增强细胞跟踪使用基于GAN的超分辨率视频对视频时差显微镜生成模型
Abolfazl Zargari1, Najmeh Mashhadi2, S Ali Shariati3,4,5
1Department of Electrical and Computer Engineering, University of California, Santa Cruz, CA, USA.
bioRxiv : the preprint server for biology
|June 25, 2024
概括
这项研究介绍了tGAN,这是一种用于合成时隔显微镜数据的新型生成器. tGAN通过创建多样化,高质量的注释视频来提高细胞跟踪的准确性,减少了手动数据标签的需求.
科学领域:
- 细胞动态和生物图像分析.
- 生物成像深度学习的进展.
背景情况:
- 时隔显微镜捕捉了动态的细胞过程,如生长和分裂.
- 准确的细胞细分和跟踪对于分析这些数据至关重要.
- 深度学习在细胞细分方面表现出色,但由于有限的注释数据,在细胞跟踪方面存在困难.
研究的目的:
- 为了解决细胞跟踪的注释时间缩短显微镜数据的稀缺性.
- 开发一种生成模型,以提高合成注释数据的质量和多样性.
- 提高基于深度学习的细胞跟踪模型的可通用性和精度.
主要方法:
- 提出了一个基于生成对抗网络 (GAN) 的时差显微镜生成器,命名为tGAN.
- 实现了双分辨率架构来合成低分辨率和高分辨率图像.
- 专注于捕捉复杂的细胞动态,对于准确的跟踪至关重要.
主要成果:
- 证明了tGAN能够生成高质量的,现实的,注释的时段视频的能力.
- 展示了该模型在合成多种细胞行为的有效性.
- 验证了合成数据在改善细胞跟踪模型性能方面的实用性.
结论:
- tGAN有效地生成用于时差显微镜的高保真合成数据.
- 拟议的方法减少了对训练细胞跟踪模型的大量手册注释的依赖.
- tGAN提供了一个有前途的解决方案,以提高生物图像分析中细胞跟踪的精度和稳定性.
更多相关视频
10:55Live Imaging Followed by Single Cell Tracking to Monitor Cell Biology and the Lineage Progression of Multiple Neural Populations
Published on: December 16, 2017
8.6K
13:13Time-Lapse Imaging of Neuronal Arborization using Sparse Adeno-Associated Virus Labeling of Genetically Targeted Retinal Cell Populations
Published on: March 19, 2021
2.9K
