[论文解读] Self-supervised Learning for Segmentation and Quantification of Dopamine Neurons in Parkinson's Disease

Fatemeh Haghighi, Soumitra Ghosh+6 more|arXiv (Cornell University)|Jan 11, 2023

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本文提出了一种自监督深度学习框架，用于帕金森病小鼠模型中多巴胺能神经元的自动分割与定量分析，通过在自然图像和病理图像之间进行跨域预训练，克服了标注数据有限的挑战。该方法实现了高精度的神经元计数及单个细胞表征，包括酪氨酸羟化酶（TH）强度，从而实现无偏见、高通量的分析，对临床前药物疗效研究至关重要。

ABSTRACT

Parkinson's Disease (PD) is the second most common neurodegenerative disease in humans. PD is characterized by the gradual loss of dopaminergic neurons in the Substantia Nigra (SN). Counting the number of dopaminergic neurons in the SN is one of the most important indexes in evaluating drug efficacy in PD animal models. Currently, analyzing and quantifying dopaminergic neurons is conducted manually by experts through analysis of digital pathology images which is laborious, time-consuming, and highly subjective. As such, a reliable and unbiased automated system is demanded for the quantification of dopaminergic neurons in digital pathology images. Recent years have seen a surge in adopting deep learning solutions in medical image processing. However, developing high-performing deep learning models hinges on the availability of large-scale, high-quality annotated data, which can be expensive to acquire, especially in applications like digital pathology image analysis. To this end, we propose an end-to-end deep learning framework based on self-supervised learning for the segmentation and quantification of dopaminergic neurons in PD animal models. To the best of our knowledge, this is the first deep learning model that detects the cell body of dopaminergic neurons, counts the number of dopaminergic neurons, and provides characteristics of individual dopaminergic neurons as a numerical output. Extensive experiments demonstrate the effectiveness of our model in quantifying neurons with high precision, which can provide a faster turnaround for drug efficacy studies, better understanding of dopaminergic neuronal health status, and unbiased results in PD pre-clinical research. As part of our contributions, we also provide the first publicly available dataset of histology digital images along with expert annotations for the segmentation of TH-positive DA neuronal soma.

研究动机与目标

• 为解决帕金森病临床前研究中缺乏可靠、自动化的多巴胺能神经元定量方法的问题。
• 克服在数字病理学中训练深度学习模型时标注组织学数据有限的挑战。
• 开发一种不仅能计数多巴胺能神经元，还能提取单个细胞特征（如TH强度）以评估神经元健康状态的模型。
• 实现动物模型中帕金森病药物疗效分析的更快、更客观、更可扩展的分析方法。
• 建立首个公开可用的小鼠脑切片中TH阳性多巴胺能神经元胞体标注数据集。

提出的方法

• 利用大规模未标注自然图像和领域内病理图像进行跨域自监督学习预训练，以学习稳健的特征表示。
• 仅使用有限的标注数据对自监督主干网络进行微调，以完成多巴胺能神经元分割的特定任务。
• 采用U-Net架构作为分割头，因其在医学图像分割任务中表现优异。
• 应用全面的数据增强策略，包括翻转（Flip）、旋转（Rotation）、RGB偏移（RGBShift）、模糊（Blur）、高斯噪声（GaussianNoise）和随机大小裁剪（RandomResizedCrop），以提升泛化能力。
• 引入一种实用的计数流程，从分割掩膜中识别并计数单个神经元胞体。
• 利用分割后神经元胞体内TH强度作为评估多巴胺能神经元健康状态的定量生物标志物。

实验结果

研究问题

• RQ1 在标注数据有限的情况下，对多样化图像领域进行自监督预训练是否能提升多巴胺能神经元分割的准确性？
• RQ2 所提出的自监督框架在性能上与随机初始化、ImageNet监督微调以及领域特定自监督预训练相比如何？
• RQ3 该模型在多大程度上能从单个神经元中提取具有生物学意义的特征（如TH强度）？
• RQ4 该模型是否能在细胞重叠和染色不一致的复杂组织学图像中实现高精度的神经元计数与分割？
• RQ5 该模型在不同动物研究队列和独立验证集上是否具备良好的泛化能力？

主要发现

• 所提出的自监督框架在分割准确性上优于从零开始训练、微调ImageNet监督模型以及领域特定自监督预训练的方法。
• 包括RGBShift、Blur和GaussianNoise在内的数据增强技术组合显著提升了模型的泛化能力和性能。
• RandomResizedCrop对性能有积极贡献，而弹性变换则产生负面影响，表明模型对数据增强设计较为敏感。
• 与DeepLabV3+相比，U-Net架构在神经元分割任务中表现出更优的分割性能。
• 该模型实现了高精度的多巴胺能神经元计数，使得分析速度和客观性均优于人工方法。
• 该模型成功提取了TH强度作为神经元健康状态的定量指标，为疾病进展和药物反应提供了深入见解。