通过深度学习突出特征,精确分期胚胎组织

科学领域:

• 发展生物学 发展生物学
• 计算生物学 计算生物学
• 机器学习在生物学中的应用

背景情况:

• 在HH10小大脑中,原始细胞的发育潜力迅速发生变化.
• 微妙的形态变化需要高时间分辨率和精确的分期进行大脑研究.
• 准确的分期对于理解发育过程至关重要.

研究的目的:

• 为了训练一个深层卷积神经网络 (CNN) 进行HH10小大脑的分阶段.
• 用小的翅膀图像来评估CNN分类器的概括性.
• 为了确定人工智能是否可以有效地以有限的数据进行发育样本.

主要方法:

• 一个深层卷积神经网络在151张专业标记的HH10大脑图像上受过训练.
• 使用生物信息图像增强和数据驱动的预处理.
• 为了进行概括性测试,分类器在269张小翅膀图像上进行了重新训练.

主要成果:

• 美国有线电视新闻网在HH10小大脑的分阶段测试中实现了87.1%的测试准确率.
• 在翅膀图像上进行重新训练,测试准确度高达86.1%.
• 度分析证实了用于分类的生物相关特征的使用.

结论:

• 可以训练一个深层卷积神经网络,以精确地分阶段HH10小大脑和翅膀与有限的数据.
• 开发的策略有助于培训图像分类器,用于各种发育生物学应用.
• 这种由人工智能驱动的方法改善了发展研究中的时间分辨率和公正的分阶段.