使用在合成细胞上训练的深度学习量化疟疾感染红细胞的可变性

科学领域:

• 血液学 血液学 血液学
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 红细胞 (RBC) 变形性降低是疟疾,糖尿病和状细胞贫血等疾病的标志.
• 微流体设备可以测量RBC变形,但从图像数据进行算法定量很困难.
• 深度学习在图像分析方面表现出色,但通常需要广泛的标记训练数据.

研究的目的:

• 开发一种新的深度学习方法,用于自动化RBC检测和变形量化.
• 通过利用合成数据生成,克服对手工注释标签的需求.
• 为了研究与各种*Plasmodium falciparum*菌株相关的红细胞变形性的差异.

主要方法:

• 合成RBC图像的生成模仿真实世界的噪音和变形.
• 在合成数据上培训深度学习网络,用于RBC细分和视频中检测.
• 训练网络的应用,用微流体记录量化RBC变形性.

主要成果:

• 成功训练使用合成数据的深度学习模型,消除了手动注释的需要.
• 该方法准确地检测和细分从视频录制中的RBC.
• 在感染不同*Plasmodium falciparum*菌株的红细胞之间观察到红细胞变形性的显著差异.

结论:

• 合成数据生成是一种有效的策略,用于训练血液图像分析的深度学习模型.
• 开发的方法为量化RBC变形性提供了一个强大的工具.
• 研究结果表明,红细胞变形性变异与Plasmodium falciparum*菌株毒性之间存在联系.