CLANet:使用明亮场图像进行跨批次细胞系识别的全面框架.
Lei Tong1, Adam Corrigan2, Navin Rathna Kumar3
1School of Computing and Mathematical Sciences, University of Leicester, Leicester, UK; Data Sciences and Quantitative Biology, Discovery Sciences, AstraZeneca R&D, Cambridge, UK.
Medical image analysis
|March 2, 2024
概括
通过使用亮场图像,CLANet有效地识别了不同实验批量的细胞系. 这种新的框架克服了生物批量效应,在生物医学研究中提供了更可靠的细胞系认证.
科学领域:
- 生物医学成像学 生物医学成像学
- 机器学习 机器学习
- 细胞生物学 细胞生物学
背景情况:
- 细胞系认证对于可复制的生物医学研究至关重要.
- 监督深度学习显示了通过成像对细胞系识别的希望.
- 生物批量效应显著挑战可靠的细胞系分化.
研究的目的:
- 引入CLANet,一个使用明亮场图像进行跨批次细胞系识别的框架.
- 解决细胞系鉴定中生物批量效应所带来的挑战.
- 提高细胞系认证在各种实验条件下的准确性和可靠性.
主要方法:
- CLANet使用明亮场图像进行跨批细胞系识别.
- 采用细胞集群级别的选择密度变化和自主监督学习图像质量.
- 结合多个实例学习 (MIL) 与时间序列分段采样模块.
主要成果:
- 克兰网有效地减轻了三种不同的生物批量效应.
- 与现有的域调整和MIL方法相比,显示出更高的性能.
- 在AstraZeneca全球细胞库的93个实验批次中对32个细胞系进行了验证.
结论:
- 克兰网提供了一种强大的解决方案,用于跨生物批次的细胞系识别.
- 该框架提高了细胞系认证的可靠性,尽管数据生成的变化.
- 为生物医学研究中更准确,更可靠的细胞系识别铺平了道路.
更多相关视频
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
553
11:27Quantitative Multispectral Analysis Following Fluorescent Tissue Transplant for Visualization of Cell Origins, Types, and Interactions
Published on: September 22, 2013
9.4K