使用DeepLabv3plus模型绘制细胞有机体的语义细分
概括
这项研究引入了一种深度学习方法,用于从标准传输光显微镜预测细胞器官图像,如内质网膜 (ER),细胞质和细胞核. 这种方法消除了对光染料的需求,为细胞形态分析提供了具有成本效益的替代方案.
科学领域:
- 细胞成像 细胞成像
- 计算生物学是一种计算生物学.
- 生物医学工程 生物医学工程
背景情况:
- 细胞绘画是一种用于亚细胞分析的高含量成像技术.
- 限制包括先进的仪器和有限的光染料.
- 传输光显微镜为临床应用提供了潜在的替代方案.
研究的目的:
- 调查语义细分深度网络的实用性,用于从复合显微镜图像中预测器官图像.
- 开发一种方法,使用传输光显微镜生成光样器官图像.
- 为了使全面的细胞形态特征没有光标签.
主要方法:
- 利用了一个由3456张复合图像组成的公共数据集.
- 采用像素智能标签与二进制面具用于内质网膜 (ER),细胞质和细胞核.
- 实现了DeepLabv3plus架构,具有Atrous空间金字塔聚合 (ASPP) 和深度可分离的卷积,用于语义细分.
- 分析了不同学习速率的准确性和损失,用雅卡德指数验证结果,平均边界F (BF) 得分和子指数.
主要成果:
- 获得了97.86%的准确性,损失0.07,学习率为0.01.
- 获得的高性能指标:核的平均BF得分 (0.98),子指数 (0.94),雅卡尔指数 (0.88); ER的平均BF得分 (0.97),子指数 (0.82),雅卡尔指数 (0.7);细胞质的平均BF得分 (0.95),子指数 (0.88),雅卡尔指数 (0.66).
- 证明了亚细胞结构和物体边界的精确划分.
结论:
- 语义细分深度网络有效地预测来自传输光显微镜的器官图像.
- 这种方法为细胞形态分析提供了光标签的替代方案.
- 该方法通过简化成像要求,对临床应用具有前景.
