基于深度学习和MATLAB脊柱工具的阿尔茨海默病治疗靶点评估

阿尔茨海默病(AD)是痴呆症最常见的病因，其特征是由淀粉样斑块的积累导致大脑发生变化。研究表明，这些坚硬的，不可溶的β淀粉样蛋白的积累与β淀粉样蛋白的丧失密切相关树突棘来自神经元树突的微米大小的突起，可以接收来自其他神经元的输入。这些研究使我的基因泰克同事和其他AD研究人员在临床前评估了在淀粉样斑块存在时减少脊柱损失的化合物。

为了量化脊柱损失，我们检查了小鼠脑组织的显微镜图像，计数沿着树突的单个脊柱，并计算脊柱密度(例如，每100微米树突的脊柱数量)。当手工操作时，这个过程是非常劳动密集型的。

大约10年前，我们的团队开发了Spine Tool，一个MATLAB^®图像处理应用程序，帮助自动脊柱识别和脊柱密度计算(图1)在体外在样本中，它产生了大量的假阳性和假阴性体外大脑样本，图像质量较低。

为了提高Spine Tool的准确性，我们与MathWorks顾问合作，将深度学习纳入到该工具中。我们训练卷积神经网络(CNN)的数据集超过9000张图片，我们已经注释了原始脊柱工具。经过训练的CNN进一步自动化了评估治疗方法的过程，以尽量减少脊柱损失。

脊柱密度基本知识

为了进行我们的研究，我们使用了正常小鼠(野生型或WT型小鼠)和表达β淀粉样蛋白的小鼠(PS2APP小鼠)，它们容易形成淀粉样蛋白斑块。使用小鼠脑组织显微切片的数字图像，我们在存在和不存在可见斑块的情况下，识别并计数单个树突上的棘。

如图2所示，PS2APP小鼠中斑块的存在与附近棘的明显减少相对应。这项特别的研究包括第三组小鼠，其中补体3基因(C3KO)被移除;这些小鼠表现出明显较少的脊柱损失[1]。

我们收集了数百个样本的脊柱密度，制作了一个柱状图，比较了不同基因型小鼠的脊柱密度(图3)，显示在C3KO小鼠中，斑块附近脊柱密度的减少和脊柱密度的恢复都具有统计学意义。这些研究结果表明，减少补体活性可能是一种有效的治疗策略。

传统图像处理与深度学习的结合

Spine Tool的早期版本通过应用阈值检测、分割和形态学图像处理技术，以及用于检测神经科学特定形态的自定义操作来识别树突棘(图4)。

为了将深度学习整合到Spine Tool中，我们评估了几种预定义的网络架构，包括Deeplab、SegNet和U-Net(一种用于生物医学图像分割的网络)。我们选择U-Net是因为它的多分辨率性能。

为了减少训练时间，我们决定使用2D版本的U-Net而不是更复杂的3D版本。虽然我们处理的数据是三维的，但它不是等距的:体积只有几片深，树突棘沿着Z轴很少跨越超过一到两片。我们通过对薄3D切片进行最大强度投影来创建2D数据集。通过在使用NVIDIA的工作站上执行训练，我们节省了额外的时间^®GeForce RTX 2080 Ti gpu使用并行计算工具箱™。

经过训练的网络的初步分类结果是有希望的，但仍然包括假阴性，识别的脊柱比我们自己能看到的要少。这是由于类别不平衡的问题:与树突和背景相比，棘很小。我们调整了整个网络的类权重，并评估了各种损失函数，以提高预测精度。我们选择将权重设置为灵敏度最大化。

更新后的网络在一张图像中几乎检测到了所有的刺，但有更多的假阳性。我们通过对结果的后处理消除了这些假阳性。例如，我们在检测到的棘上应用长度和体积阈值，以剔除任何过大或过小而不可能是真正的棘。到目前为止，我们的深度学习模型在节省时间方面比提高准确性方面更有希望。后处理模型预测不同基因型条件下脊柱密度的比率，与使用传统图像处理的ground-truth spine Tool数据集的计数相似(图5)，可减少多达50%的手动校正时间。

脊柱工具的改进和验证

目前，我们正在优化后处理步骤，以确保网络检测到的相邻棘被正确分割和计数。最终，我们可能能够通过深度学习比人工检查更准确地检测出脊柱，但这种能力并不是我们衡量成功的主要标准。我们的目标是验证，如果一个治疗效果可以被人检测到，那么它也可以被网络检测到。

在接下来的几个月里，我们将使用Spine Tool新的深度学习功能来处理图像，用于实际研究。同时，我们将使用我们现有的工作流处理图像并比较结果。如果正如我们所预期的那样，通过两种方法产生的柱状图显示了可比的平均脊柱密度，那么我们就可以证实，未来的脊柱密度研究可以用新工具可靠地运行，并且可能减少50%的人工工作量。