使用深 convolutional 神经网络在无标签的时间间隔高通量视频显微镜中自动检测 apoptotic 体和细胞

科学领域:

• 生物技术是生物技术.
• 细胞生物学 细胞生物学
• 医疗成像医学成像

背景情况:

• 准确检测细胞亡对于理解细胞死亡至关重要.
• 目前的方法,如Annexin-V染色,往往提供不一致和晚期的细胞亡指标.
• 在细胞与细胞相互作用研究中,需要可靠的,无标签的技术来实时检测细胞亡.

研究的目的:

• 开发和验证一种无标签的方法,用于检测和分析apoptotic事件.
• 与现有的光标记器相比,提高了亡检测的灵敏度和及时性.
• 使用先进的成像和机器学习直接识别apoptotic体.

主要方法:

• 使用ResNet50卷积神经网络进行图像分析.
• 开发了一种无标签的方法,可以直接检测纳米井中的apoptotic体.
• 实现了与IoU (交叉与联盟) 准确度的apoptotic体细分.

主要成果:

• 该ResNet50网络在识别纳米井与apoptotic体的准确性达到92%.
• 丧细胞体细分显示了75%的IoU准确性,使丧细胞细胞的识别.
• 无标签方法检测到70%的亡事件比Annexin-V染色,包括早期阶段.

结论:

• 开发的无标签方法在亡检测方面取得了重大进展.
• 与Annexin-V相比,这种技术可以更准确和更早地检测亡事件.
• 代码和数据的开源可用性促进了进一步的研究和应用.