使用机器学习图像分割的3D组织培养的非破坏性,定量可行性分析

科学领域:

• 细胞生物学 细胞生物学
• 生物技术是生物技术.
• 生物信息学是一种生物信息学.

背景情况:

• 传统的细胞活力测试通常提供有限的二进制读数.
• 最近的进展将深度学习与图像分析相结合,用于自动化的细胞表征.
• 需要在各种细胞培养条件下进行更持续,更详细的生存评估.

研究的目的:

• 开发一种图像处理算法,在没有基于测试的指标的情况下,在3D培养中量化细胞活力.
• 验证算法的性能与人类专家对比,并证明其在跟踪治疗效果方面的实用性.
• 为更强大,更可重复的3D文化分析奠定基础.

主要方法:

• 开发了一种图像处理算法,以量化3D培养中细胞生存能力的特征.
• 算法的性能与人类专家对不同培养条件和时间点的整体井图像的分析进行了比较.
• 一项使用高含量成像的纵向研究追踪了一种治疗剂对胰腺癌球状体的影响.

主要成果:

• 该算法在评估细胞生存能力方面表现得与人类专家相美.
• 在纵向研究期间,它成功地在单个球体和整个井水平上跟踪了可行性.
• 与专家评估相比,拟议的方法将分析时间缩短了97%.

结论:

• 开发的图像处理算法提供了一种强大的,独立于测试的方法,用于量化3D培养中的细胞活力.
• 这种方法显著加快了分析时间,并提高了3D培养研究的可复制性.
• 该方法是多功能,适用于不同的成像系统,并为推进生物和临床研究奠定了基础.