為了測(cè)量與阿爾茨海默病相關(guān)的樹(shù)突棘丟失，基因泰克公司研究人員開(kāi)發(fā)了基于 MATLAB 的圖像處理和深度學(xué)習(xí) App —— Spine Tool，用于自動(dòng)計(jì)算樹(shù)突棘密度。

作者：Justin Elstrott 博士，基因泰克公司生物醫(yī)學(xué)成像部。

阿爾茨海默病 (AD) 是癡呆癥最常見(jiàn)的原因，其特征是淀粉樣斑塊的累積導(dǎo)致大腦發(fā)生病變。

研究表明，這些堅(jiān)硬的、不可溶解的 β淀粉樣蛋白累積與樹(shù)突棘丟失密切相關(guān)，樹(shù)突棘是神經(jīng)元樹(shù)突的微米級(jí)突起，接收來(lái)自其他神經(jīng)元的輸入。

在這些研究的基礎(chǔ)上，我在基因泰克的同事以及其他阿爾茨海默病研究人員正開(kāi)展臨床前工作，評(píng)估各種有助于在出現(xiàn)淀粉樣斑塊的情況下減少樹(shù)突棘丟失的化合物。

為了量化樹(shù)突棘丟失，我們檢查小鼠腦組織的顯微圖像，沿樹(shù)突對(duì)樹(shù)突棘逐一計(jì)數(shù)，并計(jì)算樹(shù)突棘密度(例如，每 100 微米樹(shù)突的樹(shù)突棘數(shù))。純靠人工完成這一過(guò)程極其耗費(fèi)時(shí)間和精力。

大約 10 年前，我們小組開(kāi)發(fā)了 Spine Tool，它是一個(gè) MATLAB 圖像處理應(yīng)用程序，有助于自動(dòng)識(shí)別樹(shù)突棘并計(jì)算其密度(圖 1)。盡管原始版本的 Spine Tool 在處理體外樣本時(shí)效果良好，但它在處理圖像質(zhì)量較低的離體大腦樣本時(shí)發(fā)生了大量誤報(bào)和漏報(bào)。

圖 1.基于 MATLAB 的 Spine Tool，用來(lái)自動(dòng)檢測(cè)、注釋和分析樹(shù)突棘。

為了提高 Spine Tool 的準(zhǔn)確度，我們與 MathWorks 顧問(wèn)合作，在該工具中加入深度學(xué)習(xí)。

我們基于包含 9000 多張圖像的數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò) (CNN)，所有圖像均由原始版本的 Spine Tool 加以注釋。經(jīng)過(guò)訓(xùn)練的 CNN 進(jìn)一步提升了自動(dòng)化程度，有助于評(píng)估盡可能減少樹(shù)突棘丟失的治療方法。

有關(guān)樹(shù)突棘密度的基礎(chǔ)知識(shí)

為了開(kāi)展研究，我們使用正常小鼠(野生型小鼠，即 WT 小鼠)和表達(dá)淀粉樣 β 蛋白的小鼠(PS2APP 小鼠)，后者容易形成淀粉樣斑塊。我們使用小鼠腦組織顯微切片的數(shù)字圖像，分別對(duì)有/無(wú)可見(jiàn)斑塊時(shí)單個(gè)樹(shù)突上的樹(shù)突棘進(jìn)行識(shí)別和計(jì)數(shù)。

如圖 2 所示，對(duì)于 PS2APP 小鼠，存在斑塊時(shí)，附近的樹(shù)突棘數(shù)量明顯減少。該研究還包含第三組小鼠，其補(bǔ)體 3 基因被敲除 (C3KO);這些小鼠的樹(shù)突棘丟失明顯較少 [1]。

圖 2.小鼠樹(shù)突的樹(shù)突棘。從左到右：正常小鼠 (WT)、抑制了 C3 基因表達(dá)的小鼠 (C3KO)、PS2APP 小鼠(樹(shù)突棘遠(yuǎn)離/靠近斑塊)、C3KO 的 PS2APP 小鼠(樹(shù)突棘遠(yuǎn)離/靠近斑塊)。改自 [1]。

我們匯總了數(shù)百個(gè)樣本的樹(shù)突棘密度，生成條形圖，比較不同小鼠基因型的樹(shù)突棘密度(圖 3)，發(fā)現(xiàn)以下兩者在統(tǒng)計(jì)學(xué)上是顯著的：

斑塊附近樹(shù)突棘密度的降低，以及 C3KO 小鼠樹(shù)突棘密度的恢復(fù)。這些研究結(jié)果表明，降低補(bǔ)體活性可能是一種有效的治療策略。

圖 3.此圖顯示不同基因型的樹(shù)突棘平均密度。改自 [1]。

傳統(tǒng)圖像處理與深度學(xué)習(xí)相結(jié)合

早期版本的 Spine Tool 應(yīng)用多種方法識(shí)別樹(shù)突棘，包括閾值檢測(cè)、分割和形態(tài)學(xué)圖像處理方法，以及用于檢測(cè)神經(jīng)科學(xué)特有形態(tài)學(xué)的自定義運(yùn)算(圖 4)。

