相关实验视频
Updated: Jul 6, 2025

10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.8K
在使用深度学习的稀疏标记3D电子显微镜图像上细分细胞超结构
Archana Machireddy1, Guillaume Thibault2,3, Kevin G Loftis2
1Program of Computer Science and Electrical Engineering, Oregon Health and Science University, Portland, OR, United States.
Frontiers in bioinformatics
|January 1, 2024
概括
深度学习在瘤的3D FIB-SEM图像中准确地细分细胞和亚细胞结构. 这种先进的瘤细胞和器官细分有助于理解癌症进展和开发新疗法.
科学领域:
- 电子显微镜和深度学习用于癌症研究.
背景情况:
- 聚焦离子束扫描电子显微镜 (FIB-SEM) 提供了瘤细胞详细的细胞超结构.
- 分析这些结构对于理解癌症机制至关重要,但受到细分挑战的阻碍.
研究的目的:
- 开发和验证一种深度学习方法,用于在转移性乳腺和胰腺瘤的3D FIB-SEM图像中对细胞和亚细胞超结构进行细分.
- 为了克服瘤超结构的定量分析中的瓶.
主要方法:
- 利用深度学习 (神经网络) 以高精度对亚细胞器官 (细胞核,细胞核,线粒体) 进行细分.
- 开发了一种用于细胞细分的多方方法,结合了细胞内空间检测,边界传播的光流和filopodia跟踪.
- 训练有素的神经网络与稀疏的手动标签用于超结构细分.
主要成果:
- 在细分方面获得了高的子分数:细胞为0.93,核为0.99,核为0.98,线粒体为0.86.
- 证明了相对明确的超级结构和具有挑战性的细胞边界的准确细分.
- 该方法使定量图像特征能够与临床变量相关联.
结论:
- 基于深度学习的细分显著改善了3D FIB-SEM瘤图像的分析.
- 这种方法促进了癌症细胞和亚细胞组织的详细定量分析.
- 这些发现为增强超结构数据的解释性染和临床相关性铺平了道路.

