深度学习和基于像素的方法之间的比较,用于在前皮组织中自动量化HIV细胞的自动量化

科学领域:

• 免疫学 免疫学 免疫学
• 病毒学 病毒学
• 计算生物学 计算生物学

背景情况:

• 艾滋病毒的性传播风险与生殖器组织中的CD4+和CCR5+等免疫细胞有关.
• 准确量化这些细胞对于HIV易感性和预防研究至关重要.
• 现有的免疫光显微镜分析方法与高细胞密度和生殖器组织的自光作斗争.

研究的目的:

• 开发和验证基于深度学习的图像分析方法,用于精确,高通量细胞计数生殖器粘膜组织.
• 解决复杂组织环境中当前基于像素的方法的局限性.

主要方法:

• 利用StarDist深度学习模型进行细胞细分和计数在免疫光显微镜图像中.
• 这些图像是对核,CD3,CD4和CCR5.5染色的人类前皮组织的图像.
• 将深度学习模型的性能与手动计数 (黄金标准) 和传统基于像素的方法进行比较.

主要成果:

• 深度学习模型的准确性与手动计数相当.
• 该方法显著优于之前描述的基于像素的细胞计数方法.
• 该模型在分析具有高细胞密度和自光的组织区域方面表现出强大.

结论:

• 深度学习提供了一个准确,公正和高通量解决方案,用于量化生殖器组织中的免疫细胞.
• 这种方法增强了用于HIV研究的免疫光显微镜数据的分析.
• 该方法可以适应在粘膜组织中识别多种细胞类型.