Segmenting Cardiac Muscle Z-disks with Deep Neural Networks

要約

Z ディスクは、横紋筋の繰り返しサルコメアの輪郭を描く複雑な構造です。
それらは、収縮するサルコメア、細胞シグナル伝達、オートファジーに機械的安定性を提供するなど、心筋細胞において重要な役割を果たします。
Z ディスク構造の変化は、心臓機能の低下と関連しています。
したがって、画像の明るさや染色技術のばらつきなどの従来の制限を克服し、顕微鏡画像から Z ディスクをセグメント化するツールを作成する必要性が強くあります。
この研究では、深層学習ベースのセグメンテーション モデルを適用して、横紋筋組織の画像から Z ディスクを抽出します。
私たちは、特定の Z ディスクタンパク質をアフィマーで染色した、健康な心臓組織の Z ディスクの高解像度画像で構成される新しい Airyscan 共焦点データセットを活用します。
インタラクティブなラベル付けツールである Ilastik を使用して、グラウンド トゥルース セグメンテーション マスクを取得し、得られたデータセットを使用して、いくつかの最先端のセグメンテーション ネットワークのパフォーマンスをトレーニングおよび評価しました。
テスト セットでは、UNet++ は心筋細胞の Z ディスクに対して最高のセグメンテーション パフォーマンスを達成し、平均 Dice スコアは 0.91 で、UNet、FPN、DeepLabv3+、pix2pix などの他の確立されたセグメンテーション手法を上回ります。
ただし、pix2pix は、タイチン変異を持つ心筋細胞の追加データセットでテストした場合、汎化性の向上を示しています。
これは、自動化された機械学習ベースのセグメンテーション手法が、共焦点顕微鏡画像内の Z ディスクのセグメント化に効果的に使用できることを実証した最初の研究です。
自動セグメンテーション アプローチと予測セグメンテーション マスクを使用して、Z ディスクの形態学的特徴 (幅や向きなど) を導き出し、その後、心臓の微細構造に対する疾患に関連した変化を定量化できます。

要約(オリジナル)

Z-disks are complex structures that delineate repeating sarcomeres in striated muscle. They play significant roles in cardiomyocytes such as providing mechanical stability for the contracting sarcomere, cell signalling and autophagy. Changes in Z-disk architecture have been associated with impaired cardiac function. Hence, there is a strong need to create tools to segment Z-disks from microscopy images, that overcome traditional limitations such as variability in image brightness and staining technique. In this study, we apply deep learning based segmentation models to extract Z-disks in images of striated muscle tissue. We leverage a novel Airyscan confocal dataset, which comprises high resolution images of Z-disks of healthy heart tissue, stained with Affimers for specific Z-disk proteins. We employed an interactive labelling tool, Ilastik to obtain ground truth segmentation masks and use the resulting data set to train and evaluate the performance of several state-of-the-art segmentation networks. On the test set, UNet++ achieves best segmentation performance for Z-disks in cardiomyocytes, with an average Dice score of 0.91 and outperforms other established segmentation methods including UNet, FPN, DeepLabv3+ and pix2pix. However, pix2pix demonstrates improved generalisation, when tested on an additional dataset of cardiomyocytes with a titin mutation. This is the first study to demonstrate that automated machine learning-based segmentation approaches may be used effectively to segment Z-disks in confocal microscopy images. Automated segmentation approaches and predicted segmentation masks could be used to derive morphological features of Z-disks (e.g. width and orientation), and subsequently, to quantify disease-related changes to cardiac microstructure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google