沙丁:一种基于神经网络的睾丸部分自动分类方法,可用于小鼠突变体的高吞吐量组织病理学

动机: 哺乳动物睾丸是一个复杂的器官,它的细胞结构在正常成年人中变化平稳,周期性。虽然睾丸组织学已经是鉴定和描述进化和疾病的发育差异的宝贵工具,但需要对睾丸进行标准化的数字图像分析,以扩大这一方法的效用。

结果: 我们开发了SATINN(用神经网络分析睾丸图像的软件),这是一个多层次的框架,用于自动分析来自小鼠睾丸的多路免疫荧光图像。该方法利用剩余学习训练卷绕神经网络(CNNS),将生精小管细胞核分类为七个不同的细胞类型,准确率为81.7%。然后,这些细胞分类应用于二级小管CNN,将生精小管分为12个不同的小管阶段之一,直接准确率为57.3%,在ns内为94.9%。我们进一步描述了许多细胞和管状水平的统计数据,可以从野生类型的睾丸。最后,我们展示了如何利用分类器和派生统计数据来快速而准确地描述病理学,将我们的方法应用于来自两个突变小鼠的图像数据。我们的研究结果证明了在睾丸组织学中使用计算机辅助分析的可行性和潜力,睾丸组织学是一个在新兴的、空间解析的基因组和蛋白质组技术的支持下快速发展的领域。