AutoShollは、ユーザートレースとは無関係にSholl分析の自動化を可能にします

背景：Sholl分析は、長年にわたってニューロンの形態計測と樹状突起の分岐と複雑さを分析するために使用されてきました。近年、このプロセスは半自動化されていますが、既存のソフトウェアパッケージは依然としてユーザーのトレースに依存しているため、分析のためのオブザーバーバイアス、変動性、およびユーザー時間の増加の対象となります。商用ソフトウェアパッケージには、ユーザーのトレースにも依存しているのと同じ問題があります。さらに、これらのパッケージも高価であり、広範なユーザートレーニングが必要です。 新しい方法：これらの問題に対処するために、広く適用可能な非コストのImageJプラグインを開発しました。Autoshollと呼び、前処理された「しきい値」画像でSholl分析を実行します。このアルゴリズムは、root、中間、末端樹状突起の数と長さなどの二次分析技術を許可することにより、sholl分析のために、既存の既存のプラグインをfiji imagejに拡張します。Fiji ImageJの既存のSholl分析プラグインで現在サポートされていない関数。 結果：このアルゴリズムは、ユーザートレースとは無関係に、2次元データセットと3次元データセットの両方で迅速なSholl分析を可能にします。 既存の方法との比較：訓練された人間のオブザーバーとニューロンの画像を使用して、既存のソフトウェアパッケージに対するオートショールのパフォーマンスを検証しました。アルゴリズムは、利用可能なソフトウェア（つまり、bonfire）と同様の結果を出力することがわかりましたが、分析時間と偏りのない定量化を可能にします。 結論：そのため、Autoshollは、経験の浅いオブザーバーがより訓練されたオブザーバーのような結果を効率的に出力することを可能にし、それによりSholl分析の一貫性、速度、および信頼性を高めます。

BACKGROUND: Sholl analysis has been used to analyze neuronal morphometry and dendritic branching and complexity for many years. While the process has become semi-automated in recent years, existing software packages are still dependent on user tracing and hence are subject to observer bias, variability, and increased user times for analyses. Commercial software packages have the same issues as they also rely on user tracing. In addition, these packages are also expensive and require extensive user training. NEW METHOD: To address these issues, we have developed a broadly applicable, no-cost ImageJ plugin, we call AutoSholl, to perform Sholl analysis on pre-processed and 'thresholded' images. This algorithm extends the already existing plugin in Fiji ImageJ for Sholl analysis by allowing for secondary analysis techniques, such as determining number and length of root, intermediate, and terminal dendrites; functions not currently supported in the existing Sholl Analysis plugin in Fiji ImageJ. RESULTS: The algorithm allows for rapid Sholl analysis in both 2-dimensional and 3-dimensional data sets independent of user tracing. COMPARISON WITH EXISTING METHODS: We validated the performance of AutoSholl against pre-existing software packages using trained human observers and images of neurons. We found that our algorithm outputs similar results as available software (i.e., Bonfire), but allows for faster analysis times and unbiased quantification. CONCLUSIONS: As such, AutoSholl allows inexperienced observers to output results like more trained observers efficiently, thereby increasing the consistency, speed, and reliability of Sholl analyses.