种方法将推动对SGN在听力损失中的作用的研究.
- 可访问的工具有助于在审计研究中更广泛地采用和应用.


