A public generalizable AI tool for automated segmentation of coronal brain tissue slabs for 3D neuropathology.

چکیده اصلی

Advances in image registration and machine learning have recently enabled volumetric analysis of postmortem brain tissue from conventional photographs of coronal slabs, which are routinely collected in brain banks and neuropathology laboratories around the world. One caveat of this methodology is the requirement of segmentation of the tissue from the background and out-of-slice tissue in photographs, which currently requires laborious manual intervention. Manual delineation is a bottleneck in this process and poses challenges in scalability, and resources, restricting adoption of these methods. In this article, we present a deep learning model to automate this process. The automatic segmentation tool relies on a U-Net architecture that was trained with a combination of 1,414 manually segmented images of both fixed and fresh tissue, from specimens with varying diagnoses, photographed at two different sites. Automated model predictions on a subset of photographs not seen in training were analyzed to estimate performance compared to manual labels, including both inter- and intra-rater variability. Our model achieved a median Dice score over 0.98, mean surface distance under 0.4 mm, and 95% Hausdorff distance under 1.60 mm, which approaches inter-/intra-rater levels. Our tool is publicly available at surfer.nmr.mgh.harvard.edu/fswiki/PhotoTools and training data is available at https://zenodo.org/records/20647553.

ترجمه فارسی چکیده

پیشرفت‌های اخیر در ثبت تصویر و یادگیری ماشین امکان تحلیل حجمی بافت مغزی پس از مرگ را از عکس‌های عادی برش‌های عرضی که به طور روتین در بانک‌های مغزی و آزمایشگاه‌های نوروپاتولوژی جمع‌آوری می‌شوند، فراهم کرده است. یکی از محدودیت‌های این روش، نیاز به قطعه‌بندی بافت از پس‌زمینه و بافت‌های خارج از برش در عکس‌هاست که در حال حاضر نیازمند مداخله دستی پرهزینه است. قطعه‌بندی دستی در این فرآیند گلوگاه است و چالش‌هایی در مقیاس‌پذیری و منابع ایجاد می‌کند که استفاده از این روش‌ها را محدود می‌کند. در این مقاله، ما یک مدل یادگیری عمیق برای خودکار کردن این فرآیند ارائه می‌دهیم. ابزار قطعه‌بندی خودکار بر روی معماری U-Net ساخته شده است که با ترکیبی از ۱٬۴۱۴ تصویر قطعه‌بندی شده دستی از بافت‌های ثابت و تازه، از نمونه‌هایی با تشخیص‌های متفاوت، در دو سایت مختلف آموزش دیده است. پیش‌بینی‌های مدل خودکار بر روی یک زیرمجموعه از عکس‌هایی که در آموزش دیده‌اند، تحلیل شد تا عملکرد آن نسبت به برچسب‌های دستی، شامل هر دو واریانس بین و درون ارزیاب، برآورد شود. مدل ما نمره Dice میانگین بالای ۰.۹۸، فاصله سطحی میانگین زیر ۰.۴ میلی‌متر و فاصله Hausdorff ۹۵٪ زیر ۱.۶۰ میلی‌متر را به دست آورد که به سطوح بین و درون ارزیاب نزدیک است. ابزار ما به صورت عمومی در دسترس است.

متن کامل اصلی