发现和跟踪:基于深度学习的管道,用于在血栓形成期间跟踪血小板in vivo和ex vivo
Abigail S McGovern1, Pia Larsson2, Volga Tarlac2
1Department of Anatomy and Developmental Biology, Biomedicine Discovery Institute, Monash University, Melbourne, Australia.
Platelets
|May 9, 2024
概括
研究人员开发了一个开源的Python管道,用于使用先进的成像来分析血小板的行为. 这种工具精确地跟踪血小板,揭示了比以前观察到的更快的体内血栓形成.
科学领域:
- 生物医学工程 生物医学工程
- 血液学 血液学 血液学
- 计算生物学 计算生物学
背景情况:
- 先进的成像技术越来越多地用于血小板研究.
- 图像分析方法存在差距,限制了从血小板图像中提取数据.
研究的目的:
- 提供一个强大的分析管道,用于检测和跟踪发育中的血小板.
- 为了使用光显微镜数据准确量化血小板行为.
主要方法:
- 一个深度学习网络用于图像细分以检测血小板.
- 一个标准的粒子跟踪算法,用于随着时间的推移跟踪血小板.
- 定制图像采样用于验证密集的电流中的轨道.
主要成果:
- 与现有方法相比,管道证明了更高的准确性.
- 在体内血栓形成的速度明显快于体外血栓形成.
- 活体中血小板显示,随着血液流动,被动运动减少.
结论:
- 开发的分析管道在光显微镜中准确跟踪血小板.
- 开源工具促进了对血栓形成中的血小板动态的详细分析.
- 研究结果表明,在血栓发育过程中,体内与体外血小板行为存在差异.


