面向轴突和髓鞘分割的多域数据聚合

对轴突和髓鞘属性（如轴突直径、髓鞘厚度、髓鞘比）进行量化可提供有关由神经退行性疾病引起的微观结构变化的有用信息。组织自动分割是这些数据集的重要工具，因为单个染色切片可能包含数千个轴突。深度学习的进步使这一任务变得快速可靠，开销最小，但由一个研究小组训练的深度学习模型几乎不会被其他小组使用 due to 其在组织训练数据上的差异。这部分是由于主体多样性（不同的身体部位、物种、遗传、病理）以及现代显微镜成像技术的范围导致图像特征（即对比度、分辨率）呈现广泛变异。迫切需要使 AI 可被神经科学研究人员使用，以促进和加速他们的工作流程，但公开可用的模型稀少且维护不良。我们的做法是聚合来自多个成像模态（明场、电子显微镜、拉曼光谱）和物种（小鼠、大鼠、兔子、人类）的数据，创建一个开源、持久的轴突和髓鞘分割工具。我们的通用模型可以更容易地让研究人员处理他们的数据，并且可以针对特定域进行微调以获得更好的性能。我们研究了不同的聚合方案的优势。这种多域分割模型的表现优于单模态专用学习者（p=0.03077），在分布外数据上的泛化能力更好，并且更容易使用和维护。重要的是，我们将分割工具封装到一个得到良好维护的开源软件生态系统中（见 https://github.com/axondeepseg/axondeepseg）。