在实验性创伤性脑损伤后,基于深度学习的AT8-标记的Tau病理的时间阶段的分类

科学领域:

• 神经病理学神经病理学
• 计算神经科学是一种神经科学.
• 生物医学成像技术 生物医学成像技术

背景情况:

• 病是一种神经退行性疾病,其特征是异常的蛋白积累.
• 鉴于微妙的形态变化,很难量化早期和中期病症阶段.
• 创伤性脑损伤 (TBI) 可以诱导病,但其时间进展尚未得到充分研究.

研究的目的:

• 评估一个深度学习框架,用于分类病进展的时间阶段.
• 在此任务中评估不同卷积神经网络 (CNN) 架构的性能.
• 将这个框架应用于来自受控TBI小鼠模型的AT8染色皮质显微镜.

主要方法:

• 三个CNN架构 (定制,InceptionV3,DenseNet) 在AT8染色的微镜上进行训练.
• 图像被分为四个TBI后阶段:1天,1周,1个月,3个月.
• 数据预处理包括规范化,增量和过量抽样,使用交叉验证评估性能.

主要成果:

• 丹森网获得了最高的准确率 (70.9%) 和宏观F1得分 (0.68),在1周阶段 (F1=0.95) 实现了极好的差异化.
• 所有模型都在最早的阶段 (一天) 扎,并在较晚的阶段 (1-3个月) 显示部分重叠.
• 结果表明,深度学习可以在临床前组织学中自动化病的分期.

结论:

• 深度学习,特别是像DenseNet这样的转移学习模型,提供了一种可扩展的方法,用于自动化病的时间分期.
• 该框架为数字神经病理学提供了基础,但需要更大的数据集进行概括.
• 未来的工作应该集中在多中心数据和幻灯片级建模上,以改善早期检测和治疗评估.