在免疫光染色中半监督细胞核细分的交叉比较表示学习
Jianran Ren1, Jingyi Che1, Peicong Gong1
1State Key Laboratory of Digital Medical Engineering, School of Biomedical Engineering, Hainan University, Sanya 572025, China; Key Laboratory of Biomedical Engineering of Hainan Province, One Health Institute, Hainan University, Sanya 572025, China.
Computers in biology and medicine
|February 13, 2024
概括
这项研究引入了一种新的半监督深度学习方法,用于医疗图像中的自动细胞细分. 该方法使用有限的标记数据显著提高了准确性,有助于大脑功能研究.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 从光学图像进行准确的细胞形态分析对于了解疾病中的大脑功能至关重要.
- 自动化神经元细胞细分对于神经图像分析至关重要,因为手工方法的劳累性质.
- 获取大型标记数据集以进行细胞细分的深度学习是昂贵且耗时的.
研究的目的:
- 为免疫光染色细胞图像数据集 (ISC) 开发一种新的半监督细胞细分算法,以减少对广泛标记数据的依赖.
- 通过在半监督的框架中改善教师和学生模型之间的比较,增强从未标记的数据中提取特征.
- 在复杂的成像背景中提高自动化细胞细分的准确性.
主要方法:
- 利用平均教师半监督学习框架进行细胞细分.
- 引入了一个"交叉比较表示学习块",以改善高维通道上的特征紧性和可分离性.
- 开发并使用多聚合层注意力密集网络 (MPAD-Net) 作为学生模型的支柱.
主要成果:
- 拟议的半监督算法在免疫光染色和CRAG数据集上实现了高性能.
- 使用仅20%的标记数据,实现了83.22%的平均Jaccard指数,90.95%的子和81.90%的正常表面子 (NSD).
- 在细胞细分精度方面表现优于其他领先的半监督学习方法.
结论:
- 这种新型的半监督方法有效地细分了具有显著减少标记数据要求的细胞.
- MPAD-Net和交叉比较表示学习块有助于卓越的特征提取和细分精度.
- 这种方法为神经图像分析和细胞形态学研究提供了具有成本效益和高效的解决方案.
