细胞在亮场显微镜图像中的分类和计数:卷积神经网络的应用
E K G D Ferreira1, G F Silveira2
1Carlos Chagas Institute, Curitiba, PR, CEP 81310-020, Brazil.
Scientific reports
|April 19, 2024
概括
这项研究引入了一种机器学习模型,用于从未染色的显微镜图像中分类细胞系,达到93%的准确性. 这种方法自动化了细胞量化,并为医学研究保留了细胞完整性.
科学领域:
- 医学研究 医学研究
- 生物技术是生物技术.
- 计算生物学是一种计算生物学.
背景情况:
- 显微镜对于医学研究至关重要,特别是细胞量化.
- 使用光灯图像进行手动或自动细胞计数是耗时且容易出现错误的.
- 机器学习 (ML) 为图像分析任务提供自动化解决方案,例如对象检测和分类.
研究的目的:
- 开发一种ML模型,用于在数字对比显微镜图像中对不同细胞系进行分类.
- 为细胞谱系的识别和量化创建一个预测模型.
- 利用未染色的图像进行基于形态的分类,保持细胞完整性.
主要方法:
- 实现一个卷积神经网络 (CNN) 机器学习算法.
- 在数字对比显微镜图像上训练模型.
- 评估分类准确性和接收器操作特征 (ROC) 曲线性能.
主要成果:
- 在预测细胞谱系方面,CNN模型实现了93%的准确性.
- ROC曲线的结果接近1.0,表明强的表现.
- 特定的细胞系 (SH-SY5Y,HUH7_mayv,A549) 的准确度略低 (78%-88%).
结论:
- 开发的CNN模型显示出从未染色的显微镜图像中准确分类细胞系的高潜力.
- 这种方法为传统的细胞量化方法提供了一个高效可靠的替代方案.
- 在医学研究中,CNN显示出克服与微观图像分析相关的复杂性.