圖 4.用早期版本的 Spine Tool 處理得到的樹(shù)突圖像。左圖的黃色虛線框表示樹(shù)突棘最大寬度參數(shù)。

為將 Spine Tool 與深度學(xué)習(xí)相結(jié)合，我們?cè)u(píng)估了幾種預(yù)定義的網(wǎng)絡(luò)架構(gòu)，包括 Deeplab、SegNet 和 U-Net，U-Net 是一種針對(duì)生物醫(yī)學(xué)圖像分割而開(kāi)發(fā)的網(wǎng)絡(luò)。我們選擇 U-Net 是因?yàn)槠涠喾直媛市阅堋?/p>

為了減少訓(xùn)練時(shí)間，我們決定使用二維 U-Net，而不是較復(fù)雜的三維 U-Net。

雖然我們處理的是三維數(shù)據(jù)，但它不是等體積的：這些三維體的深度只有幾個(gè)切片，樹(shù)突棘在 Z 軸上的跨度很少超過(guò)一至兩個(gè)切片。

我們對(duì)這些三維薄切片進(jìn)行最大密度投影，由此創(chuàng)建二維數(shù)據(jù)集。我們?cè)谂鋫?NVIDIA GeForce RTX 2080 Ti GPU 的工作站上使用 Parallel Computing Toolbox 執(zhí)行訓(xùn)練，從而節(jié)省了更多的時(shí)間。

訓(xùn)練后的網(wǎng)絡(luò)最初的分類(lèi)結(jié)果看起來(lái)還不錯(cuò)，但仍有漏報(bào)，識(shí)別出的樹(shù)突棘少于我們自己能看到的。

這是由于存在類(lèi)不平衡問(wèn)題：與樹(shù)突和背景相比，樹(shù)突棘很小。我們調(diào)整了整個(gè)網(wǎng)絡(luò)的類(lèi)權(quán)重，并評(píng)估各種損失函數(shù)以提高預(yù)測(cè)準(zhǔn)確度。我們選擇了設(shè)置權(quán)重來(lái)最大化敏感度。

更新后的網(wǎng)絡(luò)幾乎能夠檢測(cè)到圖像中的所有樹(shù)突棘，但誤報(bào)增多了。

我們對(duì)結(jié)果進(jìn)行后處理，從而消除了這些誤報(bào)。例如，我們對(duì)檢測(cè)到的樹(shù)突棘施加長(zhǎng)度和體積限制，剔除那些太大或太小、實(shí)際不是樹(shù)突棘的結(jié)果。

目前，我們主要利用這一深度學(xué)習(xí)模型節(jié)省時(shí)間，而非提高準(zhǔn)確度。我們使用包含后處理的模型來(lái)預(yù)測(cè)不同基因型條件下的樹(shù)突棘密度比，結(jié)果接近基于 Spine Tool 真值數(shù)據(jù)集使用傳統(tǒng)圖像處理方法所得的計(jì)數(shù)(圖 5)，但可節(jié)省多達(dá)一半的手動(dòng)校正時(shí)間。

圖 5.分別使用圖像處理(左)和深度學(xué)習(xí)(右)得到的樹(shù)突棘密度比。

改進(jìn)和驗(yàn)證 Spine Tool

當(dāng)前，我們正在優(yōu)化后處理步驟，以確保網(wǎng)絡(luò)檢測(cè)到的相鄰樹(shù)突棘能被正確地分割和計(jì)數(shù)。

在樹(shù)突棘檢測(cè)的準(zhǔn)確性方面，深度學(xué)習(xí)或許遲早超過(guò)人工檢查，但我們衡量成功與否的主要標(biāo)準(zhǔn)不在于此。

我們的目標(biāo)是驗(yàn)證一個(gè)猜想：如果一種治療效果可以由人類(lèi)檢測(cè)到，則它也可以由網(wǎng)絡(luò)檢測(cè)到。

在接下來(lái)的幾個(gè)月里，我們將使用 Spine Tool 新增的深度學(xué)習(xí)功能來(lái)處理圖像以用于實(shí)際研究。同時(shí)，我們將使用現(xiàn)有工作流處理圖像并比較結(jié)果。

如果結(jié)果符合我們的期望，即兩種方法得到的條形圖顯示出大致等同的樹(shù)突棘平均密度，那我們就能確信，今后可以放心地使用這一新工具進(jìn)行樹(shù)突棘密度研究，并且有機(jī)會(huì)節(jié)省一半的人工工作量。

原文標(biāo)題：無(wú)所不能的 MATLAB | 用深度學(xué)習(xí)評(píng)估阿爾茲海默病治療靶點(diǎn)

文章出處：【微信公眾號(hào)：MATLAB】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

審核編輯：湯梓紅