自动化Caenorhabditis elegans寿命测定使用简化域合成图像基础的神经网络训练策略
Antonio García-Garví1, Pablo E Layana-Castro1, Joan Carles Puchalt1
1Instituto de Automática e Informática Industrial, Universitat Politècnica de València, Camino de Vera S/N, Valencia, 46022, Spain.
Computational and structural biotechnology journal
|October 23, 2023
概括
通过深度学习自动化Caenorhabditis elegans寿命分析,大大加快了数据收集的速度. 这种新的方法使用合成图像准确计数线虫,减少了大量手工标签的需求,提高了生产力.
科学领域:
- *生物医学研究和衰老研究.
- * 开发自动化生物检测技术.
背景情况:
- *手动测定C. elegans的寿命是劳动密集型和耗时的.
- * 自动化对于提高C. elegans研究的吞吐量和效率至关重要.
- *生成大型标记数据集用于生物成像中的深度学习是一个重大挑战.
研究的目的:
- * 开发一种自动化的深度学习方法,用于在寿命测试中计算活的C. elegans.
- * 提出一种基于图像的简化策略,以克服对大型标记数据集的需求.
- *为了验证自动计数方法与手动计数的准确性.
主要方法:
- * 两步深度学习方法:更快的R-CNN用于C. elegans的检测和转换成合成图像 (恒定背景上的圆形斑块).
- * 一个回归神经网络在简化合成图像序列上训练,以预测活线虫数量.
- *使用简单的模拟器训练计数网络,以避免大量的现实数据标签.
主要成果:
- *自动化方法准确地预测了活着的C. elegans数量,使得生存曲线产生.
- * 通过自动化方法生成的生存曲线与N2和daf-2菌株的手动计数相比没有显示出统计学上显著的差异 (p值日志排名测试分别为0.45和0.83).
- * 简化的图像策略有效地绕过了对大型,现实世界的标记数据集的需求.
结论:
- * 拟议的深度学习方法为自动化C. elegans寿命测试提供了高效和准确的解决方案.
- * 合成图像简化策略显著降低了深度学习模型训练数据标签的负担.
- *这种自动化方法提高了衰老研究和其他基于C. elegans的研究的生产力.
