深度集合学习和转移学习方法用于从非线性光学显微镜图像中对衰老细胞进行分类
Salvatore Sorrentino1, Francesco Manetti1, Arianna Bresci1
1Department of Physics, Politecnico di Milano, Milan, Italy.
Frontiers in chemistry
|July 10, 2023
概括
衰老,癌症复发的一个因素,现在可以使用非线性光学 (NLO) 显微镜检测. 深度学习模型从图像中准确地分类衰老细胞,有助于癌症诊断.
科学领域:
- 在瘤学瘤学.
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
背景情况:
- 化疗和放射治疗可以诱导细胞衰老,这是一个涉及癌症复发的过程.
- 目前用于检测衰老细胞的方法通常是耗时和侵入性的.
- 非线性光学 (NLO) 显微镜为衰老细胞识别提供了一种无标签的快速成像方法.
研究的目的:
- 开发和比较深度学习架构来分类衰老与增殖的人类癌细胞.
- 利用NLO显微镜图像进行自动和公正的衰老细胞检测.
- 评估深度学习在治疗诱导衰老的临床诊断中的潜力.
主要方法:
- 开发用于图像分类的多个深度学习架构.
- 使用多式NLO显微镜图像作为输入数据.
- 实现组合分类器,将七个预训练网络与添加的完全连接层相结合.
主要成果:
- 整体分类器在区分衰老的癌细胞和增殖的癌细胞方面达到90%以上的准确性.
- 证明了对衰老细胞的自动化,公正的图像分类系统的可行性.
- 验证了深度学习模型在分析NLO显微镜数据中的有效性.
结论:
- 深度学习,特别是组合方法,显示了使用NLO显微镜准确的衰老细胞分类的重大前景.
- 这种方法可以促进更快,更客观地检测治疗诱导的衰老.
- 这些发现为临床癌症诊断和治疗监测的潜在应用铺平了道路.
