Machine Learning to Evaluate Neuron Density in Brain Sections
Machine Learning to Evaluate Neuron Density in Brain Sections
复制标题
机器学习评估大脑切片中的神经元密度
DOI：
10.1007/978-1-4939-0381-8_13
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
Brandt R
中科院分区：
文献类型：
--
作者：
Penazzi L;Sündermann F;Bakota L;Brandt R
成像应用通常会产生大量的数据集，这些数据集需要以统一和无偏的方式进行处理，以获得有关大脑不同区域中细胞数量和大小或细胞密度的精确信息。机器学习是一种新的方法，在这里引入调整算法的生物学要求，并以自动化的方式来评估组织样本的细胞特征。在这一章中，我们描述的方法来准备小鼠脑组织的后续图像处理和数据评估。我们以逐步的方式提供信息，如何选择和执行适当的固定方案，决定合适的切片，并提示在执行免疫荧光染色时要考虑的问题。此外，我们引入了基于机器学习的图像分割（MLBIS）来确定脑切片中的神经元细胞密度。
Imaging applications often produce large numbers of data sets, which need to be processed in a uniform and unbiased manner to obtain precise information about the number and size of cells or cell densities in different regions of the brain. Machine learning is a novel method here introduced to adjust algorithms to the biological requirements and to evaluate cellular features of tissue samples in an automated manner. In this chapter we describe methods to prepare mouse brain tissue for subsequent image processing and data evaluation. We give information in a step-by-step manner how to choose and perform appropriate fixation protocols, decide for suitable sectioning, and give hints what to consider when performing immunofluorescence stainings. Furthermore, we introduce the Machine Learning-Based Image Segmentation (MLBIS) to determine neuronal cell density in brain slices.
影响因子：
3.7
作者：
Salat, DH;Buckner, RL;Fischl, B
通讯作者：
Fischl, B
在常规处理的石蜡切片中进行免疫组织化学反应的抗原修复。
影响因子：
--
作者：
L. Krenács;T. Krenács;M. Raffeld
通讯作者：
M. Raffeld