Floresan mikroskop görüntülerinde miyelin segmentasyonu

Abstract

Aksonların etrafına sarılmış¸ miyelin kılıf, hızlı bir şekilde sinyal iletimini sağlar ve deformasyonu, Multipl Skleroz (MS) gibi çeşitli nörodejeneratif hastalıklara neden olur. Aday ilaç geliştirilmesi için, miyelinizasyonun miktarının belirlenebiliyor olması gerekmektedir. Miyelin nicelleştirilmesi, genellikle konfokal mikroskoplar tarafından elde edilen mikroskopik floresan görüntülerinde bir uzman tarafından miyelin etiketleme temeline dayanan ve yoğun emek gerektiren bir iştir. Bu çalışmada, floresan mikroskopi görüntülerinde anlamsal bölütlemeye dayalı bir otomatik miyelin belirleme yöntemi geliştirilmiştir. Üç kanallı ve üç boyutlu olarak mikroskoptan alınan, fare kök hücresinden türetilmiş¸ nöron ve oligodendrosit ortak kültürlerinin görüntüleri bir uzman tarafından etiketlenmiştir. Alınan görüntüler e˘gitim için yamalara ayrılmıs¸ ve etiketlerden de her yamanın karşılığı elde edilmiştir. Miyelin içeren ve içermeyen bögeleri tanımlamak üzere eğitim işlemi için 11552 yamadan olus¸an bir veri kümesi kullanılmıştır. Veri kümesinde çeşitli öğrenme algoritmaları kullanılarak anlamsal bölütleme tekniğinin miyelin tespit performansları değerlendirilmiştir. En yüksek doğruluk değeri olan yüzde 97.32, grup boyutu 8 ve devir sayısı 250 iken “RMSprop” öğrenme algoritması ile elde edilmiştir. Sonuçlarımız, önerilen otomatik segmentasyon yaklaşımının miyelin tespiti için uygun olduğunu göstermektedir. Burada açıklanan miyelin segmentasyon yaklaşımı, remiyelinizasyon ilaç taramalarının bir parçası haline gelecek potansiyele sahiptir.

Myelin sheath, wrapped around axons, allows rapid neural signal transmission, and degeneration of myelin causes various neurodegenerative diseases, such as, Multiple Sclerosis (MS). For candidate drug discovery, it is essential to quantify myelin. This requires tedious expert labor comprising myelin labelling on microscopic fluorescence images, usually acquired by confocal microscopes. In this study, semantic segmentation based automatic myelin segmentation on fluorescence microscopy images was introduced. Three-channel and three-dimensional fluorescence images of mouse stem cell derived neuron and oligodendrocyte co-cultures were labeled by an expert. The images were divided into patches for training and the labels corresponded to each patch were acquired. A data set of 11552 patches was used for training to identify myelin and non-myelin regions. In the data set, myelin detection performances of semantic segmentation technique were evaluated using 3 different learning algorithms. The highest accuracy value of 97.32 percent was achieved by using 'RMSprop' learning algorithm with a group size of 8 and after 250 epochs. Results suggested that the proposed myelin segmentation method was suitable for detecting myelin. Thus, the outlined myelin segmentation method has the potential to be incorporated into remyelination drug screens.