针对创伤性脑损伤中自动化天体细胞细分的深度学习方法的全面基准测试
Amirhossein Bagherian1, O F M Riaz Rahman Aranya2, Allison Kosub1
1Department of Biomedical Engineering and Chemical Engineering, University of Texas at San Antonio, San Antonio, TX, United States.
Journal of neuropathology and experimental neurology
|October 27, 2025
概括
深度学习模型,特别是U-Net++/VGG19,显著改善了创伤性脑损伤 (TBI) 评估的自动化星细胞细分. 这种先进的方法比传统的工具更准确地量化了天体细胞的反应性.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 星细胞变化和质纤维酸蛋白 (GFAP) 的上调是创伤性脑损伤 (TBI) 的关键指标.
- 准确量化这些变化对于评估TBI严重程度和跟踪疾病进展至关重要.
- 传统的细分方法耗时且容易出现错误,需要先进的自动化解决方案.
研究的目的:
- 系统地评估深度学习细分架构用于TBI研究中的自动化天体细胞细分.
- 将各种深度学习模型的性能与现有的细分工具进行比较.
- 确定最佳的深度学习模型,以实现强大而准确的天体细胞细分和反应量化.
主要方法:
- 六个深度学习架构 (U-Net,U-Net++,FPN,MANet,LinkNet,PSPNet) 与七个骨干 (ResNet,MobileNetV2,VGG,EfficientNet-b4) 进行了配对.
- 模型在220个手动标记的GFAP染色脑图像上受过训练,并使用Dice系数 (DC) 和交点对联 (IoU) 进行评估.
- 通过5倍交叉验证和在单独的数据集上进行测试来评估性能,与Ilastik,Cellpose和GESUnet进行比较.
主要成果:
- 该U-Net++/VGG19模型实现了最高的性能,其IOU为50.01%和DC为65.48%.
- 这种深度学习方法显著优于现有的工具,其IoU在28.00-39.86%之间,DC在42.94-54.40%之间.
- 性能最好的模型展示了复杂的天体细胞形态的强大细分,并使得天体细胞反应的精确量化成为可能.
结论:
- 深度学习,特别是U-Net++/VGG19配置,为TBI研究中的自动化天体细胞细分提供了强大而准确的方法.
- 这种方法克服了传统方法的局限性,使得在不同的实验条件下可靠地量化了天体细胞反应能力.
- 自动化的深度学习细分支持TBI研究中的客观病理评估.
