气道细胞通过手动和机器学习的3D重建,对Volume EM数据集的辅助细分

科学领域:

• 细胞和分子成像技术
• 生物技术是生物技术.
• 计算生物学 计算生物学

背景情况:

• 卷电子显微镜 (vEM) 在纳米尺度上提供高分辨率的3D细胞和组织成像.
• 手动对vEM数据集进行细分是耗时的,限制了吞吐量和应用范围.
• 自动化细分工具正在出现,以应对vEM数据分析中的这些挑战.

研究的目的:

• 为手动和自动分割vEM数据提供协议.
• 为了促进呼吸道细胞结构的3D重建.
• 为了比较手动和基于深度学习的细分方法.

主要方法:

• 在IMOD包中使用3dMOD对2DvEM切片进行手动细分.
• 使用基于Panoptic-DeepLab (PDL) 架构的Empanada-Napari插件进行自动分段.
• 这些方法的应用用于气道细胞结构的3D重建.

主要成果:

• 提供了使用3dMOD手动分割的详细协议.
• 描述了一种使用Empanada-Napari的自动细分协议.
• 这两种方法都用于实现气道细胞结构的3D重建.

结论:

• 像Empanada-Napari这样的深度学习工具为自动化繁重的vEM细分任务提供了一个有希望的途径.
• 提出的协议使得从vEM数据中高效地进行细胞结构的3D重建.
• 这些进步可以显著提高生物研究中vEM的吞吐量和适用性.