基于通道分析的TTC染色严重程度评分系统在缺血性脑损伤评估中的应用

《BMC Neuroscience》：A mouse cerebral infarct severity scoring system based on image color difference algorithm

　　

摘要

背景

在大脑中动脉短暂闭塞（tMCAO）动物模型中，缺血性脑损伤通常通过基于2,3,5-氯化三苯基四氮唑（TTC）染色的脑切片梗死体积测量来评估。传统的TTC染色脑切片分析依赖于手动勾画梗死区域边界，这引入了主观性且耗时费力。以往的自动化分析方法在准确识别梗死边界方面往往缺乏精确度。此外，尽管缺血半暗带（IP）在治疗效果挽救和卒中预后中具有重要作用，但在手动和自动化分析中均被持续忽视。

方法

在完成神经行为评估后，于tMCAO术后24小时获取TTC染色的切片图像，随后采用手动测量、自动化测量以及我们提出的严重程度评分系统进行分析。手动测量由经验丰富的观察者手动勾画梗死区域，且未区分IP和缺血核心（IC）。自动化测量在Fiji中使用内置的自动阈值算法进行图像分割。在我们的评分系统中，图像首先被分解为RGB和HSV通道。随后，分析各通道的像素值直方图以标注图像中的IP和IC，然后基于IP和IC的体积以及IP的平均像素值，通过我们的算法生成定量评分。通过皮尔逊相关分析将这些评分与手动测量结果进行比较，以确定最优指标。采用斯皮尔曼相关分析评估评分与神经行为评估之间的相关性，从而评估评分系统与大脑整体运动功能之间的关联。此外，采用光血栓（PT）缺血性卒中模型验证我们提出的严重程度评分系统的普适性。

结果

建立了区分IP和IC的各通道阈值。蓝色通道值与手动测量的相关性最强，且对IP和IC的识别效果优异，因此被确定为算法的最优指标。评分系统输出结果（即严重程度）与手动测量和自动化测量的相关系数分别为0.9392和0.8885。严重程度与神经缺损评分呈现强相关性（斯皮尔曼r=0.7492），优于手动测量（斯皮尔曼r=0.7206）和自动化测量（斯皮尔曼r=0.6528）。此外，严重程度在PT缺血性卒中模型中与手动测量也显示出显著相关性。

结论

我们的评分系统成功区分了IP和IC区域。行为学验证表明，该评分系统能可靠地评估梗死严重程度，从而准确反映tMCAO诱导的脑梗死整体严重程度。此外，该评分系统也适用于PT卒中模型。综上所述，该严重程度评分系统是TTC染色分析的一种新方法，预计可为基础研究中的卒中结局高通量评估提供快速、客观且准确的工具。