Алгоритм и начальный этап тестирования описаны в Nature Scientific Reports.По мере роста нейроны расширяют волокнистые отростки, называемые нейритами, которые образуют важные связи с соседними клетками.
Эти сети нейронов и нейритов необходимы для здорового функционирования нервной системы, и ученые заинтересованы в поиске новых способов стимулирования роста нейронов с помощью лекарств, электрической стимуляции или других средств. Чтобы проверить эффективность этих усилий, ученые выращивают нейроны в лаборатории и применяют различные методы лечения, чтобы увидеть, стимулируют ли они рост. Обычно для этого требуется сделать сотни снимков под микроскопом нейронов по мере их роста в течение нескольких часов или дней.
«У вас осталась гигантская стопка фотографий», — сказал Тайхас Палмор, профессор инженерных наук Брауна и старший автор новой статьи. «Вам нужно анализировать изменения от одного изображения к другому, а это может быть очень сложно».Детали на этих изображениях имеют решающее значение.
Нейриты — это крошечные структуры, которые трудно увидеть под микроскопом при визуализации живых клеток. Но точное измерение их длины и толщины важно для оценки стимулированного роста клеток.
Есть несколько доступных алгоритмов, которые автоматизируют анализ изображений, но они не очень хорошо работают. Обычно они работают, рассматривая отдельные пиксели изображения и применяя единый фильтр, который выделяет пиксели с наибольшей интенсивностью. Предполагается, что эти высокоинтенсивные пиксели являются нейронами и структурами нейритов.Проблема в том, что изображения под микроскопом часто бывают невысокого качества, из-за чего трудно отличить клеточные структуры от случайных артефактов, которые могут присутствовать на изображении.
В результате фильтры часто включают пиксели, которые не имеют отношения к структурам нейронов, и удаляют важные пиксели. Это особенно проблема при измерении крошечных придатков нейритов.
Фильтры часто не могут измерить полную степень роста нейритов.Кванг-Мин Ким, бывший аспирант лаборатории Палмора, а теперь доктор наук в Стэнфорде, хотел найти лучшее решение. Вдохновленный предыдущей работой Килхо Сона, аспиранта в области компьютерного зрения и соавтора статьи, Ким разработал новый метод, который позволяет отказаться от универсальных фильтров, используемых в других подходах. Вместо этого новый подход, называемый Neuron Image Analyzer (NIA), учитывает, как пиксели связаны с соседними пикселями.
«Мы не просто ищем пиксели высокой интенсивности», — сказала Ким. «Мы смотрим на информацию о соотношении между пикселями. Таким образом мы можем отслеживать пиксели, которые связаны друг с другом, что помогает нам отслеживать всю структуру нейрона».В другом методе, используемом в алгоритме, используется особый статистический тест, который позволяет выделять круглые или эллиптические структуры.
Этот тест используется для точного определения местоположения и измерения сомы, основного тела нейрона в форме капли.Исследователи протестировали NIA в сравнении с существующими алгоритмами, используя ручную аннотацию изображений в качестве ориентира. Результаты показали, что NIA на 80 процентов точнее ручного кодирования, в то время как другие алгоритмы были только на 50-60 процентов точнее.Команда надеется, что другие исследователи воспользуются новым подходом.
Это может быть особенно полезно в лабораториях, в которых отсутствует сложное и дорогое оборудование для получения изображений нейронов исключительно высокого качества.«Мы хотим сделать этот подход доступным для всех, кто интересуется анализом нейронных изображений, независимо от качества их изображений», — сказал Ким.
Ким и Сон планируют продолжить разработку NIA в надежде на дальнейшее улучшение ее точности и скорости.