In this work, we report the set-up and results of the Liver Tumor Segmentation Benchmark (LiTS), which was organized in conjunction with the IEEE International Symposium on Biomedical Imaging (ISBI) 2017 and the International Conferences on Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2017 and 2018. The image dataset is diverse and contains primary and secondary tumors with varied sizes and appearances with various lesion-to-background levels (hyper-/hypo-dense), created in collaboration with seven hospitals and research institutions. Seventy-five submitted liver and liver tumor segmentation algorithms were trained on a set of 131 computed tomography (CT) volumes and were tested on 70 unseen test images acquired from different patients. We found that not a single algorithm performed best for both liver and liver tumors in the three events. The best liver segmentation algorithm achieved a Dice score of 0.963, whereas, for tumor segmentation, the best algorithms achieved Dices scores of 0.674 (ISBI 2017), 0.702 (MICCAI 2017), and 0.739 (MICCAI 2018). Retrospectively, we performed additional analysis on liver tumor detection and revealed that not all top-performing segmentation algorithms worked well for tumor detection. The best liver tumor detection method achieved a lesion-wise recall of 0.458 (ISBI 2017), 0.515 (MICCAI 2017), and 0.554 (MICCAI 2018), indicating the need for further research. LiTS remains an active benchmark and resource for research, e.g., contributing the liver-related segmentation tasks in http://medicaldecathlon.com/. In addition, both data and online evaluation are accessible via https://competitions.codalab.org/competitions/17094.

Tissue clearing methods enable the imaging of biological specimens without sectioning. However, reliable and scalable analysis of large imaging datasets in three dimensions remains a challenge. Here we developed a deep learning-based framework to quantify and analyze brain vasculature, named Vessel Segmentation & Analysis Pipeline (VesSAP). Our pipeline uses a convolutional neural network (CNN) with a transfer learning approach for segmentation and achieves human-level accuracy. By using VesSAP, we analyzed the vascular features of whole C57BL/6J, CD1 and BALB/c mouse brains at the micrometer scale after registering them to the Allen mouse brain atlas. We report evidence of secondary intracranial collateral vascularization in CD1 mice and find reduced vascularization of the brainstem in comparison to the cerebrum. Thus, VesSAP enables unbiased and scalable quantifications of the angioarchitecture of cleared mouse brains and yields biological insights into the vascular function of the brain. VesSAP is a tissue clearing- and deep learning-based pipeline for comprehensively analyzing mouse vasculature, from large vessels to small capillaries.

SUMMARY Spatial molecular profiling of complex tissues is essential to investigate cellular function in physiological and pathological states. However, methods for molecular analysis of biological specimens imaged in 3D as a whole are lacking. Here, we present DISCO-MS, a technology combining whole-organ imaging, deep learning-based image analysis, and ultra-high sensitivity mass spectrometry. DISCO-MS yielded qualitative and quantitative proteomics data indistinguishable from uncleared samples in both rodent and human tissues. Using DISCO-MS, we investigated microglia activation locally along axonal tracts after brain injury and revealed known and novel biomarkers. Furthermore, we identified initial individual amyloid-beta plaques in the brains of a young familial Alzheimer’s disease mouse model, characterized the core proteome of these aggregates, and highlighted their compositional heterogeneity. Thus, DISCO-MS enables quantitative, unbiased proteome analysis of target tissues following unbiased imaging of entire organs, providing new diagnostic and therapeutic opportunities for complex diseases, including neurodegeneration. Graphical Abstract Highlights DISCO-MS combines tissue clearing, whole-organ imaging, deep learning-based image analysis, and ultra-high sensitivity mass spectrometry DISCO-MS yielded qualitative and quantitative proteomics data indistinguishable from fresh tissues DISCO-MS enables identification of rare pathological regions & their subsequent molecular analysis DISCO-MS revealed core proteome of plaques in 6 weeks old Alzheimer‘s disease mouse model Supplementary Video can be seen at: http://discotechnologies.org/DISCO-MS/

ABSTRACT Most diseases involve multiple interconnected physiological systems, but histological evaluation of their pathology is currently limited to small tissue samples. Here, we present wildDISCO, a technology that uses cholesterol extraction to enable deep tissue penetration of standard 150 kDa IgG antibodies in chemically fixed whole mice. Combining wildDISCO with whole mouse clearing, we generate whole-body maps of the nervous, immune, and lymphatic systems and show their close interactions throughout the mouse body. Graphical Abstract Highlights WildDISCO uses new tissue chemistry based on β-cyclodextrin to enable histology in whole mouse bodies using full-size antibodies WildDISCO generates the first whole mouse body atlases for neurons, immune cells, blood and lymph vessels The whole mouse atlases are available online to study the biological systems in health and disease Virtual Reality (VR) exploration of these atlases disentangles complex anatomical structures between organs and biological systems Supplementary Videos can be seen at http://discotechnologies.org/wildDISCO/

