基于视觉深度学习的阿尔茨海默病神经炎性斑块弱标注全切片组织图像分割可解释性研究
图像与视频处理
2023-02-20 v1 机器学习
摘要
量化脑组织中tau蛋白结构的分布与形态是诊断阿尔茨海默病(AD)及其亚型的关键。近来，UNet等深度学习(DL)模型已成功用于生物组织全切片图像(WSI)的自动分割。在本研究中，我们提出一种基于DL的方法，用于对AD死者WSI中的tau病变（即神经炎性斑块）进行语义分割。当前在人体WSI中神经炎性斑块语义分割的最先进水平非常有限。我们的研究提出了一个基线，能够为这些tau蛋白病的形态学分析带来显著优势，从而进一步对AD患者进行分层。这项开创性研究探讨了生物标志物（ALZ50与AT8 tau抗体）、成像模态（不同切片扫描仪分辨率）以及弱标注挑战等关键问题。分析斑块分割中上下文的影响对于理解微环境在可靠tau蛋白分割中的作用十分重要。此外，通过集成视觉可解释性，我们能够解释网络如何聚焦于感兴趣区域(ROI)，为病理学家提供额外见解。最后，发布一个新的专家标注数据库和代码(\url{https://github.com/aramis-lab/miccai2022-stratifiad.git})，将有助于科学界加速开发用于AD人体WSI处理的新流程。
引用
@article{arxiv.2302.08511,
title = {Visual deep learning-based explanation for neuritic plaques segmentation in Alzheimer's Disease using weakly annotated whole slide histopathological images},
author = {Gabriel Jimenez and Anuradha Kar and Mehdi Ounissi and Léa Ingrassia and Susana Boluda and Benoît Delatour and Lev Stimmer and Daniel Racoceanu},
journal= {arXiv preprint arXiv:2302.08511},
year = {2023}
}