深度IFC:虚拟光标记血液细胞在成像流细胞计数据与深度学习
Veera A Timonen1,2, Erja Kerkelä3, Ulla Impola4
1Institute for Molecular Medicine Finland (FIMM), Helsinki Institute of Life Science (HiLIFE), University of Helsinki, Helsinki, Finland.
概括
DeepIFC通过计算生成虚拟光标签,用于从明场和暗场图像中成像流动细胞计 (IFC). 这种人工智能方法能够准确地识别和识别细胞类型,即使是以前看不见的细胞类型.
科学领域:
- 计算生物学是一种计算生物学.
- 生物技术是生物技术.
- 细胞成像 细胞成像
背景情况:
- 图像流细胞计 (IFC) 便于高通量单细胞分析.
- 光标签在IFC是昂贵和劳动密集型的.
研究的目的:
- 在IFC中开发虚拟光标签的计算方法.
- 为了使细胞类型的识别和特征分析从非光图像.
主要方法:
- 开发了DeepIFC,一种使用Inception U-Net神经网络的计算方法.
- 在IFC亮场和暗场图像上训练模型以生成光标记图像.
- 实现了用于细胞类型识别和2D功能可视化的工作流.
主要成果:
- DeepIFC准确地重建了细胞和分子特性.
- 该模型成功地识别了细胞类型,并可视化了单细胞特征.
- 通过平衡的训练数据有效预测罕见细胞类型.
- 该模型将看不见的红细胞识别为一个独特的类别.
结论:
- 在IFC中,DeepIFC为传统光标签提供了一种经济高效的替代方案.
- 通过DeepIFC进行虚拟光标签,可以进行精确的细胞重建,键入和识别.
- 这种计算方法通过利用亮场和暗场成像来扩大IFC的实用性.
