使用细胞表面标记器优化密集的细胞的基于深度学习的细分
Sunwoo Han1, Khamsone Phasouk1, Jia Zhu1
1Vaccine and Infectious Disease Division, Fred Hutchinson Cancer Research Center, Seattle, USA.
Research square
|October 16, 2023
概括
密集组织中精确的细胞细分对于空间分析至关重要. 深度学习模型,特别是Cellpose,在针对性训练和参数调整后显著提高了性能,超过了最初的基准.
科学领域:
- 计算生物学是一种计算生物学.
- 图像分析 图像分析
- 免疫光显微镜的使用方法
背景情况:
- 精确的细胞细分对于空间分子分析至关重要.
- 在密集的炎症组织中识别和量化细胞是一个重大挑战.
研究的目的:
- 评估深度学习模型的细胞细分在免疫光图像的人类单纯疹病毒 (HSV) 感染的皮肤组织.
- 通过模型训练和参数调来提高细胞细分性能.
主要方法:
- 在免疫光成像上评估了18个深度学习细胞细分模型.
- 进一步训练了8个模型,使用目标数据集中的10,000多个实例.
- 性能最好的模型的微调参数.
主要成果:
- 最好的预训练模型达到0.516的平均平均精度 (mAP).
- 在训练后,Cellpose细胞模型达到0.694.4的mAP.
- 参数调整进一步提高了性能,达到0.711.11的mAP.
结论:
- 模型选择和有针对性的培训可以显著改善细胞细分性能.
- 优化模型的性能与人类评估具有竞争力.
- 数据集中的中等信号噪声比可能会限制最终的性能.
