利用X射線顯微斷層掃描技術對蜥蜴腦部進行虛擬組織學研究操作流程
Zhou, Tunhe, Yulia Dragunova, and Zegni Triki. “Brain Virtual Histology of a Lizard Species (Podarcis Bocagei) Using X-Ray Micro-Tomography and Deep-Learning Segmentation.” bioRxiv, July 6, 2024. https://doi.org/10.1101/2024.07.05.602071.
本文旨在展示如何利用X射線顯微斷層掃描技術（microCT）和深度學習分割，對蜥蜴（Podarcis bocagei）的腦部進行虛擬組織學研究，并提供一個詳細的操作流程。
01 研究背景
02 Dragonfly軟件的使用
(a) The images are aligned and cropped to keep the brain for fast segmentation. (b,c) Demonstration of manual segmentation.
3D rendering of the X-ray microCT images showing the external and internal of the head, and the main parts of the brain. The brain regions are: the olfactory bulb (green), telencephalon (purple), diencephalon (red), midbrain (blue), cerebellum (yellow) and brainstem (pink).
03 研究方法
1. 樣本準備： 對蜥蜴頭部樣本進行磷鎢酸（PTA）染色，增強組織對比度。
2. X射線microCT掃描： 使用蔡司Xradia Versa 520掃描儀對樣本進行掃描，獲取高分辨率的3D圖像。
3. 半手動分割訓練集： 在Dragonfly中手動分割部分切片，然后使用Biomedisa軟件進行隨機游走插值，最后手動檢查和修正。
4. 深度學習分割： 比較了Biomedisa和AIMOS兩種深度學習算法，使用訓練好的模型對剩余數據進行自動分割。
5. 分割評估： 使用平均dice score（DSC）和腦區體積平均相對誤差（RE）評估分割精度。
04研究結果
結論
Dragonfly軟件在本研究中主要用于圖像預處理（對齊和裁剪）、手動分割訓練集的創建，以及3D模型重建和可視化等方面，為后續的深度學習分割和分析提供了基礎。
本文旨在展示如何利用X射線顯微斷層掃描技術（microCT）和深度學習分割，對蜥蜴（Podarcis bocagei）的腦部進行虛擬組織學研究，并提供一個詳細的操作流程。
01 研究背景
- 傳統的組織學方法耗時且對組織具有破壞性，而microCT可以提供高分辨率的3D圖像，實現任意方向的虛擬組織學切片，減少了對樣本的破壞和所需動物數量。
- 雖然磁共振成像（MRI）也被用于腦部研究，但microCT在骨骼和肌肉組織方面具有更高的對比度和分辨率，能提供更全面的頭部解剖細節。
- 深度學習分割在醫學影像領域發展迅速，但野生動物研究通常樣本量較小。本研究旨在證明深度學習分割在小樣本量下的有效性。
02 Dragonfly軟件的使用
- 圖像對齊與裁剪： 由于樣本放置方向不一致，作者使用Dragonfly軟件對圖像進行對齊和裁剪，確保腦部區域一致，方便后續分析和深度學習訓練。
- 手動分割訓練集： 作者在Dragonfly中手動分割了約20-30個切片，作為深度學習模型的訓練集。
- 3D模型重建與可視化： 作者使用Dragonfly將microCT圖像重建為3D模型，并對分割后的腦區進行可視化展示。
3D rendering of the X-ray microCT images showing the external and internal of the head, and the main parts of the brain. The brain regions are: the olfactory bulb (green), telencephalon (purple), diencephalon (red), midbrain (blue), cerebellum (yellow) and brainstem (pink).
03 研究方法
1. 樣本準備： 對蜥蜴頭部樣本進行磷鎢酸（PTA）染色，增強組織對比度。
2. X射線microCT掃描： 使用蔡司Xradia Versa 520掃描儀對樣本進行掃描，獲取高分辨率的3D圖像。
3. 半手動分割訓練集： 在Dragonfly中手動分割部分切片，然后使用Biomedisa軟件進行隨機游走插值，最后手動檢查和修正。
4. 深度學習分割： 比較了Biomedisa和AIMOS兩種深度學習算法，使用訓練好的模型對剩余數據進行自動分割。
5. 分割評估： 使用平均dice score（DSC）和腦區體積平均相對誤差（RE）評估分割精度。
04研究結果
- 成功分割出29個樣本的六個主要腦區：嗅球、端腦、間腦、中腦、小腦和腦干。
- 兩種深度學習算法均只需5個訓練集即可達到較高的分割精度（DSC>0.94），且與手動分割的體積測量差異約為4%。
- 不同切片方向（冠狀面、矢狀面和水平面）對分割精度無顯著影響。
結論
- 本研究提供了一種高效、準確的蜥蜴腦部3D成像和體積測量方法。
- microCT結合深度學習分割，特別適用于樣本量較小的野生動物研究。
- 該方法在生態學、進化生物學等領域具有廣泛應用前景，并益于對頭部其他解剖細節感興趣的研究，以及計算機科學家開發更高效的算法。
Dragonfly軟件在本研究中主要用于圖像預處理（對齊和裁剪）、手動分割訓練集的創建，以及3D模型重建和可視化等方面，為后續的深度學習分割和分析提供了基礎。
Copyright(C) 1998-2025 生物器材網 電話：021-64166852;13621656896 E-mail：info@bio-equip.com