Mejora de la morfometría automática de secciones histológicas de nervios mediante aprendizaje de conjunto
Autores: Dweiri, Yazan; Al-Zanina, Mousa; Durand, Dominique
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Mejora de la morfometría automática de secciones histológicas de nervios mediante aprendizaje de conjunto
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Algoritmo de morfometría automatizada
Imágenes microscópicas neurales
Red neuronal convolucional
Axondeepseg
Aprendizaje en conjunto
Imágenes de microscopía óptica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Existe la necesidad de un algoritmo de morfometría automatizado para facilitar la tarea por lo demás laboriosa del análisis histológico cuantitativo de imágenes microscópicas neurales. Un algoritmo de morfometría de referencia es la red neuronal convolucional Axondeepseg (ADS), que proporciona una alta precisión de segmentación para imágenes de microscopía electrónica de barrido y transmisión. Sin embargo, muestra una precisión disminuida cuando se aplica a imágenes de microscopía óptica, y se ha observado que produce falsos positivos de tamaño considerable al identificar neuronas de pequeño tamaño en las diapositivas. En este estudio, se utiliza el aprendizaje en conjunto para mejorar el rendimiento de ADS combinándolo con el algoritmo de traducción de imagen a imagen emparejada PairedImageTranslation (PIT). Aquí, se utilizaron 120 imágenes de microscopía óptica de nervios periféricos para entrenar y probar el modelo de aprendizaje en conjunto y los dos modelos base individualmente para su comparación. Los resultados mostraron una precisión ponderada de píxeles para el modelo en conjunto del 95.5%, mientras que ADS y PIT arrojaron precisiones del 93.4% y 90%, respectivamente. Las mediciones automatizadas de los diámetros de los axones y los espesores de la mielina a partir de las imágenes de referencia marcadas manualmente no fueron estadísticamente diferentes ( = 0.05) de las mediciones tomadas de las mismas imágenes cuando se segmentaron utilizando el modelo en conjunto desarrollado, mientras que fueron diferentes cuando se midieron a partir de las imágenes segmentadas por los dos modelos base individualmente. La medición automatizada de las relaciones G indicó una mayor similitud con las imágenes de prueba de referencia para el modelo en conjunto en comparación con los modelos base individuales. El modelo propuesto proporcionó una segmentación automatizada de las diapositivas nerviosas, que fueron suficientemente equivalentes a las anotaciones manuales y podrían emplearse para las mediciones de los diámetros de los axones y los espesores de la mielina para el análisis histológico completamente automatizado de las imágenes neurales.
Descripción
Existe la necesidad de un algoritmo de morfometría automatizado para facilitar la tarea por lo demás laboriosa del análisis histológico cuantitativo de imágenes microscópicas neurales. Un algoritmo de morfometría de referencia es la red neuronal convolucional Axondeepseg (ADS), que proporciona una alta precisión de segmentación para imágenes de microscopía electrónica de barrido y transmisión. Sin embargo, muestra una precisión disminuida cuando se aplica a imágenes de microscopía óptica, y se ha observado que produce falsos positivos de tamaño considerable al identificar neuronas de pequeño tamaño en las diapositivas. En este estudio, se utiliza el aprendizaje en conjunto para mejorar el rendimiento de ADS combinándolo con el algoritmo de traducción de imagen a imagen emparejada PairedImageTranslation (PIT). Aquí, se utilizaron 120 imágenes de microscopía óptica de nervios periféricos para entrenar y probar el modelo de aprendizaje en conjunto y los dos modelos base individualmente para su comparación. Los resultados mostraron una precisión ponderada de píxeles para el modelo en conjunto del 95.5%, mientras que ADS y PIT arrojaron precisiones del 93.4% y 90%, respectivamente. Las mediciones automatizadas de los diámetros de los axones y los espesores de la mielina a partir de las imágenes de referencia marcadas manualmente no fueron estadísticamente diferentes ( = 0.05) de las mediciones tomadas de las mismas imágenes cuando se segmentaron utilizando el modelo en conjunto desarrollado, mientras que fueron diferentes cuando se midieron a partir de las imágenes segmentadas por los dos modelos base individualmente. La medición automatizada de las relaciones G indicó una mayor similitud con las imágenes de prueba de referencia para el modelo en conjunto en comparación con los modelos base individuales. El modelo propuesto proporcionó una segmentación automatizada de las diapositivas nerviosas, que fueron suficientemente equivalentes a las anotaciones manuales y podrían emplearse para las mediciones de los diámetros de los axones y los espesores de la mielina para el análisis histológico completamente automatizado de las imágenes neurales.