- 5 次围观
创伤性脑损伤（traumatic brain injury, TBI）可引发广泛的生物标志物激活，包括星形胶质细胞标志物胶质纤维酸性蛋白（glial fibrillary acidic protein, GFAP）以及小胶质细胞标志物离子化钙结合接头分子1（ionized calcium-binding adapter molecule 1, IBA1）。对这些生物标志物进行定量和分析对于理解损伤影响至关重要；然而，现有方法劳动密集且耗时。在本研究中，我们提出了一种自动化深度学习框架，利用GFAP和IBA1免疫荧光图像进行双生物标志物分割与TBI分类。我们训练了4种U-Net变体用于分割：基线U-Net、嵌套U-Net（U-Net++）、注意力U-Net（MANet）和残差U-Net（LinkNet）。我们还训练了3种分类模型，即ResNet50、Swin-T和MaxViT，以在单生物标志物和双生物标志物条件下区分TBI图像与对照图像。基线U-Net在GFAP分割中取得了最高的Dice评分（0.9259），而U-Net++在IBA1分割中取得了最高的Dice评分（0.9676）。与QuPath替代方法相比，训练得到的分割模型表现出显著更优的性能。尽管仅使用GFAP即可支持较高的分类准确率，但仅使用IBA1的效果较差。GFAP与IBA1的多模态融合显著提高了所有模型的分类性能，其中Swin_T取得了最高的总体准确率（0.9489），而ResNet50取得了最高的F1评分（0.9499）。这些发现表明，整合互补性生物标志物能够增强TBI的自动化分类能力，且深度学习为免疫荧光脑损伤成像分析提供了比人工分析更为稳健的替代方案。该框架可扩展至更多生物标志物和损伤模型，为加速生物标志物研究提供了一种可复现的方法。
创伤性脑损伤中生物标志物分割与分类的深度学习框架 | bioRxiv
跳转至主要内容 首页 关于 提交 提醒 / RSS 搜索此关键词 高级搜索 最新结果
创伤性脑损伤中生物标志物分割与分类的深度学习框架
Rohan Dash， Karthick Mayilsamy， Ryan Green， Yu Sun， Shyam Mohapatra， Subhra Mohapatra
doi： https://doi.org/10.64898/2026.07.09.737265
Rohan Dash 南佛罗里达大学 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC-ND 4.0 国际许可协议提供。
返回顶部 上一篇 下一篇
发表于 2026年7月15日。 下载 PDF 电子邮件
感谢您帮助传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送至 * 可将多个地址分行输入，或用逗号分隔。
您将要发送以下内容的电子邮件 创伤性脑损伤中生物标志物分割与分类的深度学习框架
消息主题 （您的姓名）已从 bioRxiv 转发一个页面给您
消息正文 （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问者，并防止自动垃圾信息提交。
分享
创伤性脑损伤中生物标志物分割与分类的深度学习框架
Rohan Dash， Karthick Mayilsamy， Ryan Green， Yu Sun， Shyam Mohapatra， Subhra Mohapatra
bioRxiv 2026.07.09.737265； doi： https://doi.org/10.64898/2026.07.09.737265
分享本文： 复制
引文工具
创伤性脑损伤中生物标志物分割与分类的深度学习框架
Rohan Dash， Karthick Mayilsamy， Ryan Green， Yu Sun， Shyam Mohapatra， Subhra Mohapatra
bioRxiv 2026.07.09.737265； doi： https://doi.org/10.64898/2026.07.09.737265
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.09.737265v1?rss=1
🏷️ 创伤性脑损伤 生物标志物 免疫荧光图像 深度学习 图像分割 多模态分类