细胞探测器 (CSPOT):一种机器学习方法,用于自动检测和定量高度多重化的组织图像

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 数字病理学数字病理学

背景情况:

• 高度多重化的组织成像和现场空间概况生成来自复杂样本的单细胞数据.
• 精确的细胞细分和每细胞强度测量是关键的,但在拥挤的组织中具有挑战性.
• 在流细胞计中常见的常规门方法,对于成像数据来说是有问题的.

研究的目的:

• 开发一种自动化细胞类型的计算方法,调用高度多重化的组织成像.
• 解决复杂细胞环境的细分和强度分析现有方法的局限性.
• 为了提高单细胞空间数据提取的速度,准确性和可重复性.

主要方法:

• 开发的细胞探测器 (CSPOT),一种结合监督机器学习和经典细分的计算方法.
• CSPOT通过分析形态,邻近和强度信息来自动识别细胞类型.
• 实现了CSPOT作为一个端到端的Python工具,用于集成到基于云的图像处理管道.

主要成果:

• CSPOT准确地分配细胞边界,并产生每个细胞的染色强度,克服细分挑战.
• 该方法对在组织成像中遇到的常见文物具有稳定性.
• CSPOT有效地取代了传统的网关,提供了更可靠的蜂类型呼叫.

结论:

• CSPOT为复杂组织中单细胞空间分析提供了强大的,自动化的解决方案.
• 计算方法提高了分析高度多重化的组织成像数据的准确性和可重复性.
• 集成到云平台有助于大规模的空间生物学研究.