Das Virtual-Reality-Training von DELiVR beschleunigt die Zellerkennung in komplexen Gehirndatensätzen

In einer aktuellen Studie veröffentlicht in Naturmethoden, Forscher stellten DELiVR vor, eine durch Virtual Reality (VR) erweiterte Deep-Learning-Pipeline zur effizienten Erkennung neuronaler Aktivität in der Bildgebung des Gehirns und stellten ein benutzerfreundliches Tool bereit, das die Genauigkeit der Datenanmerkung und Segmentierung verbessert.

Hintergrund

Die Analyse der Proteinexpression ist entscheidend für das Verständnis physiologischer und Krankheitsmechanismen. Die traditionelle Immunhistochemie liefert nur begrenzte Einblicke aus Gewebeschnitten, während die Gewebereinigung mit Fluoreszenzbildgebung eine umfassende Sicht auf die Ebene des gesamten Organismus bietet.

Weitere Forschung ist erforderlich, um Erkennungstechniken zu verfeinern, Anwendungen auf verschiedene Bedingungen auszudehnen und die komplexen Wechselwirkungen innerhalb neuronaler Netze vollständig zu verstehen.

Über die Studie

Forscher haben mithilfe eines modifizierten SHANEL-Protokolls eine umfassende Methode zur Verarbeitung und Analyse der Immunmarkierung des gesamten Gehirns entwickelt.

Dieses Protokoll umfasst mehrere Vorbereitungsschritte, einschließlich Dehydrierung, Rehydrierung und Färbung mit c-Fos-Antikörpern, die als Marker für neuronale Aktivität verwendet werden. Der Prozess wird durch eine Reihe von Wasch- und Blockierungsschritten verbessert, um Spezifität und Klarheit bei der Kennzeichnung sicherzustellen.

Das Team nutzte die Lichtblattmikroskopie, um bestimmte Gehirnzellen zu erkennen und sichtbar zu machen. Diese Technik ermöglicht eine hochauflösende Bildgebung von Hirngewebe, das transparent verarbeitet wurde.

Durch den Einsatz spezifischer Antikörper und fortschrittlicher optischer Systeme können Forscher detaillierte dreidimensionale Bilder der neuronalen Aktivität im gesamten Gehirn erfassen.

Die Forscher nutzten automatisierte und manuelle Methoden, um die riesigen Datenmengen zu analysieren, die aus diesen Bildern generiert wurden. Sie entwickelten eine Software-Pipeline namens DELiVR, die VR und Deep Learning integriert, um die Annotation und Segmentierung von Gehirnzellen zu optimieren.

Dieses System ermöglicht eine schnelle und genaue Identifizierung von Zelltypen und Aktivitätsmustern und beschleunigt so den Datenanalyseprozess erheblich. Neben den technischen Fortschritten lag der Schwerpunkt der Studie auch auf der praktischen Anwendung dieser Methoden in der biomedizinischen Forschung.

Studienergebnisse

Das Team nutzte das SHANEL-Protokoll für die c-Fos-Immunfärbung des gesamten Gehirns, die Gewebereinigung und die Lichtblattfluoreszenzmikroskopie (LSFM), um das Deep-Learning-Modelltraining zu erleichtern.

Um diese komplexen Datensätze effektiv zu annotieren, wechselten sie von der traditionellen zweidimensionalen (2D) schichtweisen Annotation zu einem dynamischeren 3D-Ansatz mit VR. Dieser Wandel wurde durch den Einsatz kommerzieller VR-Software wie Arivis VisionVR und syGlass ermöglicht, die es Annotatoren ermöglicht, vollständig in die volumetrischen Daten einzutauchen.

Diese Tools reduzierten die Annotationszeit erheblich und verbesserten die Genauigkeit im Vergleich zu den herkömmlichen Methoden, die in ITK-SNAP verwendet wurden.

Der VR-Ansatz verbesserte den Trainingsprozess von Deep-Learning-Segmentierungsmodellen, indem er eine schnelle und präzise Annotation von Regionen von Interesse (ROIs) in drei Dimensionen ermöglichte.

