Forschende des INM-1 haben eine neue Methode entwickelt, um die Feinstruktur des Gehirns ohne aufwändige Laborverfahren sichtbar zu machen. Mithilfe von Künstlicher Intelligenz (KI) können sie nun virtuell darstellen, wie Nervenzellen verteilt und wie sie mit den Nervenfasern verbunden sind. Die Studie ist in Imaging Neuroscience erschienen.
Um vollständig zu erfassen, wie Nervenzellen (Zytoarchitektur) und Nervenfasern (Myeloarchitektur) im Hirngewebe angeordnet sind, müssen verschiedene Bildgebungsverfahren kombiniert werden. Während für die Analyse von Zellen traditionell gefärbte Gewebeschnitte unter dem Mikroskop untersucht werden, können die Nervenfasern mit der Methode der 3D Polarized Light Imaging (3D PLI) sichtbar gemacht werden. Sie liefert dreidimensionale Orientierungen der Nervenfasern in mikroskopischer Auflösung – ganz ohne Färbung.
Um jedoch Zellen und Fasern direkt in denselben Gewebeschnitten zu vergleichen, wurde das Gewebe bisher nachträglich gefärbt. Das führt allerdings zu unvermeidlichen Verzerrungen und ist technisch sehr aufwändig. Nur wenige Proben können auf diese Weise untersucht werden.
Für die aktuelle Studie nutzten die Wissenschaftler:innen deshalb Methoden der Künstlichen Intelligenz: Deep Learning Modelle lernen, wie eine bestimmte Färbung – in diesem Fall mit dem Farbstoff Kresylviolett – aussehen würde, und erzeugen daraus eine „virtuelle Färbung“ direkt aus den 3D PLI Bildern. Spezielle mathematische Verfahren gleichen dabei kleine Verschiebungen zwischen den Bilddaten aus, sodass die Zellstrukturen präzise an der richtigen Stelle erscheinen.
Das Ergebnis: Die KI kann realistisch die Verteilung und Form von Nervenzellen im Gehirn herausarbeiten, ohne dass die Proben tatsächlich gefärbt werden müssen.
Die Studie schafft die Grundlage für zukünftige Arbeiten, die die 3D-PLI-Analyse weiter verbessern sollen. Dabei steht besonders die Entwicklung spezieller Verfahren zur Zellerkennung im Mittelpunkt, mit denen einzelne Zellkörper direkt aus 3D-PLI-Daten identifiziert werden können.
Zugleich zeigen die Resultate, wie wichtig es ist, zusätzliche Trainingsdaten zu gewinnen, um die virtuelle Kresylviolett-Färbung weiter zu verfeinern und auf mehr Schnitte, Gehirne und Spezies auszuweiten. Das derzeitige Modell ist zwar darauf ausgelegt, klassische Kresylviolett-Färbungen nachzubilden, doch lässt sich der Ansatz grundsätzlich auch auf andere Färbetypen übertragen, sofern das Modell dafür neu trainiert wird. Künftige Forschungsarbeiten sollten daher insbesondere prüfen, wie gut sich die Methode auf andere Datensätze, Färbeprotokolle und Gehirne übertragen lässt.
Originalpublikation:
Alexander Oberstrass, Esteban Vaca, Eric Upschulte, Meiqi Niu, Nicola Palomero-Gallagher, David Graessel, Christian Schiffer, Markus Axer, Katrin Amunts, Timo Dickscheid; From fibers to cells: Fourier-based registration enables virtual Cresyl violet staining from 3D polarized light imaging. Imaging Neuroscience 2026; 4 IMAG.a.1079. doi: https://doi.org/10.1162/IMAG.a.1079
