阿茲海默癥（Alzheimer's disease）被視為造成失智最常見的原因，以深度學習和基於MATLAB影像處理應用的Spine Tool，可以協助將計算流程自動化，進而評估阿茲海默癥治療標的。

阿茲海默癥（Alzheimer's disease；AD）被認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）的堆積而導致腦部的變化。根據研究顯示，這些堅硬、無法溶解的beta類澱粉蛋白質堆積物與樹突棘（dendritic spines）的流失有密切關聯。樹突棘為神經元樹突上的微米大小突起，負責接收其他神經元的輸入。這些研究促使Genentech和其他阿茲海默癥研究人員來臨床評估可以在類澱粉蛋白斑塊出現時減少棘突流失（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，計算樹突上個別的棘突數目，並且計算棘突密度（舉例來說，每100微米的樹突上的棘突數目）。此過程若是以人工執行，需要耗費極大的勞力。

在大約10年前，我們的團隊開發了Spine Tool，它是一個MATLAB影像處理應用程式，可以協助將棘突的辨識和棘突密度的計算流程自動化（圖1）。雖然原始版本的Spine Tool已經適用於試管（vitro）樣本，但是遇到像是影像品質較低的情況，在活體（ex vivo）腦部樣本仍會產生大量的偽陽性和偽陰性。

圖1 : 基於MATLAB的Spine Tool，用來將樹突棘的偵測、註記和分析自動化。

為了改善Spine Tool的準確性，我們與MathWorks顧問團隊合作，在這項工具加入深度學習（deep learning）。我們使用一組包含了超過9,000張已以原始Spine Tool標記的圖片資料集，用來訓練一個卷積神經網路（convolutional neural network；CNN），經過訓練的CNN可以將棘突流失極小化的治療法的評估流程更進一步地自動化。

棘突密度基礎

為了研究的進行，我們使用正常老鼠（wild-type或WT mice）和往往會發展成為類澱粉斑塊、有beta類澱粉蛋白表現的老鼠（PS2APP mice）。使用老鼠腦部組織顯微切片的數位影像，沿著出現和未出現可見斑塊的個別樹突將棘突辨識出來，並計算數量。

如圖2所示，出現在PS2APP老鼠的斑塊可對應附近棘突數量明顯減少。這項特定的研究還包含第三組老鼠，牠們的補體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（有遠離和靠近斑塊的樹突）、以及PS2APP與C3KO老鼠（有遠離和靠近斑塊的樹突）。Adapted from [1]。

我們彙整來自幾百個樣本的棘突密度來製作一張可以用來比較不同老鼠基因型之間密度差異的長條圖（圖3），從圖中可看出，在統計上C3KO老鼠的斑塊附近棘突密度顯著降低，棘突密度的恢復顯著。根據這些研究結果，降低補體的活性有可能是一種有效的治療策略。

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

傳統影像處理與深度學習的結合

較早期版本的Spine Tool是透過邊界偵測（threshold detection）、分割（segmentation）、和形態（morphological）影像處理技巧來辨識樹突棘，以及為偵測特定神經科學的形態學進行客製化作業（圖4）。

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

segmentation 分割

Shaft detection 軸檢測

spine detection 脊柱檢測

為了將深度學習合併到Spine Tool，我們評估了幾種預先定義的網路架構，包含Deeplab、SegNet，以及U-Net，它是一個開發來進行生醫影像分割的網路。我們選擇U-Net因為它在多重解析度有不錯的表現。

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

從經過訓練的網路取得的分類結果已經相當不錯，不過仍然有偽陰性的存在，以網路辨識到的棘突數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，我們調整整個網路的分類的權重，並且評估幾種損失函數來改善預測的準確度，選擇設定權重來使靈敏度最大化。

更新的網路幾乎可偵測到圖片上全部的棘突，但是也出現更多的偽陽性。我們對於偵測結果進行後處理來排除這些偽陽性。舉例來說，對被偵測到的棘突採用長度和體積的閾值，剔除任何太大或太小而不會是真正棘突的結果。

至目前為止，我們的深度學習模型在節省時間方面的表現比起準確度的增加具有更大的前景。使用經過後處理的模型來預測不同基因型條件的棘突密度比率，結果與我們使用傳統影像處理在真實Spine Tool資料集的計算結果相當類似（圖5），還可以節省高達50%的人工修正時間。

圖5 : 透過影像處理（左）和深度學習（右）產生的棘突密度比率。

Spine Tool的改善和檢驗

目前我們正在著手後處理的步驟優化，以確保由網路偵測到的相鄰棘突可以被正確地分割和計算。最終，透過深度學習偵測的棘突將有可能會比人工檢測還要準確，雖然這項能力並不是我們衡量成功與否的主要標準。我們的目標是要驗證：若是治療效果可以透過人類偵測，則它也能夠透過深度學習網路來偵測。

在接下來幾個月，我們要來使用Spine Tool的新深度學習功能來處理真正研究使用的影像，也會同步使用現有的工作流程來處理影像，並且比較兩者結果。若是如同我們預期，由兩種途徑產生的直條圖呈現相近的平均棘突密度，則將證實未來的棘突密度研究可以可靠地透過新工具執行—而且具降低50%人工作業的潛力。

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

參考文獻

[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）.