组织学图像获取与预处理
获取用于训练和评估的H&E染色组织学图像，并消除骨髓区域伪影。
对兔类固醇相关ONFH模型的股骨头标本进行固定、脱钙、包埋、切片及H&E染色，使用数字显微镜在200倍放大下采集图像，并用ImageJ去除骨髓区域。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
应用深度学习量化股骨头坏死组织切片中的空骨陷窝
Applying deep learning to quantify empty lacunae in histologic sections of osteonecrosis of the femoral head
实验完整度
中包括组织学图像获取、手动计数验证、深度神经网络训练及与手动结果对比，但缺少体内或体外功能验证及独立样本验证。
主要模型
兔类固醇相关股骨头坏死模型 H&E染色股骨头组织切片
重点核对
模型：兔类固醇相关股骨头坏死模型 图像数量：135张H&E染色图像 训练集：27张图中随机选取的108个子图像用于训练，27个子图用于验证 图像预处理：灰度化、分割为1030×741像素的子块并锐化 训练框架：TensorFlow 1.15和TensorFlow Object Detection API，Inception ResNet V2特征提取器
摘要
股骨头坏死（ONFH）是一种因软骨下骨血供不足导致骨髓细胞死亡的疾病。脱钙组织学检查和空骨陷窝百分比的评估被用于量化ONFH的严重程度。然而，目前临床实践中手动计数细胞是一个繁琐且低效的过程。我们利用人工智能的力量，训练了一个已建立的深度卷积神经网络框架Faster-RCNN，自动分类并量化135张组织学图像中的骨细胞（健康和固缩）和空骨陷窝。训练后的细胞分类器与真实值之间的调整相关系数为R = 0.98。这项工作中详述的方法显著减少了ONFH组织学样本中细胞计数的手动工作，并可推广到其他图像量化领域。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用深度学习自动、准确地对股骨头坏死组织学图像中的骨细胞和空骨陷窝进行分类和计数，从而减少手动计数的工作量并提高效率？
- 核心机制
- Faster-RCNN深度学习框架能够学习H&E染色图像中骨细胞、固缩细胞和空骨陷窝的形态特征，从而实现自动分类与计数。
- 主要证据
- 在135张图像上，Faster-RCNN计数与手动计数高度相关（R=0.98），多类模型与二元模型的空骨陷窝百分比预测也高度相关（R=0.98）。
- 研究意义
- 该方法显著减少了ONFH组织学样本中细胞计数的手动时间和精力，并可推广到其他组织学或免疫组化图像分析领域，辅助研究人员和医生评估早期ONFH的治疗效果。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
手动计数验证
建立真实值，评估后续自动计数方法的准确性。
由两名独立研究人员随机选取部分图像进行手动计数，并对全部图像进行手动计数，建立三类标签（健康骨细胞、固缩细胞、空骨陷窝）的真实值。
开发MATLAB多细胞计数算法
尝试用传统图像处理方法自动计数骨细胞和空骨陷窝，并与手动计数比较。
在MATLAB中分割H、S、V通道，通过边缘检测、填充、高斯滤波去噪，识别并计数特征，输出结果。
Faster-RCNN模型训练与验证
训练深度卷积神经网络模型用于自动分类和计数细胞。
使用手动计数验证的相同子集图像训练Faster-RCNN模型，包括图像预处理、标注、训练、推理，并评估模型性能。
模型性能评估与比较
评估Faster-RCNN、MATLAB算法与手动计数的相关性，并比较二元与多类模型。
计算模型计数与手动计数的相关系数、相对误差，并比较二元和多类模型在空骨陷窝百分比上的预测。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 组织学图像获取 | BZ-X-710数字显微镜 | Keyence | -- |
| 图像预处理 | ImageJ软件 | -- | -- |
| 图像预处理与分割 | MATLAB图像处理工具箱 | MathWorks | -- |
| 深度学习框架 | TensorFlow | -- | -- |
| TensorFlow对象检测API | -- | -- | |
| 图像标注 | LabelImg标注工具 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 组织学图像获取 | 动物模型：兔类固醇相关ONFH模型；固定液：4%多聚甲醛；脱钙液：0.5M EDTA；切片厚度：8 μm；染色：H&E；成像设备：BZ-X-710显微镜，200倍放大；图像数量：135张 阅读提示：Materials and Methods 2.1节 |
| 手动计数验证 | 计数人数：2名；计数工具：ImageJ；是否盲法：是；标签类别：健康骨细胞、固缩细胞、空骨陷窝；真实值建立：3名评估者决策树 阅读提示：Materials and Methods 2.2节 |
| MATLAB算法开发 | 图像处理流程：HSV分割、边缘检测、填充、高斯滤波；阈值设定方法：手动画取 阅读提示：Materials and Methods 2.3节 |
| Faster-RCNN模型训练 | 训练数据来源：27张图像的135个子图像；训练/验证集划分：108/27；框架：TensorFlow 1.15；特征提取器：Inception ResNet V2；类别数：二元和三元；学习率：0.002；训练停止条件：损失<0.05 阅读提示：Materials and Methods 2.4节 |
| 模型性能评估 | 评估指标：相关系数R和调整R平方；与手动计数比较：空骨陷窝百分比；多类模型与二元模型比较：空骨陷窝百分比 阅读提示：Results 3.3和3.4节 |