UNSEG:复杂组织样本中细胞及其细胞核的无监督细分

科学领域:

• 计算生物学和生物信息学
• 生物医学成像和图像分析

背景情况:

• 多复合成像使瘤微环境的亚细胞分辨率分析成为可能.
• 准确的细胞细分成亚细胞区对于量化生物复杂性至关重要.
• 现有的深度学习方法主要在监督学习范式内运行,需要大量的培训数据.

研究的目的:

• 为生物图像开发一种通用,无标签,无监督的细分方法.
• 在不需要训练数据的情况下,在细胞细分中实现深度学习水平的性能.
• 改进复杂组织形态和多重成像中的亚细胞区的分析.

主要方法:

• 引入了使用贝叶斯式框架的无监督细分 (UNSEG) 方法.
• 利用细胞核和细胞膜标记器来估计分割的像素概率.
• 开发了一种扰乱分流算法,用于稳定且准确地对聚类细胞核进行细分.

主要成果:

• 在没有培训数据的情况下,UNSEG实现了深度学习级别的细分性能.
• 与深度学习方法相比,UNSEG表现出优越的内部一致性和对组织形态学复杂性的概括性.
• 该方法可以明确识别细胞质区,并提高核细分的准确性.

结论:

• UNSEG提供了一个易于使用,无监督的解决方案,用于在具有挑战性的组织样本中进行细胞细分.
• 该算法可以作为无监督和监督学习之间的桥梁,增强深度学习细分.
• 一个新的扰乱分流算法为各种成像环境提供了改进的核细分.