アミロイドβプラークの同定のためのディープラーニングと2D CARS図の組み合わせ

Combination of deep learning and 2D CARS figures for identification of amyloid-β plaques.

抄録

アルツハイマー病（AD）研究において、アミロイドβ（Aβ）プラークの生体内イメージングと正確な同定は極めて重要である。本研究では、ラマンスペクトルやラベルフリーイメージングを提供する強力な検出技術であるコヒーレント反ストークスラマン散乱（CARS）顕微鏡とディープラーニングを組み合わせることで、ADマウスの生体内でAβ領域と非Aβ領域を識別することを提案する。1次元CARSスペクトルは、まず、2つの異なる方法：スペクトル回帰プロット（SRP）とスペクトルグラム角場（SGAF）を用いて2次元CARS図に変換される。これにより、より学習可能な情報をネットワークに提供し、分類精度を向上させることができる。次に、ディープラーニングにおける計算の進歩を利用することで、Aβプラークと非Aβ領域の特徴を自動的に学習するクロスステージ・アテンション・ネットワーク（CSAN）を考案する。我々のアルゴリズムは、従来の多変量統計解析法や1次元CARSスペクトルとディープラーニングを組み合わせた結果よりも高い精度、精度、感度、特異度をもたらし、Aβ斑を同定する能力を実証した。最後になるが、CSANフレームワークはイメージングモダリティに関する事前情報を必要としないため、他の分光分析分野にも適用できる可能性がある。

In vivo imaging and accurate identification of amyloid-β (Aβ) plaque are crucial in Alzheimer's disease (AD) research. In this work, we propose to combine the coherent anti-Stokes Raman scattering (CARS) microscopy, a powerful detection technology for providing Raman spectra and label-free imaging, with deep learning to distinguish Aβ from non-Aβ regions in AD mice brains in vivo. The 1D CARS spectra is firstly converted to 2D CARS figures by using two different methods: spectral recurrence plot (SRP) and spectral Gramian angular field (SGAF). This can provide more learnable information to the network, improving the classification precision. We then devise a cross-stage attention network (CSAN) that automatically learns the features of Aβ plaques and non-Aβ regions by taking advantage of the computational advances in deep learning. Our algorithm yields higher accuracy, precision, sensitivity and specificity than the results of conventional multivariate statistical analysis method and 1D CARS spectra combined with deep learning, demonstrating its competence in identifying Aβ plaques. Last but not least, the CSAN framework requires no prior information on the imaging modality and may be applicable to other spectroscopy analytical fields.