FiCRoN是一个基于深度学习的算法,用于从光显微镜图像自动确定细胞内寄生虫负担
Graciela Juez-Castillo1, Brayan Valencia-Vidal2, Lina M Orrego3
1Instituto de Parasitología y Biomedicina "López-Neyra", Consejo Superior de Investigaciones Cientìficas, (IPBLN-CSIC), PTS Granada, 18016 Granada, Spain; Research Group Osiris&Bioaxis, Faculty of Engineering, El Bosque University, 110121 Bogotá, Colombia.
Medical image analysis
|November 28, 2023
概括
一种新的深度学习方法FiCRoN准确地从显微镜图像中量化细胞内寄生虫负担. 这种方法避免了细分,改善了概括,减少了被忽视的热带疾病研究的错误.
科学领域:
- 寄生虫学的寄生虫学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 原生虫寄生虫导致重大被忽视的疾病.
- 通过显微镜精确量化细胞内寄生虫负担是具有挑战性的.
- 现有的图像处理方法和基于细分的策略缺乏高性能和通用性.
研究的目的:
- 开发一种新的,高性能的深度学习方法来估计细胞内寄生虫负担.
- 解决寄生虫量化中传统图像分析的局限性.
- 为分析宿主细胞中的寄生虫负担提供快速准确的工具.
主要方法:
- 提出FiCRoN,一种基于完全卷积回归网络 (FCRNs) 的方法.
- 采用多任务学习,同时估计细胞内寄生虫,感染细胞和未感染细胞.
- 在两个尺度 (细胞内寄生虫和宿主细胞) 中利用回归,没有细分或检测.
主要成果:
- FiCRoN在估计细胞内寄生虫负担方面表现出高准确度.
- 该方法通过线性回归显示了手动和自动量化之间的良好相关性.
- 与基于细分的方法相比,实现了更高的概括性和减少了错误传播.
结论:
- FiCRoN是一种创新的,基于深度学习的图像分析软件,用于准确量化寄生虫负担.
- 该方法为被忽视的热带疾病研究提供了一个有希望的解决方案.
- FiCRoN具有作为一般单细胞计数器的潜在应用.
