Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Coordinated regulation of mRNA translation and stability by ZC3H7A and ZC3H7B RNA-binding proteins.

Cell reports·2026
Same author

Direct Mapping of CDK2 Substrates in Embryonic Stem Cells Uncovers an AP-Site Repair Mechanism via HMCES Phosphorylation.

bioRxiv : the preprint server for biology·2026
Same author

Quantitative CDK2 Dynamics Are Linked to Cell Fate Decisions in Differentiating Trophoblast Stem Cells.

bioRxiv : the preprint server for biology·2026
Same author

Identification and inhibition of the Cyclin D Rb-docking interface that drives cell division.

bioRxiv : the preprint server for biology·2026
Same author

E2F1 induces a G0-G1 reentry transcriptional program without changing chromatin accessibility.

bioRxiv : the preprint server for biology·2025
Same author

Understanding human embryogenesis by building programmable stem cell-based models.

Trends in cell biology·2025

相关实验视频

Updated: Jun 27, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K

增强的细胞细分与有限的训练数据集使用循环生成对抗网络.

Abolfazl Zargari1, Benjamin R Topacio2,3,4, Najmeh Mashhadi5

  • 1Department of Electrical and Computer Engineering, University of California, Santa Cruz, Santa Cruz, CA, USA.

iScience
|May 6, 2024
PubMed
概括

本研究介绍了cGAN-Seg,这是一种深度学习方法,可以生成合成生物图像,以改善细胞细分模型的训练. 这种方法提高了模型的准确性和概括性,即使有有限的注释数据.

关键词:
生物信息学是一种生物信息学.细胞生物学 细胞生物学机器学习是机器学习.

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

392
Analyzing Mitochondrial Morphology Through Simulation Supervised Learning
12:06

Analyzing Mitochondrial Morphology Through Simulation Supervised Learning

Published on: March 3, 2023

4.0K

相关实验视频

Last Updated: Jun 27, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

392
Analyzing Mitochondrial Morphology Through Simulation Supervised Learning
12:06

Analyzing Mitochondrial Morphology Through Simulation Supervised Learning

Published on: March 3, 2023

4.0K

科学领域:

  • 生物图像分析 生物图像分析
  • 深度学习 (Deep Learning) 是一种深度学习.
  • 计算生物学 计算生物学

背景情况:

  • 深度学习显著推进生物图像分析,但需要用于细胞细分的大型注释数据集.
  • 多种注释数据集的有限可用性阻碍了强大的单细胞细分模型的开发.

研究的目的:

  • 开发一种新的深度学习架构,cGAN-Seg,以使用有限的注释数据集增强细胞细分模型训练.
  • 通过合成数据生成,提高细胞细分模型的准确性和概括能力.

主要方法:

  • 推出了基于CycleGAN的架构cGAN-Seg,用于生成注释合成显微镜图像.
  • 合成图像模仿现实世界的形态细节,增加训练数据的可变性.
  • 评估了cGAN-Seg对标准细胞细分模型性能的影响.

主要成果:

  • 与传统培训相比,cGAN-Seg显著提高了已建立的细胞细分模型的性能.
  • 生成的合成图像密切地复制了真实相对比和光显微镜图像的细微差别.
  • 增强的训练数据可变性导致更好的预测准确性和模型概括性.

结论:

  • cGAN-Seg有效地解决了在单细胞细分中有限的注释数据的挑战.
  • 该方法加速了准确和可泛化的显微镜图像分析工具的开发.
  • 这种方法有可能通过有效的培训来推进生物图像分析的基础模型.