细胞Sighter:一个神经网络来分类细胞在高度复杂的图像

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 多复合成像允许在现场测量多种蛋白质,这对于了解组织细胞类型和状态至关重要.
• 这些复杂图像中的自动细胞分类对于高通量分析至关重要,但仍然是一个重大挑战.

研究的目的:

• 开发和验证CellSighter,这是一个深度学习管道,旨在加速和增强多重成像数据中的细胞分类.
• 为在组织样本中识别多种细胞类型提供强大而准确的方法.

主要方法:

• 细胞Sighter使用深度学习方法,在专家标记的多重图像上进行训练.
• 该管道分析蛋白质表达水平和空间特征,包括亚细胞模式,用于分类.
• 它包含了减少过度装配的技术,并且可以使用有限的标记示例进行训练.

主要成果:

• 在不同成像平台上分类主要细胞类型时,CellSighter的准确性超过80%,接近观察者之间的一致性.
• 该模型展示了概括能力,并有效地从蛋白质表达和空间特征中学习.
• 它提供预测信心评分,使专家能够监督.

结论:

• 细胞Sighter显著减少手工劳动和多重成像中细胞分类所需的时间.
• 该工具提高了在各种数据集中细胞类型识别的准确性和一致性.
• 它为研究人员提供了一种强大,高效和可靠的方法来分析复杂的生物组织.