在多重复的免疫光成像中拓保护膜骨架细分.

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
• 机器学习 机器学习

背景情况:

• 多复合免疫光 (MxIF) 对于先进的细胞分析至关重要.
• 在MxIF数据中有效的细胞细分是具有挑战性的,因为标记物可变性和复杂的细胞结构.
• 目前基于流域的方法与复杂的标记关系和污点质量问题作斗争.

研究的目的:

• 开发一种基于深度学习的方法,用于MxIF成像中的精确细胞膜细分.
• 汇总来自多个MxIF标记器的互补信息,以改善细分.
• 在细分的管状膜结构中增强拓保存.

主要方法:

• 提出了一个深度学习模型,集成全球 (z-stack投影) 和本地 (个人标记) 信息.
• 研究了最先进的二维深度网络和体积损失函数.
• 进行了一项全面的剥离研究,并为骨结构引入了一种新的体积度指标.

主要成果:

• 深度学习模型显著改善了细分性能.
• 与基线方法相比,新型体积指标增加了20.2%,调整后兰德指数 (ARI) 增加了41.3%.
• 根据威尔科克森签名等级测试,结果具有统计学意义 (p<0.05).

结论:

• 深度学习为推进MxIF细胞细分提供了一个有希望的方向.
• 拟议的方法通过利用多标记数据,有效地对管状膜结构进行细分.
• 开发的工具是公开可用的,用于进一步的研究和应用.