评估Cellpose细分与顺序值,例如在自光图像中的细胞质细分

科学领域:

• 细胞的新陈代谢
• 生物光子学 生物光子学
• 图像分析 图像分析

背景情况:

• 降低尼古丁胺氨酸二核酸 (酸盐) (NAD(P) H的自发光成像提供了对细胞代谢的无标签评估.
• 在细胞质和线粒体中NAD(P) H定位允许通过细胞质实例细分来量化细胞分离代谢.
• 由于细胞形状不规则和在自光成像中的集群,精确的细分具有挑战性.

研究的目的:

• 开发和评估一种新的细胞质细分方法,用于NAD的自光成像.
• 为了使用无标签的成像技术进行准确的单细胞代谢分析.

主要方法:

• 开发了一个细胞质后处理算法 (CPPA) 用于细胞质细分.
• 最初的细胞细分是使用手工细分或深度学习工具Cellpose实现的.
• CPPA使用基于强度的值来识别细胞核,并使用距离转换算法来细化细胞边缘,减去细胞核以获得细胞质面具.

主要成果:

• CPPA获得了高的F测量值 (0.89-0.94),用于在静止T细胞,激活T细胞和MCF7细胞之间用手分割细胞识别细胞质.
• 与 Cellpose 分段细胞一起,CPPA 显示出强大的性能,产生 0.72-0.84.8 的 F 测量值.
• 该方法的性能超过了比较细分工具 (CellProfiler,F-测量~0.50-0.60) 的性能.

结论:

• 开发的CPPA为NAD的P) H自光图像提供了准确的细胞质细分.
• 将基于AI的细胞细分与后处理相结合,提高了无标签细胞代谢分析的精度.
• 这种方法支持使用自光成像的先进单细胞代谢研究.