基于深度学习的混合分析方法用于研究大鼠坐骨神经中的轴突再生与髓鞘形成

《Scientific Reports》：Deep learning-based hybrid analysis for axonal regeneration and myelination in rat sciatic nerve

　　

摘要

对周围神经进行定量组织形态学分析对于评估轴突再生和髓鞘重建至关重要，但手工分析工作量大，不适用于大规模研究。本研究比较了三种自动化形态学分析方法与传统手工分析方法，旨在寻找一种高效且可靠的替代方案。研究使用了经甲苯蓝染色的半薄横截面，对6条大鼠坐骨神经进行了分析，其中包括3条未受损伤的神经以及3条因挤压伤而处于再生状态的神经。由3名独立观察者进行的手工分析被作为参考标准。自动化分析则采用Trainable Weka Segmentation、AxonDeepSeg以及结合手工修正的AxonDeepSeg方法。研究比较了轴突数量、轴突直径、轴突面积、g比值、髓鞘厚度以及分析时间等参数。手工分析所需时间最长（未受损伤的神经为53.1±16.5分钟，再生神经为63.4±3.9分钟），而自动化方法将分析时间缩短了一半以上，其中AxonDeepSeg的速度最快（分别为10.2±0.5分钟和6.7±0.2分钟）。自动化分析结果与手工分析结果的一致性主要通过Bland–Altman分析来评估（包括平均偏差及95%一致性区间）。完全自动化的方法显示出不同程度的一致性，其一致性区间相对较宽，尤其是在再生神经中。而将基于深度学习的分割技术与选择性手工修正相结合的混合工作流程，相比其他自动化方法，具有更小的偏差和更窄的一致性区间，同时还能提升分析效率。