本文需要订阅来查看全文。如果您有订阅,您可以使用下面的登录表来查看文章。也可以购买访问本文。
视觉文摘
摘要
背景肾病理分析在动物模型实验中提供了重要的结果相关数据,这对于理解肾脏疾病的病理生理学是至关重要的。精准医疗增加了对定量、无偏、可重复性和高效组织病理学分析的需求,这将需要新的高通量工具。深度学习技术,卷积神经网络,由于其在组织分割等任务中的高性能,越来越多地应用于病理学。
方法我们调查了卷积神经网络架构,从健康小鼠和五只小鼠疾病模型中和临床前研究中使用的其他物种进行卷积神经网络架构的用途。我们培训了卷积神经网络以分割六个主要肾脏结构:肾小球簇,肾小球,包括鲍曼的胶囊,小管,动脉,动脉胶质和静脉。为了实现高精度,我们执行了大量基于专家的注释,总共72,722。
结果在所有疾病模型中,多类分割性能都非常高。卷积神经网络允许对各种模型进行高吞吐量和大规模、定量和比较分析。在疾病模型中,计算特征提取显示间质扩张,肾小管扩张和萎缩,肾小球大小变异性。验证表明,研究结果与当前标准形态计量分析具有高度相关性。卷积神经网络在其他用于研究的物种(包括老鼠、猪、熊和狨猴)以及人类身上也表现出了很高的性能,为临床前和临床研究之间的转换提供了桥梁。
结论我们开发了一种深度学习算法,用于对来自不同物种和肾脏疾病模型的周期性酸-希夫染色肾脏数字整片图像进行精确的多类分割。这使得可以在临床前模型中进行可重复的定量组织病理学分析,也可能适用于临床研究。
- 版权所有©2021由美国肾脏学会万博体育max3
如果你是:
- 如果是ASN成员,选择“ASN成员”登录按钮。
- 个人订户,以你的用户名及密码登入。
- 一个机构用户,选择机构选项,在其中您将呈现有Shibboleth联合列表。如果您没有看到您的联合会,请联系publications@asn-online.org。
ASN成员登录
使用您的用户名和密码登录
通过您的机构登录
您可以使用您的机构使用您的登录凭据来访问访问权限。如果您没有用户名和密码,请联系您的库。
购买访问
每篇文章付款 - 您可以访问本文(从您目前使用的计算机)为32.00美元的1天