A simple and robust method for automating analysis of naïve and regenerating peripheral nerves
Notice bibliographique
Résumé
Abstract Background Manual axon histomorphometry (AH) is time- and resource-intensive, which has inspired many attempts at automation. However, there has been little investigation on implementation of automated programs for widespread use. Ideally such a program should be able to perform AH across imaging modalities and nerve states. AxonDeepSeg (ADS) is an open source deep learning program that has previously been validated in electron microscopy. We evaluated the robustness of ADS for peripheral nerve axonal histomorphometry in light micrographs prepared using two different methods. Methods Axon histomorphometry using ADS and manual analysis (gold-standard) was performed on light micrographs of naïve or regenerating rat median nerve cross-sections prepared with either toluidine-resin or osmium-paraffin embedding protocols. The parameters of interest included axon count, axon diameter, myelin thickness, and g-ratio. Results Manual and automatic ADS axon counts demonstrated good agreement in naïve nerves and moderate agreement on regenerating nerves. There were small but consistent differences in measured axon diameter, myelin thickness and g-ratio; however, absolute differences were small. Both methods appropriately identified differences between naïve and regenerating nerves. ADS was faster than manual axon analysis. Conclusions Without any algorithm retraining, ADS was able to appropriately identify critical differences between naïve and regenerating nerves and work with different sample preparation methods of peripheral nerve light micrographs. While there were differences between absolute values between manual and ADS, ADS performed consistently and required much less time. ADS is an accessible and robust tool for AH that can provide consistent analysis across protocols and nerve states.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».