PhagoStat：一种可扩展且可解释端到端框架用于神经退行性疾病研究中细胞吞噬作用的高效量化
图像与视频处理
2024-03-14 v2 计算机视觉与模式识别
机器学习
摘要
量化动态、未染色细胞的吞噬作用对评估神经退行性疾病至关重要。然而，在处理时间推移相差视频显微镜时，测量快速细胞相互作用并从背景中区分细胞使该任务极具挑战。在本研究中，我们引入一种端到端、可扩展且通用的实时框架，用于量化与分析吞噬活动。我们提出的流程可处理大型数据集，并包含数据质量验证模块以抵消显微镜移动与帧模糊等扰动。我们还提出一种可解释细胞分割模块，相较黑盒算法提升 DL 方法的可解释性。其包含两种可解释 DL 能力：视觉解释与模型简化。我们通过额外提供关键的 DL 算法优化见解与方案，证明 DL 中的可解释性并非高性能的对立面。此外，融入可解释模块带来高效架构设计与优化执行时间。我们应用该流程分析 FTD 中小胶质细胞吞噬作用，获得统计可靠结果，显示 FTD 突变细胞比对照细胞更大且更具侵袭性。该方法已在公共基准上测试验证，取得业界最优性能。为促进转化研究与未来研究，我们发布开源端到端流程与独特的小胶质细胞吞噬数据集，用于神经退行性疾病研究的免疫系统表征。该流程与相关数据集将持续固化该领域未来进展，推动专用于神经退行性疾病表征的可解释算法发展。github.com/ounissimehdi/PhagoStat
引用
@article{arxiv.2304.13764,
title = {PhagoStat a scalable and interpretable end to end framework for efficient quantification of cell phagocytosis in neurodegenerative disease studies},
author = {Mehdi Ounissi and Morwena Latouche and Daniel Racoceanu},
journal= {arXiv preprint arXiv:2304.13764},
year = {2024}
}