点定位和计数网络:一种基于深度学习的方法,用于自动轴数计数
Caiye Fan1, Shurui Huang2, Tinghui Huang1
1Wenzhou University of Technology, Wenzhou, China.
Experimental eye research
|March 12, 2026
概括
点定位和计数网络 (PPCNet) 在视神经研究中准确量化了轴突密度. 这种深度学习模型显著改进了现有的自动轴突计数方法,有助于研究神经系统疾病.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
背景情况:
- 准确的轴突密度量化对于理解影响视神经的神经疾病至关重要.
- 手动计数是劳动密集型,容易出现错误.
- 现有的自动化方法在准确性和可靠性方面存在局限性.
研究的目的:
- 引入点定位和计数网络 (PPCNet),这是一个新的深度学习框架,用于自动化轴突量化.
- 为了克服手动计数和目前用于测量轴突密度的自动化工具的局限性.
- 通过对视神经数据集的最先进方法验证PPCNet的性能.
主要方法:
- 开发了PPCNet,这是一个基于点注释的深度学习模型,具有VGG16骨干和双分支架构,用于本地化和信心评分.
- 集成了一个优化的匈牙利算法,用于准确的点对应.
- 使用混合损失函数 (MSE和交叉) 进行端到端训练模型.
主要成果:
- 与Axonet 2.0和AxonDeep.Seg.相比,PPCNet在山羊视神经数据集上的轴突计数方面表现出卓越的性能.
- 与手动计数 (R2=0.939) 达成的一致性高于比较方法.
- 呈现较低的平均绝对误差 (MAE=45.93) 和更窄的布兰德-阿尔特曼协议极限,表明高可靠性和偏差降低.
结论:
- PPCNet为光神经研究中的轴突量化提供了可靠和准确的自动化解决方案.
- 该模型超越了传统的手动计数和基于细分的自动化方法.
- PPCNet促进了神经学研究中轴突退化的高效和精确分析.
更多相关视频
08:56Visualization of Motor Axon Navigation and Quantification of Axon Arborization In Mouse Embryos Using Light Sheet Fluorescence Microscopy
Published on: May 11, 2018
8.2K
13:13Time-Lapse Imaging of Neuronal Arborization using Sparse Adeno-Associated Virus Labeling of Genetically Targeted Retinal Cell Populations
Published on: March 19, 2021
3.4K
