NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son çalışmalar, Alzheimer ve Parkinson hastalıkları gibi mitokondriyal fonksiyonlar ve yaşlanma ile ilgili dejeneratif bozukluklar arasındaki ilişkiyi desteklemiştir. Bu çalışmalar, mitokondrideki fiziksel değişikliklerin ayrıntılı ve yüksek çözünürlüklü analizi ihtiyacını ortaya çıkardığından, mitokondrinin segmentasyonu ve 3D rekonstrüksiyonunu gerçekleştirebilmek için gereklidir. Bununla birlikte, mitokondriyal yapıların çeşitliliği nedeniyle, elektron mikroskobu (EM) görüntülerinde otomatik mitokondri segmentasyonu ve rekonstrüksiyonun zor ve zorlu bir görev olduğu kanıtlanmıştır. Bu makale, farklı EM görüntülerinde mitokondri segmentasyonunu gerçekleştirmek için derin öğrenmeye dayanan etkili ve otomatik bir boru hattı ortaya koymaktadır. Önerilen boru hattı üç bölümden oluşur: (1) görüntü kaydı ve histogram eşitlemesini veri kümesinin tutarlılığını korumak için görüntü ön işleme adımları olarak kullanmak; (2) hacimsel, artık konvolutional ve derinlemesine denetlenen bir ağa dayalı 3D mitokondri segmentasyonu için etkili bir yaklaşım önermek; ve (3) mitokondri ilişkisini elde etmek ve 3D yeniden yapılandırma sonuçlarını görüntülemek için bir 3D bağlantı yöntemi kullanmak. Bildiğimiz kadarıyla, mitokondri segmentasyonunun doğruluğunu artırmak için derinlemesine denetlenen bir stratejiye sahip 3D tamamen artık bir konvolutional ağı kullanan ilk araştırmacılarız. Anizotropik ve izotropik EM hacimleri üzerindeki deneysel sonuçlar, yöntemimizin etkinliğini ve segmentasyonumuzun Jaccard indeksini (anizotropide %91,8, izotropide %90,0) ve F1 algılama puanını (anizotropide %92,2, izotropide %90,9) göstermektedir. Tam otomatik boru hattımız, nörologlara zengin mitokondri istatistikleri elde etmek için hızlı bir yaklaşım sağlayarak ve mitokondrinin mekanizmasını ve işlevini aydınlatmalarına yardımcı olarak nörolojinin gelişmesine katkıda bulunur.
Özgün kaynak özetini okuyun
Recent studies have supported the relation between mitochondrial functions and degenerative disorders related to ageing, such as Alzheimer's and Parkinson's diseases. Since these studies have exposed the need for detailed and high-resolution analysis of physical alterations in mitochondria, it is necessary to be able to perform segmentation and 3D reconstruction of mitochondria. However, due to the variety of mitochondrial structures, automated mitochondria segmentation and reconstruction in electron microscopy (EM) images have proven to be a difficult and challenging task. This paper puts forward an effective and automated pipeline based on deep learning to realize mitochondria segmentation in different EM images. The proposed pipeline consists of three parts: (1) utilizing image registration and histogram equalization as image pre-processing steps to maintain the consistency of the dataset; (2) proposing an effective approach for 3D mitochondria segmentation based on a volumetric, residual convolutional and deeply supervised network; and (3) employing a 3D connection method to obtain the relationship of mitochondria and displaying the 3D reconstruction results. To our knowledge, we are the first researchers to utilize a 3D fully residual convolutional network with a deeply supervised strategy to improve the accuracy of mitochondria segmentation. The experimental results on anisotropic and isotropic EM volumes demonstrate the effectiveness of our method, and the Jaccard index of our segmentation (91.8% in anisotropy, 90.0% in isotropy) and F1 score of detection (92.2% in anisotropy, 90.9% in isotropy) suggest that our approach achieved state-of-the-art results. Our fully automated pipeline contributes to the development of neuroscience by providing neurologists with a rapid approach for obtaining rich mitochondria statistics and helping them elucidate the mechanism and function of mitochondria.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.