相关实验视频
Updated: Jul 21, 2025
09:00
A Microfluidic Platform for Longitudinal Imaging in Caenorhabditis elegans
Published on: May 2, 2018
6.5K
深度学习用于微流体辅助的Caenorhabditis elegans多参数识别使用YOLOv7
Jie Zhang1,2, Shuhe Liu1, Hang Yuan1
1School of Advanced Technology, Xi'an Jiaotong-Liverpool University, Suzhou 215123, China.
Micromachines
|July 29, 2023
概括
我们开发了一个深度学习模型,用于 Caenorhabditis elegans (C. elegans) 的自动分类. 这种人工智能模型准确地识别了虫表型,提高了遗传研究和疾病研究的效率.
科学领域:
- * 生物医学研究和遗传学
- * 开发自动化生物分类系统.
背景情况:
- *C. elegans因其光学透明度而成为人类疾病和遗传学研究的关键模型生物.
- *手动分类C. elegans种群是低效和劳动密集型的大规模实验.
- *微流体平台提供自动化C. elegans分类,但需要先进的识别来进行多参数分析.
研究的目的:
- * 开发一个自动化的深度学习模型,用于准确的C. elegans识别和多参数表型.
- * 提高C. elegans在微流体系统中的分类效率和精度.
主要方法:
- * 开发一种深度学习模型,利用You Only Look Once (YOLO) v7用于C. elegans的检测和识别.
- * 在微流体芯片中对3931个注释的C. elegans数据集进行模型训练.
- *使用平均平均精度 (mAP@0.5) 对YOLOv5和Faster R-CNN进行模型性能评估.
主要成果:
- *YOLOv7模型在训练组上实现了99.56%的mAP@0.5用于自动识别C. elegans.
- * 在外部验证集上证明了强大的概括性,94.21%的mAP@0.5.
- *该模型准确地识别了多种C. elegans表型,包括大小,运动速度和光.
结论:
- *开发的深度学习模型显著提高了自动化C. elegans识别的准确性和效率.
- * 这项技术增强了微流体平台内的多参数排序能力.
- * 该模型有可能加速生物研究的自动化和集成系统.
