卵巢组织切片制备与成像
获取用于卵泡注释和机器学习训练的组织学图像。
卵巢组织固定、蔗糖处理、乙醇储存、石蜡包埋、切片（5 μm）、H&E染色，使用Olympus CX 33显微镜10×扫描。
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
通过机器学习识别灵长类卵巢中的卵泡
Follicle Identification in Primate Ovaries Via Machine Learning†
实验完整度
高包含组织学图像注释、CNN模型训练与验证、跨切片测试及统计相关性分析，涉及11只猴18张切片。
主要模型
食蟹猴卵巢组织学切片 恒河猴卵巢组织学切片 日本猕猴卵巢组织学切片
重点核对
总共7770个窦前卵泡通过标准化协议手动注释，注释经专家审查，纠正率<2% 使用ResNet34卷积神经网络进行迁移学习，图像块大小为200×200像素（138×138 μm），通过旋转、翻转、颜色变化和移位扩增数据集 类别权重按类别大小设置以处理阶段不平衡，学习率设为7.0×10-5，使用交叉熵损失函数 模型在测试集和验证集上的总体准确率分别为72.4%和75.3%，允许±1阶段容忍度时准确率>90% 卵巢组织固定于4%多聚甲醛24小时、4%蔗糖24小时，石蜡包埋，切片厚度5 μm，H&E染色
摘要
卵巢健康和衰老的研究依赖于对卵巢储备（即健康卵泡的数量）的估计。我们提出了一种机器学习流程，用于对非人灵长类组织学图像中的窦前卵泡进行分类。对来自11只猴子的卵巢组织进行固定、切片、染色和成像。使用标准化方案在18张组织学切片图像中手动注释了总共7770个窦前卵泡，注释由专家审查。使用迁移学习方法，我们重新训练了ResNet34卷积神经网络，将单个卵泡图像分类为六个发育阶段。该模型在训练期间达到了高准确率（>98%），在验证集和测试集上表现良好（分别为75.3%和72.4%），大多数错误局限于相邻阶段，表明网络学习了卵泡的隐式发育顺序。所有代码、注释数据集和训练模型均已公开，以支持重用和进一步探索。应用该模型确定卵泡数量将有助于灵长类动物乃至人类的研究。例如，它可用于确定药物或环境毒物对卵泡群体的影响，或用于生育力保存规划。重要的是，该模型将促进在转化动物模型中研究卵巢衰老和卵泡耗竭，并有助于开发干预措施以保护卵巢储备、延长生育力并延迟女性更年期。
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
- 如何利用机器学习自动分类非人灵长类卵巢组织学图像中的窦前卵泡发育阶段，以改进卵巢储备估计？
- 核心机制
- 基于迁移学习的ResNet34卷积神经网络能够学习卵泡发育的隐式有序序列，表现为大多数误分类发生在相邻阶段，且±1阶段预测准确率高。
- 主要证据
- 模型在训练集准确率>98%，测试集和验证集总体准确率72.4%和75.3%；对整个切片预测准确率90%；手动注释7770个窦前卵泡。
- 研究意义
- 该模型有助于研究灵长类（可能包括人类）的卵巢衰老、卵泡耗竭，评估药物或环境毒物对卵泡的影响，并支持生育力保存和延迟更年期的干预研究。
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。
手动注释创建训练数据
为机器学习提供带标签的卵泡阶段数据。
在QuPath软件中手动注释18张组织学图像中的窦前卵泡阶段，每张图像由两名注释者独立注释，然后通过Jupyter notebook解决分歧，专家审查。
机器学习模型训练与优化
训练卷积神经网络分类卵泡阶段。
基于ResNet34的迁移学习，使用200×200像素图像块，数据扩增，类别加权，训练多个epoch。
模型评估与性能分析
评估模型在测试和验证集上的分类准确性。
使用混淆矩阵计算精确度、召回率和F1分数，分析不同阶段和切片的准确率。
整个组织切片预测与验证
验证模型在整个组织切片上的预测能力。
对整个组织切片进行预测，使用像素跳跃预测每五个像素，评估准确率。
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 |
|---|---|---|---|
| 组织固定 | 蔗糖 | Sigma-Aldrich | -- |
| 组织储存 | 乙醇 | DeCon Labs, Inc. | -- |
| 组织成像 | Olympus CX 33显微镜 | Olympus | -- |
| cellSens软件 | Olympus | -- | |
| 手动注释 | QuPath | -- | -- |
| 统计分析 | JMP | JMP Statistical Discovery LLC | -- |
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 |
|---|---|
| 组织制备与成像 | 固定条件：4%多聚甲醛24小时，4°C；4%蔗糖24小时，4°C；70%乙醇储存最多1周，4°C；切片厚度5 μm；H&E染色；10×放大扫描。 阅读提示：参见Methods 'Histology images source'部分。 |
| 手动注释 | 注释协议：两名独立注释者，专家审查，纠正率<2%；注释阶段：六个窦前阶段；总注释卵泡数7770。 阅读提示：参见Methods 'Manual annotations to create training data'和Results 'Annotation results'部分及Supplemental Material Section S3、S4、S5。 |
| 机器学习训练 | 模型架构：ResNet34预训练于ImageNet；图像块大小200×200像素；数据扩增方法；类别加权；学习率7.0×10-5；损失函数交叉熵；训练epoch数。 阅读提示：参见Methods 'Machine learning approach'和Supplemental Material Section S6.3。 |
| 模型评估 | 评估数据集：测试集和验证集；评估指标：准确率、精确度、召回率、F1分数；总体准确率测试集72.4%，验证集75.3%；每阶段准确率。 阅读提示：参见Results 'Overall and per-class predictive performance'和Figure 6；Supplemental Material Section S7。 |
| 整个切片预测 | 预测方法：每五个像素预测一次；预测切片示例14736_UN_050a；总体准确率90%（排除negatives）。 阅读提示：参见Results 'Prediction on an entire tissue section'和Figure 8；Supplemental Material Section S8.1、S8.2。 |