阿茲海默癥（Alzheimer's disease）被視為造成失智最常見的原因，以深度學(xué)習(xí)和基於MATLAB影像處理應(yīng)用的Spine Tool，可以協(xié)助將計(jì)算流程自動(dòng)化，進(jìn)而評(píng)估阿茲海默癥治療標(biāo)的。

阿茲海默癥（Alzheimer's disease；AD）被認(rèn)為是造成失智最常見的原因，其特徵為類澱粉蛋白斑塊（amyloid plaques）的堆積而導(dǎo)致腦部的變化。根據(jù)研究顯示，這些堅(jiān)硬、無(wú)法溶解的beta類澱粉蛋白質(zhì)堆積物與樹突棘（dendritic spines）的流失有密切關(guān)聯(lián)。樹突棘為神經(jīng)元樹突上的微米大小突起，負(fù)責(zé)接收其他神經(jīng)元的輸入。這些研究促使Genentech和其他阿茲海默癥研究人員來(lái)臨床評(píng)估可以在類澱粉蛋白斑塊出現(xiàn)時(shí)減少棘突流失（spine loss）的化合物。

為了界定棘突流失，我們檢查老鼠腦部組織的顯微影像，計(jì)算樹突上個(gè)別的棘突數(shù)目，並且計(jì)算棘突密度（舉例來(lái)說，每100微米的樹突上的棘突數(shù)目）。此過程若是以人工執(zhí)行，需要耗費(fèi)極大的勞力。

在大約10年前，我們的團(tuán)隊(duì)開發(fā)了Spine Tool，它是一個(gè)MATLAB影像處理應(yīng)用程式，可以協(xié)助將棘突的辨識(shí)和棘突密度的計(jì)算流程自動(dòng)化（圖1）。雖然原始版本的Spine Tool已經(jīng)適用於試管（vitro）樣本，但是遇到像是影像品質(zhì)較低的情況，在活體（ex vivo）腦部樣本仍會(huì)產(chǎn)生大量的偽陽(yáng)性和偽陰性。

圖1 : 基於MATLAB的Spine Tool，用來(lái)將樹突棘的偵測(cè)、註記和分析自動(dòng)化。

為了改善Spine Tool的準(zhǔn)確性，我們與MathWorks顧問團(tuán)隊(duì)合作，在這項(xiàng)工具加入深度學(xué)習(xí)（deep learning）。我們使用一組包含了超過9,000張已以原始Spine Tool標(biāo)記的圖片資料集，用來(lái)訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)路（convolutional neural network；CNN），經(jīng)過訓(xùn)練的CNN可以將棘突流失極小化的治療法的評(píng)估流程更進(jìn)一步地自動(dòng)化。

棘突密度基礎(chǔ)

為了研究的進(jìn)行，我們使用正常老鼠（wild-type或WT mice）和往往會(huì)發(fā)展成為類澱粉斑塊、有beta類澱粉蛋白表現(xiàn)的老鼠（PS2APP mice）。使用老鼠腦部組織顯微切片的數(shù)位影像，沿著出現(xiàn)和未出現(xiàn)可見斑塊的個(gè)別樹突將棘突辨識(shí)出來(lái)，並計(jì)算數(shù)量。

如圖2所示，出現(xiàn)在PS2APP老鼠的斑塊可對(duì)應(yīng)附近棘突數(shù)量明顯減少。這項(xiàng)特定的研究還包含第三組老鼠，牠們的補(bǔ)體3基因（complement 3 gene，C3KO）被移除；而這些老鼠的棘突流失明顯減少[1]。

圖2 : 老鼠身上帶有棘突的樹突。由左至右：正常老鼠（WT）、C3基因（C3KO）不全的老鼠、PS2APP老鼠（有遠(yuǎn)離和靠近斑塊的樹突）、以及PS2APP與C3KO老鼠（有遠(yuǎn)離和靠近斑塊的樹突）。Adapted from [1]。

我們彙整來(lái)自幾百個(gè)樣本的棘突密度來(lái)製作一張可以用來(lái)比較不同老鼠基因型之間密度差異的長(zhǎng)條圖（圖3），從圖中可看出，在統(tǒng)計(jì)上C3KO老鼠的斑塊附近棘突密度顯著降低，棘突密度的恢復(fù)顯著。根據(jù)這些研究結(jié)果，降低補(bǔ)體的活性有可能是一種有效的治療策略。

圖3 : 圖表呈現(xiàn)各種基因型的平均棘突密度。Adapted from [1]。

傳統(tǒng)影像處理與深度學(xué)習(xí)的結(jié)合

較早期版本的Spine Tool是透過邊界偵測(cè)（threshold detection）、分割（segmentation）、和形態(tài)（morphological）影像處理技巧來(lái)辨識(shí)樹突棘，以及為偵測(cè)特定神經(jīng)科學(xué)的形態(tài)學(xué)進(jìn)行客製化作業(yè)（圖4）。