Many diseases, such as obesity, have systemic effects that impact multiple organ systems throughout the body. However, tools for comprehensive, high-resolution analysis of disease-associated changes at the whole-body scale have been lacking. Here, we developed a suite of deep learning-based image analysis algorithms (MouseMapper) and integrated it with tissue clearing and light-sheet microscopy to enable a comprehensive analysis of diseases impacting diverse systems across the mouse body. This approach enables the quantitative analysis of cellular and structural changes across the entire mouse body at unprecedented resolution and scale, including tracking nerves over several centimeters in whole animal bodies. To demonstrate its power, we applied MouseMapper to study nervous and immune systems in high-fat diet induced obesity. We uncovered widespread changes in both immune cell distribution and nerve structures, including alterations in the trigeminal nerve characterized by a reduced number of nerve endings in obese mice. These structural abnormalities were associated with functional deficits of whisker sensing and proteomic changes in the trigeminal ganglion, primarily affecting pathways related to axon growth and the complement system. Additionally, we found heterogeneity in obesity-induced whole-body inflammation across different tissues and organs. Our study demonstrates MouseMapper's capability to discover and quantify pathological alterations at the whole-body level, offering a powerful approach for investigating the systemic impacts of various diseases.

Tissue clearing methods enable imaging of intact biological specimens without sectioning. However, reliable and scalable analysis of such large imaging data in 3D remains a challenge. Towards this goal, we developed a deep learning-based framework to quantify and analyze the brain vasculature, named Vessel Segmentation & Analysis Pipeline (VesSAP). Our pipeline uses a fully convolutional network with a transfer learning approach for segmentation. We systematically analyzed vascular features of the whole brains including their length, bifurcation points and radius at the micrometer scale by registering them to the Allen mouse brain atlas. We reported the first evidence of secondary intracranial collateral vascularization in CD1-Elite mice and found reduced vascularization in the brainstem as compared to the cerebrum. VesSAP thus enables unbiased and scalable quantifications for the angioarchitecture of the cleared intact mouse brain and yields new biological insights related to the vascular brain function.

ABSTRACT Tissue clearing and fluorescent microscopy are powerful tools for unbiased organ-scale protein expression studies. Critical for interpreting expression patterns of large imaged volumes are reliable quantification methods. Here, we present DELiVR a deep learning pipeline that uses virtual reality ( VR )-generated training data to train deep neural networks, and quantify c-Fos as marker for neuronal activity in cleared mouse brains and map its expression at cellular resolution. VR annotation significantly accelerated the speed of generating training data compared to conventional 2D slice based annotation. DELiVR detects cells with much higher precision than current threshold-based pipelines, and provides an extensive toolbox for data visualization, inspection and comparison. We applied DELiVR to profile cancer-related mouse brain activity, and discovered a novel activation pattern that distinguishes between weight-stable cancer and cancer-associated weight loss. Thus, DELiVR provides a robust mouse brain analysis pipeline at cellular scale that can be used to study brain activity patterns in health and disease. The DELiVR software, Fiji plugin and documentation can be found at https://www.DISCOtechnologies.org/DELiVR/ . Graphical Abstract Highlights DELiVR detects labelled cells in cleared brains with deep learning DELiVR is trained by annotating ground-truth data in virtual reality (VR) DELiVR is launched via a FIJI plugin anywhere from PCs to clusters Using DELiVR, we found new brain activity patterns in weight-stable vs. cachectic cancer Supplementary Videos can be seen at: https://www.DISCOtechnologies.org/DELiVR/

Abstract Objectives To generate sagittal T1-weighted fast spin echo (T1w FSE) and short tau inversion recovery (STIR) images from sagittal T2-weighted (T2w) FSE and axial T1w gradient echo Dixon technique (T1w-Dixon) sequences. Materials and methods This retrospective study used three existing datasets: “Study of Health in Pomerania” (SHIP, 3142 subjects, 1.5 Tesla), “German National Cohort” (NAKO, 2000 subjects, 3 Tesla), and an internal dataset (157 patients 1.5/3 Tesla). We generated synthetic sagittal T1w FSE and STIR images from sagittal T2w FSE and low-resolution axial T1w-Dixon sequences based on two successively applied 3D Pix2Pix deep learning models. “Peak signal-to-noise ratio” (PSNR) and “structural similarity index metric” (SSIM) were used to evaluate the generated image quality on an ablations test. A Turing test, where seven radiologists rated 240 images as either natively acquired or generated, was evaluated using misclassification rate and Fleiss kappa interrater agreement. Results Including axial T1w-Dixon or T1w FSE images resulted in higher image quality in generated T1w FSE (PSNR = 26.942, SSIM = 0.965) and STIR (PSNR = 28.86, SSIM = 0.948) images compared to using only single T2w images as input (PSNR = 23.076/24.677 SSIM = 0.952/0.928). Radiologists had difficulty identifying generated images (misclassification rate: 0.39 ± 0.09 for T1w FSE, 0.42 ± 0.18 for STIR) and showed low interrater agreement on suspicious images (Fleiss kappa: 0.09 for T1w/STIR). Conclusions Axial T1w-Dixon and sagittal T2w FSE images contain sufficient information to generate sagittal T1w FSE and STIR images. Clinical relevance statement T1w fast spin echo and short tau inversion recovery can be retroactively added to existing datasets, saving MRI time and enabling retrospective analysis, such as evaluating bone marrow pathologies. Key Points Sagittal T2-weighted images alone were insufficient for differentiating fat and water and to generate T1-weighted images . Axial T1w Dixon technique, together with a T2-weighted sequence, produced realistic sagittal T1-weighted images . Our approach can be used to retrospectively generate STIR and T1-weighted fast spin echo sequences . Graphical Abstract