為了測量與阿爾茨海默病相關的樹突棘丟失，基因泰克公司研究人員開發(fā)了基于 MATLAB 的圖像處理和深度學習 App —— Spine Tool，用于自動計算樹突棘密度。

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

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

研究表明，這些堅硬的、不可溶解的 β淀粉樣蛋白累積與樹突棘丟失密切相關，樹突棘是神經元樹突的微米級突起，接收來自其他神經元的輸入。

在這些研究的基礎上，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展臨床前工作，評估各種有助于在出現(xiàn)淀粉樣斑塊的情況下減少樹突棘丟失的化合物。

為了量化樹突棘丟失，我們檢查小鼠腦組織的顯微圖像，沿樹突對樹突棘逐一計數，并計算樹突棘密度(例如，每 100 微米樹突的樹突棘數)。純靠人工完成這一過程極其耗費時間和精力。

大約 10 年前，我們小組開發(fā)了 Spine Tool，它是一個 MATLAB 圖像處理應用程序，有助于自動識別樹突棘并計算其密度(圖 1)。盡管原始版本的 Spine Tool 在處理體外樣本時效果良好，但它在處理圖像質量較低的離體大腦樣本時發(fā)生了大量誤報和漏報。

圖 1.基于 MATLAB 的 Spine Tool，用來自動檢測、注釋和分析樹突棘。

為了提高 Spine Tool 的準確度，我們與 MathWorks 顧問合作，在該工具中加入深度學習。

我們基于包含 9000 多張圖像的數據集訓練卷積神經網絡 (CNN)，所有圖像均由原始版本的 Spine Tool 加以注釋。經過訓練的 CNN 進一步提升了自動化程度，有助于評估盡可能減少樹突棘丟失的治療方法。

有關樹突棘密度的基礎知識

為了開展研究，我們使用正常小鼠(野生型小鼠，即 WT 小鼠)和表達淀粉樣 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字圖像，分別對有/無可見斑塊時單個樹突上的樹突棘進行識別和計數。

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

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

我們匯總了數百個樣本的樹突棘密度，生成條形圖，比較不同小鼠基因型的樹突棘密度(圖 3)，發(fā)現(xiàn)以下兩者在統(tǒng)計學上是顯著的：

斑塊附近樹突棘密度的降低，以及 C3KO 小鼠樹突棘密度的恢復。這些研究結果表明，降低補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突棘平均密度。改自 [1]。

傳統(tǒng)圖像處理與深度學習相結合

早期版本的 Spine Tool 應用多種方法識別樹突棘，包括閾值檢測、分割和形態(tài)學圖像處理方法，以及用于檢測神經科學特有形態(tài)學的自定義運算(圖 4)。

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

為將 Spine Tool 與深度學習相結合，我們評估了幾種預定義的網絡架構，包括 Deeplab、SegNet 和 U-Net，U-Net 是一種針對生物醫(yī)學圖像分割而開發(fā)的網絡。我們選擇 U-Net 是因為其多分辨率性能。

為了減少訓練時間，我們決定使用二維 U-Net，而不是較復雜的三維 U-Net。

雖然我們處理的是三維數據，但它不是等體積的：這些三維體的深度只有幾個切片，樹突棘在 Z 軸上的跨度很少超過一至兩個切片。

我們對這些三維薄切片進行最大密度投影，由此創(chuàng)建二維數據集。我們在配備 NVIDIA GeForce RTX 2080 Ti GPU 的工作站上使用 Parallel Computing Toolbox 執(zhí)行訓練，從而節(jié)省了更多的時間。

訓練后的網絡最初的分類結果看起來還不錯，但仍有漏報，識別出的樹突棘少于我們自己能看到的。

這是由于存在類不平衡問題：與樹突和背景相比，樹突棘很小。我們調整了整個網絡的類權重，并評估各種損失函數以提高預測準確度。我們選擇了設置權重來最大化敏感度。

更新后的網絡幾乎能夠檢測到圖像中的所有樹突棘，但誤報增多了。

我們對結果進行后處理，從而消除了這些誤報。例如，我們對檢測到的樹突棘施加長度和體積限制，剔除那些太大或太小、實際不是樹突棘的結果。

目前，我們主要利用這一深度學習模型節(jié)省時間，而非提高準確度。我們使用包含后處理的模型來預測不同基因型條件下的樹突棘密度比，結果接近基于 Spine Tool 真值數據集使用傳統(tǒng)圖像處理方法所得的計數(圖 5)，但可節(jié)省多達一半的手動校正時間。

圖 5.分別使用圖像處理(左)和深度學習(右)得到的樹突棘密度比。

改進和驗證 Spine Tool

當前，我們正在優(yōu)化后處理步驟，以確保網絡檢測到的相鄰樹突棘能被正確地分割和計數。

在樹突棘檢測的準確性方面，深度學習或許遲早超過人工檢查，但我們衡量成功與否的主要標準不在于此。

我們的目標是驗證一個猜想：如果一種治療效果可以由人類檢測到，則它也可以由網絡檢測到。

在接下來的幾個月里，我們將使用 Spine Tool 新增的深度學習功能來處理圖像以用于實際研究。同時，我們將使用現(xiàn)有工作流處理圖像并比較結果。

如果結果符合我們的期望，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行樹突棘密度研究，并且有機會節(jié)省一半的人工工作量。

原文標題：無所不能的 MATLAB | 用深度學習評估阿爾茲海默病治療靶點

文章出處：【微信公眾號：MATLAB】歡迎添加關注!文章轉載請注明出處。

審核編輯：湯梓紅