- 6 次围观
创伤性脑损伤会导致广泛的轴突损伤，这种损伤可通过淀粉样前体蛋白（APP）免疫组织化学进行组织学评估；该方法能够以细胞分辨率标记受损轴突轮廓[1, 2]。然而，APP病理的定量分析仍然是一个主要瓶颈：标注过程依赖人工，耗时较长，空间范围局限，并且不同评定者之间存在差异，从而限制了其可扩展性和可重复性。这一局限性在将组织学作为神经影像学或其他组织水平测量参照的研究中尤为重要，因为这类研究需要以可与影像异常对齐的空间形式对细胞水平的APP病理进行定量。在此，我们介绍PIGMENT，这是一种标注高效的深度学习框架，用于对猪白质组织学中的APP阳性病理进行自动分割与定量。PIGMENT采用紧凑型SegFormer-B0架构，基于来自3头猪的4张APP染色切片中的525个由专家标注的512 × 512像素图块进行训练。由于APP阳性轮廓呈现稀疏、碎片化、染色可变以及形态多样等特征，PIGMENT将有限的专家标注与针对APP的增强策略相结合，以模拟APP阳性信号在强度、大小、连续性、碎片化程度及局部组织背景方面的变化。我们采用实例级检出率对PIGMENT进行评估，该指标用于衡量离散的APP阳性成分是否被成功定位。在留出的APP染色数据上，PIGMENT实现了0.86的平均实例级检出率。在所测试的各类配置中，包含来自不同动物切片的训练集取得了最高的平均检出率，这表明在标注有限的条件下，标注多样性可能是一个重要因素。通过将有限但高置信度的专家标注扩展为整张切片尺度的APP负荷图谱，PIGMENT为表征创伤性轴突损伤的程度及其空间分布提供了一个可扩展的框架。这些图谱有望支持未来将组织学损伤负荷与影像衍生测量进行对齐的研究。
搜索该作者于本网站
摘要
信息/历史
指标
预览 PDF
摘要
创伤性脑损伤会造成广泛的轴突损伤，这种损伤可通过淀粉样前体蛋白（APP）免疫组织化学进行组织学评估；该方法能够以细胞分辨率标记受损轴突轮廓[1, 2]。然而，APP 病理的定量仍然是一个主要瓶颈：标注依赖人工，耗时较长，空间定位有限，且不同评定者之间存在差异，从而限制了其可扩展性和可重复性。这一限制在将组织学作为神经影像学或其他组织层面测量参照的研究中尤为重要，因为此类研究需要以能够与影像异常对齐的空间形式对细胞层面的 APP 病理进行定量。
在此，我们介绍 PIGMENT，这是一种标注高效的深度学习框架，用于猪白质组织学中 APP 阳性病理的自动分割与定量。PIGMENT 采用紧凑型 SegFormer-B0 架构，在来自 3 头猪的 4 张 APP 染色切片上的 525 个由专家标注的 512 × 512 像素图块上进行训练。由于 APP 阳性轮廓稀疏、碎片化、染色可变且形态多样，PIGMENT 将有限的专家标注与 APP 特异性数据增强相结合，以模拟 APP 阳性信号在强度、大小、连续性、碎片化程度及局部组织背景方面的变化。
我们采用实例级检出率对 PIGMENT 进行评估，该指标衡量是否能够定位离散的 APP 阳性成分。在留出的 APP 染色数据上，PIGMENT 达到了 0.86 的平均实例级检出率。在所测试的各类配置中，包含来自不同动物切片的训练集取得了最高的平均检出率，这提示在标注有限的条件下，标注多样性可能是一个重要因素。
通过将有限但高置信度的专家标注扩展为整张切片的 APP 负荷图谱，PIGMENT 为表征创伤性轴突损伤的范围及其空间分布提供了一个可扩展框架。这些图谱可为未来将组织学损伤负荷与影像学衍生测量进行对齐的研究提供支持。
利益冲突声明
已声明的资助信息
美国国立卫生研究院（National Institutes of Health）下属国家神经疾病与卒中研究所（NINDS） ，R01NS123034
美国国立卫生研究院（National Institutes of Health）下属国家癌症研究所（NCI） ，R01CA278819
美国国防部（DoD） ，W81XWH20-1-0838 ，W81XWH-20-1-0901 ，HT9425-23-1-1039
版权
本预印本的。
本作品依据 CC-BY 4.0 国际许可协议 进行发布。
返回顶部
上一项
下一项
发布于 2026 年 6 月 23 日。
下载 PDF
电子邮件
感谢您有兴趣传播 bioRxiv 的内容。
您的电子邮件
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或以逗号分隔。
您将要发送以下内容的电子邮件
PIGMENT：用于猪免疫组织化学分割的深度学习框架
邮件主题
（您的姓名）已从 bioRxiv 向您转发一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动化垃圾信息提交。
分享
PIGMENT：用于猪免疫组织化学分割的深度学习框架
Pushkar Ambastha ， Javid Dadashkarimi ， Sai Krishna C Annavazala ， Drew Parker ， Ramon Diaz-Arrastia ， Hailong Song ， Douglas H. Smith ， Jean-Pierre Dolle ， Victoria E. Johnson ， John A. Wolf ， Ragini Verma
bioRxiv 2026.06.18.733245； doi： https://doi.org/10.64898/2026.06.18.733245
分享本文：
复制
引文工具
PIGMENT：用于猪免疫组织化学分割的深度学习框架
Pushkar Ambastha ， Javid Dadashkarimi ， Sai Krishna C Annavazala ， Drew Parker ， Ramon Diaz-Arrastia ， Hailong Song ， Douglas H. Smith ， Jean-Pierre Dolle ， Victoria E. Johnson ， John A. Wolf ， Ragini Verma
bioRxiv 2026.06.18.733245； doi： https://doi.org/10.64898/2026.06.18.733245
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.18.733245v1?rss=1
🏷️ 免疫组织化学 深度学习分割 创伤性脑损伤 轴突损伤 猪模型 APP病理