通过投影增强网络促进细胞细分
Christopher Z Eddy1, Austin Naylor1, Christian T Cunningham1
1Department of Physics, Oregon State University, Corvallis, OR 97331, United States of America.
Physical biology
|September 28, 2023
概括
我们介绍了投影增强网络 (PEN),以从低于最佳的3D显微镜数据改进2D细胞细分. PEN增强了语义表示,在拥挤的样本中提高了细分的准确性.
科学领域:
- 细胞生物学 细胞生物学
- 显微镜的使用方法
- 图像分析 图像分析
背景情况:
- 细胞科学中的实例细分通常使用2D或3D卷积网络.
- 显微镜采集的3D数据样本不足以优化,这限制了3D细分的实用性,尤其是在拥挤的样本中,细胞重叠.
- 在这样具有挑战性的条件下,2D细分为细胞形态提供了更高的可靠性和易于注释.
研究的目的:
- 开发一种新的卷积模块,即投影增强网络 (PEN),用于处理亚样本的3D显微镜数据.
- 从3D数据生成2D RGB语义压缩,从而增强2D实例细分.
- 从具有挑战性的3D数据集中提高2D细胞细分的准确性和可靠性.
主要方法:
- 提出了投影增强网络 (PEN),这是一个用于处理亚样本3D数据的新型卷积模块.
- 与实例细分网络 (例如CellPose,Mask-RCNN) 结合训练的PEN.
- 利用数据增强来增加培训PEN的细胞密度,并对数据集进行评估.
主要成果:
- PEN产生了2D RGB语义压缩,在与CellPose一起使用时显著提高了2D细分性能,超过了最大强度投影.
- 来自PEN的学习语义表示编码了深度信息,有利于复杂细胞环境中的细分.
- 通过使用分散细胞剖析细分强度与细胞密度来证明PEN的有效性.
结论:
- PEN提供了一个数据驱动的解决方案,用于创建3D显微镜数据的压缩表示.
- 投影增强网络增强了从次优样本3D数据的2D实例细分,特别是细胞形态和拥挤的样本.
- 在细胞科学研究中,PEN为提高细胞细分的准确性和实用性提供了有价值的工具.
