Optimising tissue processing and AI tools for high-throughput automated myelin ultrastructure analysis

Abstract

Introduction: Myelin is essential for nervous system function, increasing transmission speed. Myelin degradation is central to various neurological diseases such as multiple sclerosis (MS). Electron microscopy (EM) is vital for myelin research due to its ability to provide the high-resolution images needed to accurately visualise myelin’s ultrastructure. Manual tracing of myelin in EM images limits our ability to study myelin biology and pathology. Automated analysis of myelin ultrastructure could reduce personal bias, increase sample sizes, and open new avenues to study myelin biology. Here I investigated the efficacy of the AI tool AxonDeepSeg (ADS) for myelin analysis and assessed its performance across various fixation protocols.Method: I manually segmented TEM images of mouse optic nerve cross-sections to serve as ground truth (GT). ADS was fine-tuned over various pixel-sizes (0.002-0.029μm/pixel) and epochs (50-4000), comparing its performance with manual tracings on training (10 images) and test data (1 image), as well as exploring the influence of fixation-method on ADS performance.Results: The best ADS model trained on the conventional protocol achieved a true positive rate of 94.9% and exhibited a mean g-ratio difference of 0.0134 from the ground truth. The model trained on the improved fixation protocol exhibited a mean g-ratio difference of 0.0105 from the ground truth. There was no statistically significant difference between the g-ratio measurements of the optimised models for both fixations and the ground truth.Discussion: Fixation impacts ADS performance in myelin analysis, with better protocols enhancing ADS accuracy. Further optimisation, such as expanding the training dataset and fine-tuning parameters, may enhance ADS performance further. Future work should focus on ensuring consistency across diverse sample conditions, establishing ADS as a reliable tool for high-throughput myelin analysis, benefiting research and clinical applications.

Inngangur: Mýelín er nauðsynlegt fyrir eðlilega starfsemi taugakerfisins. Það gegnir lykilhlutverki í hraðri boðspennu tauga og niðurbrot þess er miðlægt í ýmsum taugasjúkdómum eins og heila- og mænusiggi (e. multiple sclerosis (MS)). Rafeindasmásjárskoðun (EM) er mikilvæg fyrir mýelínrannsóknir vegna getu hennar til að taka þær háupplausnarmyndir sem þarf til að sjá nákvæma byggingu mýelíns. Útlínuteikning í höndum er enn í dag gullstaðallinn til að mæla fjölda mýelíneraðra taugaþráða, þvermál tauga og þykkt mýelins. Þetta er mjög tímafrekt og takmarkar getu okkar til þess að rannsaka og skilja betur þroskun og starfsemi mýelíns, niðurbrot þess og enduruppbyggingu. Sjálfvirk mýelíngreining af rafeindasmásjármyndum gæti dregið úr persónulegri hlutdrægni, gert okkur kleift að rannsaka stærri gagnasett og opnað nýjar leiðir til þess að rannsaka mýelínlíffræði. Hér rannsökuðum við virkni gervigreindartólsins AxonDeepSeg (ADS) fyrir mýelíngreiningu og mátum áhrif mismunandi vefjafestingaraðferða á árangur þess.Aðferðir: Ég gerði handvirkar útlínuteikningar á rafeindasmásjármyndum af sjóntaugaþverskurði úr músum til þess að þjóna sem grunnsannleikur. ADS var fínstillt yfir ólíkar pixlastærðir (0.002-0.029 μm/pixla) og lotur (e. epoch) (50-4000), og frammistaða þess borin saman við handvirkar teikningar á þjálfunar- (10 myndir) og prófunargögnum (1 mynd), auk þess sem áhrif vefjafestingaraðferða voru skoðuð.Niðurstöður: Besta ADS líkanið þjálfað á hefðbundinni vefjafestingaraðferð greindi 94.9% tauga rétt og sýndi meðaltalsmun á g-hlutfalli (e. g-ratio) upp á 0.0134 samanborið við grunnsannleika. Líkanið þjálfað á bættri vefjafestingaraðferð sýndi meðaltalsmun upp á 0.0105 samanborið við grunnsannleika. Það var enginn tölfræðilega marktækur munur á g-hlutfallsmælingum bestu líkanana fyrir báðar vefjafestingaraðferðir samanborið við grunnsannleika.Ályktanir: Vefjafestingaraðferðir hafa áhrif á árángur ADS við mýelíngreiningu, þar sem bættar aðferðir bæta nákvæmni módelsins. Frekari hagræðing, svo sem að stækka þjálfunargangasafnið og fínstilla færibreytur, gæti bætt árángur ADS enn frekar. Notkun bættra vefjafestingaraðferða gæti aukið möguleika ADS sem áreiðanlegt verkfæri fyrir háafkasta mýelíngreiningu.