圖4 : 以早期版本的Spine Tool處理的樹突影像。左側(cè)黃色方框代表棘突最大的寬度參數(shù)。

segmentation 分割

Shaft detection 軸檢測(cè)

spine detection 脊柱檢測(cè)

為了將深度學(xué)習(xí)合併到Spine Tool，我們?cè)u(píng)估了幾種預(yù)先定義的網(wǎng)路架構(gòu)，包含Deeplab、SegNet，以及U-Net，它是一個(gè)開發(fā)來(lái)進(jìn)行生醫(yī)影像分割的網(wǎng)路。我們選擇U-Net因?yàn)樗诙嘀亟馕龆扔胁诲e(cuò)的表現(xiàn)。

為了縮短訓(xùn)練時(shí)間，我們決定使用2D版本的U-Net，而不選擇更複雜的3D版本。雖然採(cǎi)用的資料具有三個(gè)維度，但三個(gè)方向度量並不對(duì)等：其體積的深度大約只有幾個(gè)切片深，樹突棘在Z軸也很少延伸至超過一或兩個(gè)切片的程度。以執(zhí)行薄3D切片的最大強(qiáng)度投影來(lái)建立2D資料集。在裝配NVIDIAR GeForce RTX 2080 Ti GPUs的工作站使用Parallel Computing Toolbox （平行運(yùn)算工具箱）執(zhí)行訓(xùn)練來(lái)省下額外的時(shí)間。

從經(jīng)過訓(xùn)練的網(wǎng)路取得的分類結(jié)果已經(jīng)相當(dāng)不錯(cuò)，不過仍然有偽陰性的存在，以網(wǎng)路辨識(shí)到的棘突數(shù)量比可以眼見的還要少。這是分類不平衡的問題造成：棘突相較於樹突和背景非常微小，我們調(diào)整整個(gè)網(wǎng)路的分類的權(quán)重，並且評(píng)估幾種損失函數(shù)來(lái)改善預(yù)測(cè)的準(zhǔn)確度，選擇設(shè)定權(quán)重來(lái)使靈敏度最大化。

更新的網(wǎng)路幾乎可偵測(cè)到圖片上全部的棘突，但是也出現(xiàn)更多的偽陽(yáng)性。我們對(duì)於偵測(cè)結(jié)果進(jìn)行後處理來(lái)排除這些偽陽(yáng)性。舉例來(lái)說，對(duì)被偵測(cè)到的棘突採(cǎi)用長(zhǎng)度和體積的閾值，剔除任何太大或太小而不會(huì)是真正棘突的結(jié)果。

至目前為止，我們的深度學(xué)習(xí)模型在節(jié)省時(shí)間方面的表現(xiàn)比起準(zhǔn)確度的增加具有更大的前景。使用經(jīng)過後處理的模型來(lái)預(yù)測(cè)不同基因型條件的棘突密度比率，結(jié)果與我們使用傳統(tǒng)影像處理在真實(shí)Spine Tool資料集的計(jì)算結(jié)果相當(dāng)類似（圖5），還可以節(jié)省高達(dá)50%的人工修正時(shí)間。

圖5 : 透過影像處理（左）和深度學(xué)習(xí)（右）產(chǎn)生的棘突密度比率。

Spine Tool的改善和檢驗(yàn)

目前我們正在著手後處理的步驟優(yōu)化，以確保由網(wǎng)路偵測(cè)到的相鄰棘突可以被正確地分割和計(jì)算。最終，透過深度學(xué)習(xí)偵測(cè)的棘突將有可能會(huì)比人工檢測(cè)還要準(zhǔn)確，雖然這項(xiàng)能力並不是我們衡量成功與否的主要標(biāo)準(zhǔn)。我們的目標(biāo)是要驗(yàn)證：若是治療效果可以透過人類偵測(cè)，則它也能夠透過深度學(xué)習(xí)網(wǎng)路來(lái)偵測(cè)。

在接下來(lái)幾個(gè)月，我們要來(lái)使用Spine Tool的新深度學(xué)習(xí)功能來(lái)處理真正研究使用的影像，也會(huì)同步使用現(xiàn)有的工作流程來(lái)處理影像，並且比較兩者結(jié)果。若是如同我們預(yù)期，由兩種途徑產(chǎn)生的直條圖呈現(xiàn)相近的平均棘突密度，則將證實(shí)未來(lái)的棘突密度研究可以可靠地透過新工具執(zhí)行—而且具降低50%人工作業(yè)的潛力。

（本文由鈦思科技提供；作者Justin Elstrott任職於Genentech公司生物醫(yī)學(xué)影像部）

參考文獻(xiàn)

[1] Wu, T. et al. “Complement C3 Is Activated in Human AD Brain and Is Required for Neurodegeneration in Mouse Models of Amyloidosis and Tauopathy.” Cell Reports 28, 2111-2123.e6 （2019）.