利用卷积神经网络来分析微观图像,用于大介质干细胞的高通量查

科学领域:

• 生物技术和生物医学工程 生物技术和生物医学工程
• 计算生物学和生物信息学
• 细胞生物学和干细胞研究

背景情况:

• 准确分类介质干细胞 (MSCs) 对于它们的治疗应用至关重要.
• 传统的MSC分类方法可能耗时且缺乏高吞吐量能力.
• 超光谱成像 (HSI) 为细胞分析提供了丰富的光谱和空间信息.

研究的目的:

• 开发和评估基于超光谱成像的可分离卷积神经网络 (H-SCNN) 模型,用于对人类骨髓中介细胞干细胞 (hBMSCs) 的高通量分类.
• 将H-SCNN模型的性能与手动视觉检查和其他深度学习模型 (ResNet,VGGNet) 的性能进行比较.
• 评估H-SCNN模型用于选高功能的hBMSC的效率和准确性.

主要方法:

• 培养的hBMSCs使用完全自动化的显微镜进行成像,以获得超光谱显微镜 (HSM) 图像.
• 建立了一个H-SCNN模型,利用空间光谱联合距离 (SSCD) 来推导空间光谱邻居 (SSN) 以进行参数优化.
• 流细胞计 (FCT) 被用作功能分类的基准,比较H-SCNN与各种性能指标 (AUC,F1得分,精度,灵敏度,特异性,PPV,NPV) 的手动检查.

主要成果:

• H-SCNN模型实现了0.862的最佳分类准确度,具有最佳的窗口大小和SSN.
• 与ResNet和VGGNet模型相比,H-SCNN模型的可分离CNN (SCNN) 组件表现出更高的分类准确度 (89.56±3.09%) 和显著更短的训练时间 (21.32±1.09分钟).
• H-SCNN组表现出更高的分类性能指标 (AUC,F1得分,准确性等). 并且需要比手工检查要少得多的时间.

结论:

• H-SCNN模型是基于显微镜图像对hBMSCs的分类评估的有效工具.
• 该模型在分类准确性和效率方面表现出色,优于传统方法和其他深度学习架构.
• 在MSC应用中,H-SCNN模型具有显著的潜力,作为未来研究和高通量选的强大工具.