《Neuroinformatics》：BasNet: Attention U-Net-Based Automated Axon Segmentation in Bielschowsky Silver-Stained Histology
编辑推荐：
在组织学切片中可靠地自动量化轴突密度对研究和临床神经病理学应用十分重要，但银浸染染色（如Bielschowsky）仍是难题。经典颜色解卷积（color deconvolution）方法在银染上表现差，密集轴突的人工标注耗时且存在评分者间变异。研究人员开发了基于
在组织学切片中可靠地自动量化轴突密度对研究和临床神经病理学应用十分重要，但银浸染染色（如Bielschowsky）仍是难题。经典颜色解卷积（color deconvolution）方法在银染上表现差，密集轴突的人工标注耗时且存在评分者间变异。研究人员开发了基于attention-gated skip connections的attention U-Net架构管线，使用Focal Tversky Loss处理类不平衡与细小结构恢复，在33个图像块（超25百万像素）上由多名医生手动标注真值，这些图像块来自4名多发性硬化（multiple sclerosis, MS）患者26张全切片（whole-slide image, WSI）的不同脑区，切片由不同实验员不同时间点制作以涵盖染色变异。模型在预留测试块上平均像素F1/Dice为0.717、IoU为0.584；两名医生在两块上的互评F1为0.637与0.671，而模型对评分者的F1为0.681–0.736，达到或超过人工上限。生成的全切片密度与方向可视化准确反映区域轴突分布，并提供可下游分析的定量读数。该attention U-Net为Bielschowsky银染轴突分割提供开源方案，减少人工并支持可重复切片级定量。
研究背景方面，轴突是神经元组织结构完整与功能容量的主要组分，轴突丢失或重塑的定量对多发性硬化（multiple sclerosis, MS）等神经退行性疾病机制研究、进展评估及治疗效应判断十分关键。Bielschowsky银染广泛用于研究与临床组织学，但将其图像转为可靠定量图存在困难：人工计数与立体学抽样劳动密集且通量低，光密度受染色质量影响并会纳入非轴突银染组织，线交叉计数随线条位置与局部纤维方向变化。已有AxonDeepSeg、DeepACSON等深度学习方法多用于电子显微镜、免疫荧光或髓鞘特异染色，针对亮场银染组织学的轴突分割模型此前未见报道。该论文发表于《Neuroinformatics》。
主要关键技术方法上，研究人员使用德国MS脑库提供的4名MS患者脑组织，选取灰质、白质与脱髓鞘病灶区域，以0.273 μm像素尺寸截取10242像素块并经CLAHE（Contrast Limited Adaptive Histogram Equalization，限制对比度自适应直方图均衡化）增强；由两名医生按统一协议做二值轴突/树突标注，细胞体不标。模型为Attention U-Net（attention-gated U-Net），编码器四级、瓶颈512通道、解码器用转置卷积与注意力门，输入256×256×3、输出256×256×1，约7.85M参数。损失为Focal Tversky Loss（TI=Tversky Index），α=0.4、β=0.6、γ=2.0；优化用AdamW，学习率经ReduceLROnPlateau调度，早停基于验证损失。训练块经Albumentations增强至86330块，验证与测试各2032块；以防数据泄漏按源块整体划分，并进行leave-one-WSI-out（LOWO，留一全切片外）分析。下游用结构张量（structure tensor）与Scharr算子生成轴突密度、一致性（coherency）与方向图，并以nnU-Net v2作对照。
研究结果如下。
Training Performance：研究人员在86,330个增强块上训练，验证损失在第2轮达最小（val/loss 0.0528），第8轮早停；最佳检查点召回约0.75、精度约0.68，符合少漏检设计。
Ablation Study: Loss Weighting and Attention Gates：在α+β=1上扫β，测试Dice在β=0.6最高（0.715），β=0.4–0.8为宽平台；开attention gates后平均测试Dice由0.699升至0.715，三随机种子一致，仅增约0.09M参数，说明注意力门小成本稳定有益。
Test Set Performance：8个测试块平均F1/Dice 0.717±0.162、IoU 0.584±0.201，召回0.754高于精度0.717；背景块3_4得Dice 1.00，染色差块3_14仅0.392，说明性能受染色与区域复杂度影响大。
Inter-Rater Agreement：两块上评分者间F1为0.637与0.671；模型对评分者1/2的F1为0.736/0.703与0.723/0.681，达到或超过人际上限，表明模型处于标注任务固有变异范围内。
Leave-One-WSI-Out Cross-Validation：12折LOWO验证集平均Dice 0.703±0.010，区间0.687–0.725，无单一训练WSI决定性能，小标注集加增强可获稳健分割。
Qualitative Results：白质密集成网恢复好，细胞体与背景伪影被抑制；背景染色重、轴突密度低处精度下降；细树突多假阴，模糊染色区有假阳。
Whole Slide Image Maps：在WSI 1_3上得70 μm分辨率密度图、一致性图与HSV方向图；白质高密度高一致，灰质与MS病灶低密度低一致，方向域对应白质束。
Baseline Comparison (nnU-Net)：全8块Attention U-Net的Dice 0.717±0.162高于nnU-Net 0.555±0.245（p=0.023）；去掉退化背景块后7块仍占优（0.677±0.130 vs 0.634±0.135，p=0.047）；本模型7.9M参数少于nnU-Net约48M，且召回更高。
讨论部分总结：研究人员指出，薄密轴突分割的人际一致本身有限，模型与单个人工标注者的一致达到或高于人工互评，说明剩余误差主要来自标注歧义而非模型缺陷。Attention gates可抑制银染背景假阳，Focal Tversky Loss以β>α与γ=2.0偏向少漏检，对密度定量更稳妥。全切片密度、方向与一致性图可复现脑区架构与病灶改变。局限包括仅MS单病单协议、标注块少（n=33）、仅两块做人际标定、其他分辨率未量化、其他实验室与其他银染未验证；LOWO表明不依赖单一训练切片，但统计力仍受小样本限制。
研究结论部分翻译：本研究提出一种基于深度学习的Bielschowsky银染组织学切片轴突自动分割工具，在跨4个脑、多组织类别及正常与脱髓鞘组织的预留测试集上取得0.717±0.162像素F1/Dice，性能达到或超过人际评分者一致。该Attention U-Net以Focal Tversky Loss处理类不平衡，产生块级与全切片分割图，并从中导出空间分辨的轴突密度、主导纤维方向与局部纤维一致性指标。留一WSI分析确认对单个训练样本鲁棒（Dice范围0.687–0.725），说明有限标注下仍具实用价值。该管线以开源软件包发布，可用于块图像与全切片扫描；未来与多模态配准框架结合，可将组织学方向图与离体/在体MRI对齐，为微结构成像模型提供定量组织学真值，并架起轴突病理中尺度与宏观分析的桥梁。
