梅斯医学MedSci APP
医路相伴,成就大医

NeuroImage:深度学习可绘制大规模组织学tau蛋白验证阿尔茨海默病的神经成像生物标志物

Tags: 阿尔茨海默病   tau蛋白   深度学习   神经成像生物标志物      更新:2022-01-20

异常tau内含物是阿尔茨海默病的标志和临床衰退的预测因素。几种tau PET示踪剂可用于神经退行性疾病的研究,为体内分子诊断开辟了途径。然而,很少有药物被批准用于临床。PET信号验证的神经生物学基础仍然存在问题,因为它需要PET和(免疫)组织信号之间大规模的体素对体素的相关性。整个人类大脑的大维度,影响协同配准的组织变形,以及处理兆字节级信息的计算需求,都妨碍了正确的验证。

Lea T.Grinberg等开发了一种计算方法来识别和分割数十亿像素数字病理图像中感兴趣的粒子,以生成定量的三维密度图。

用于免疫组化样本的卷积神经网络IHCNet是该计划的核心。

研究流程

该研究小组成功地处理和免疫染色了超过500张载玻片,这些载玻片来自两个完整的人类大脑,含有三种phospho-tau抗体(AT100, AT8和MC1)。

IHCNet架构

该研究的人工神经网络从脑图像中估算tau内含物, AT100、AT8和MC1的ROC AUC分别为0.87、0.85和0.91。内省研究进一步评估了训练的模型学习tau相关特征的能力。

病例1、2的块面AT8、AT100、MC1定量热图(第一列)、MRI(第二列)。第三列描述了每个tau图各自的3D渲染。

该研究提出了一种前所未有的解决方案,以改善PET示踪剂对死后组织病理变化的验证。这个方法的一个关键组成部分是IHCNet,一个能够处理大型图像数据集来定位和分割感兴趣粒子的CNN。IHCNet具有较强的迁移学习能力。该研究在处理海量数据集的能力上进行了创新,并在色彩变化较大的模糊图像中表现良好,并获得了良好的协同配准结果。该研究在显微分辨率上的3D绘图,加上之前开发的结合组织学和成像体积的3D配准算法,可能为彻底和系统地验证新的神经成像示踪剂开辟道路,并加快其临床应用的审批。

该研究提出了一种端到端的方法,以创建兆兆字节级的3D tau内涵密度图,并将其配准到MRI上,作为一种促进PET示踪剂验证的手段。

原文出处

Deep learning for Alzheimer's disease: Mapping large-scale histological tau protein for neuroimaging biomarker validation

作者:影像小生 来源:MedSci原创
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有,非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。本网所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。同时转载内容不代表本站立场。
在此留言
小提示:本篇资讯需要登录阅读,点击跳转登录

相关推荐

移动应用
medsci.cn © 2020