机构名称：
¥ 1.0
神经组织中的小胶质细胞增殖（神经炎症）发生在感染、神经系统疾病、神经毒性和其他情况期间。在基础科学和临床研究中，小胶质细胞增殖的量化需要经过培训的专家进行大量的手动计数（细胞点击）（每个案例约 2 小时）。之前使该过程自动化的努力主要集中在基于立体学估计全局细胞数量，使用基于深度学习（DL）的高倍率分割免疫染色的小胶质细胞。为了进一步提高吞吐效率，我们提出了一种新方法，使用卷积神经网络（CNN）的快照集合，使用局部图像（即低倍（20 倍）放大率）进行训练，以预测全局级别的高或低小胶质细胞增殖。专家使用立体学来量化高倍率下的整体小胶质细胞数量，在动物（小鼠）级别应用高或低增殖的标签，然后将这个全局标签分配给每个 20 倍图像作为训练 CNN 预测全局增殖的基本事实。为了测试准确性，我们用每个类别中的六个小鼠大脑进行交叉验证，用于训练，再用每个类别中的一个进行测试。对集合的预测取平均值，并根据该大脑中大多数图像的预测类别为测试大脑分配标签。该集合在每例不到一分钟的时间内准确地对 14 个大脑中的 11 个（约 80%）进行了增殖分类，无需在高倍放大下进行细胞级分割或手动立体学分析。这种方法首次表明，使用局部图像训练 DL 模型可以有效地在全局层面预测小胶质细胞增殖。本研究中使用的数据集可公开获取：tinyurl.com/20xData-USF-SRC。
基于局部图像深度学习的全局小胶质细胞增殖分类
主要关键词
相关文件推荐
