Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Invasion dynamics of multifocal breast tumor spheroids in three-dimensional extracellular matrix.

Biophysical journal·2026
Same author

Cancer cell dynamics navigating the complex microenvironment: active nematics and dynamic heterogeneity.

Soft matter·2026
Same author

Coupled Dynamics in Phenotype and Tissue Spaces Shape the Three-Dimensional Cancer Invasion.

PRX life·2025
Same author

Collective Dynamics of Frustrated Biological Neuron Networks.

PRX life·2025
Same author

MiroSCOPE: An AI-driven digital pathology platform for annotating functional tissue units.

bioRxiv : the preprint server for biology·2025
Same author

COEXIST: Coordinated single-cell integration of serial multiplexed tissue images.

PLoS computational biology·2025

相关实验视频

Updated: Jul 15, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K

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
PubMed
概括
此摘要是机器生成的。

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.

关键词:
癌症的入侵 癌症的入侵深度学习是一种深度学习.细分化 细分化的细分化球形形状的球形状

更多相关视频

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

439

相关实验视频

Last Updated: Jul 15, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

439

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.