基于曲率的机器学习方法，用于自动分割树突棘

《Biophysical Journal》：Curvature-based machine learning method for automated segmentation of dendritic spines

　　

阿卜杜勒·卡德尔·A·赫拉尔多（Abdel Kader A. Geraldo）| 迈克尔·A·奇里洛（Michael A. Chirillo）| 克里斯滕·M·哈里斯（Kristen M. Harris）| 托马斯·G·法伊（Thomas G. Fai）

摘要

近年来，连接组学（connectomics）的进展主要得益于利用电子显微镜（EM）对大量神经组织进行高分辨率重建，这为大脑的结构和功能提供了前所未有的见解。树突棘（dendritic spines）是神经元树突上的动态突起，在突触可塑性（synaptic plasticity）中起着关键作用，影响着学习、记忆以及多种神经系统疾病。然而，目前的树突棘分析方法通常依赖于对亚细胞特征的手动标注，这限制了它们处理密集树突网络中复杂树突棘的能力。本文介绍了一种新颖的自动化计算框架，该框架结合了离散微分几何、机器学习和3D图像处理技术，用于分析这些复杂环境中的树突棘。通过从包含数千个树突棘的高分辨率图像中生成树突棘形态的分布，我们的方法能够捕捉到树突棘形状的细微变化，从而更深入地理解它们在突触功能中的作用。该框架已在多个电子显微镜数据集上进行了测试，旨在加深我们对突触可塑性及其在疾病状态下变化的理解。所提出的方法有望通过提供一种可扩展、客观且全面的树突棘分析解决方案来加速神经科学研究，揭示树突棘几何结构对神经功能的影响。