CochleaNet：基于深度学习的耳蜗分子解剖学分析与基因疗法评估框架

《Molecular Therapy》：CochleaNet: deep learning-based image analysis for cochlear connectomics and gene therapy

　　随着针对耳聋的基因疗法和光遗传疗法的出现，对内耳毛球（cochlea）的分子解剖结构和生理功能的综合分析变得比以往任何时候都更为重要。本文介绍了CochleaNet——一个基于深度学习的框架，用于分析通过光片显微镜获得的脱钙、透明化并经荧光标记的耳蜗的体积成像数据。CochleaNet覆盖了从耳蜗三维重建到内毛细胞、螺旋神经节神经元及其传入突触的分割，再到音调拓扑映射分析和特定荧光表达模式分析的全流程。我们将CochleaNet与手动图像分析进行了对比验证，并证明了其相较于已有分割方法的优越性。随后，我们利用CochleaNet分析了不同类型的螺旋神经节神经元，并对其进行了基因治疗产品的验证。CochleaNet在高分辨率等向鼠标数据上训练，同时也可适用于地鼠——另一种相关动物模型的耳蜗，以及商业显微镜获取的低分辨率小鼠和长鼻猴数据。我们得出结论，光片显微镜与CochleaNet图像分析的结合，为耳蜗分子解剖结构的快速可靠量化以及临床前基因治疗效果评估铺平了道路。Lennart Roos｜Aleyna Mira? Diniz｜Elisabeth Koert｜Martin Schilling｜Mara Uhl｜Anupriya Thirumalai｜Mostafa Aakhte｜Kathrin Kusch｜Jan Huisken｜Tobias Moser｜Constantin Pape