Mithilfe von Arivis VisionVR könnten Annotatoren beispielsweise anhand ihrer Eingaben adaptive Schwellenwerte auf definierte ROIs anwenden, was den Annotationsprozess rationalisiert. Im Gegensatz dazu erforderte die herkömmliche 2D-Annotation die Segmentierung von c-Fos+-Zellen in jeder Bildebene, eine zeitaufwändigere und fehleranfälligere Methode.

Um diese annotierten Datensätze vollständig zu nutzen, entwickelte das Team DELiVR, eine umfassende Deep-Learning-Pipeline, die auf eine detaillierte Analyse der neuronalen Aktivität im gesamten Gehirn zugeschnitten ist.

DELiVR verwendet eine Reihe von Schritten zur Verarbeitung und Analyse von Gehirnbildern, angefangen beim Downsampling von Rohbildern bis hin zur Ausrichtung segmentierter Zellen mit dem Allen Brain Atlas mithilfe ausgefeilter Algorithmen wie mBrainAligner.

Die Pipeline erleichtert die Erkennung und Zuordnung von Zellen zu bestimmten Gehirnregionen und ermöglicht so ein besseres Verständnis der neuronalen Aktivität, das frühere Nicht-Deep-Learning-Modelle übertrifft.

Die Wirksamkeit von DELiVR wurde im Vergleich zu herkömmlichen Methoden validiert und zeigte eine erhebliche Verbesserung der Erkennungsgenauigkeit und -empfindlichkeit. Die Deep-Learning-Pipeline erhöhte die Anzahl der erkannten Zellen und verbesserte die Präzision dieser Erkennungen und übertraf damit etablierte Methoden wie ClearMap.

Zur Visualisierung erstellt DELiVR eine detaillierte Karte segmentierter Zellen und färbt jede Zelle entsprechend ihrer Gehirnregion ein, die mit Tools wie BrainRender weiter visualisiert werden kann.

Die Flexibilität von DELiVR erstreckt sich auch auf den Einsatz; Es ist in einem benutzerfreundlichen Docker-Container verpackt, der sowohl unter Linux als auch unter Windows ausgeführt werden kann.

Dieses Paket enthält ein spezielles Fiji-Plugin, das die Verwendung von DELiVR für Forscher mit unterschiedlichem technischem Fachwissen vereinfacht. Darüber hinaus ermöglicht das System ein erneutes Training auf verschiedenen Datensätzen und verbessert so seine Anpassungsfähigkeit und Präzision für verschiedene Forschungsanforderungen.

Darüber hinaus wurden die Fähigkeiten von DELiVR in einer Studie zu krebsbedingten Veränderungen der Gehirnaktivität demonstriert. Die Pipeline wurde verwendet, um neuronale Aktivitätsmuster zwischen Mäusen mit verschiedenen Krebsarten zu vergleichen und dabei signifikante Unterschiede in der Gehirnaktivität im Zusammenhang mit krebsbedingter Kachexie aufzudecken.

Schlussfolgerungen

Zusammenfassend stellte das Team DELiVR vor, eine VR-fähige Deep-Learning-Pipeline für die Kartierung ganzer Gehirnzellen bei Mäusen, die Biologen ohne Programmierkenntnisse über eine Fidschi-Schnittstelle zugänglich sein soll. DELiVR nutzt VR für präzise Trainingsanmerkungen, verbessert die Segmentierungsgenauigkeit und lässt sich problemlos in vorhandene Datensätze integrieren.

Herkömmliche Methoden wie ClearMap, die aufgrund von Rauschen häufig subtile Variationen übersehen, werden von DELiVRs 3D BasicUNet übertroffen.

Das Tool demonstrierte seine Wirksamkeit, indem es die Gehirnaktivierung bei krebskranken Mäusen profilierte und unterschiedliche neuronale Muster im Zusammenhang mit dem Gewichtsmanagement aufdeckte. DELiVR kombiniert hohe Genauigkeit bei der Zellkartierung mit benutzerfreundlichen Funktionen und treibt so die Untersuchung neurophysiologischer Phänomene im Krankheitskontext voran.

Quellen: