相关实验视频
Updated: Jun 16, 2025
Generation of 3D Tumor Spheroids for Drug Evaluation Studies
Published on: February 24, 2023
使用机械显微镜结合条件生成对抗网络的瘤球形弹性估计.
Ken Y Foo1, Bryan Shaddy2, Javier Murgoitio-Esandi2
1BRITElab, Harry Perkins Institute of Medical Research, QEII Medical Centre, Nedlands and Centre for Medical Research, The University of Western Australia, Perth, WA, Australia; Department of Electrical, Electronic & Computer Engineering, School of Engineering, The University of Western Australia, Perth, WA, Australia.
一种新的条件生成对抗网络 (cGAN) 方法提高了细胞弹性成像的准确性和分辨率. 这种先进的技术增强了细胞机制的分析,以更好地了解细胞功能和疾病进展.
科学领域:
- 生物医学光学 生物医学光学
- 细胞力学 细胞力学
- 在成像中的机器学习.
背景情况:
- 对细胞机械性质的准确成像对于了解细胞功能和疾病至关重要.
- 现有的机械显微镜方法在准确性和精度上有局限性,因为它简化了假设.
- 需要先进的技术,可以生成高保真弹性图像.
研究的目的:
- 调查使用条件生成对抗网络 (cGAN) 进行弹性成像的可行性.
- 开发一种cGAN模型,能够从相差数据中生成准确的弹性图像.
- 为了比较cGAN方法与传统代数方法的性能.
主要方法:
- 通过有限元分析生成了3万张人工弹性和相差图像.
- 在水凝中的细胞球状体的模拟数据上训练了一个cGAN模型.
- 评估了cGAN使用模拟和真实实验数据从MCF7乳腺瘤球体的机械显微镜.
主要成果:
- 与模拟数据上的代数方法 (中位数: 4.91 kPa) 相比,cGAN实现了较低的平方根平均误差 (中位数: 3.47 kPa).
- 由cGAN生成的弹性图像显示了更高的分辨率和更好的噪声强度.
- cGAN发现了类似于细胞核的特征,与其他成像方式相关联.
结论:
- 在弹性图像准确性和空间分辨率方面,cGAN方法显著优于代数方法.
- 开发的cGAN在模拟和实验数据上表现出对噪声的卓越灵敏度和稳定性.
- 这种方法为细胞和组织的高分辨率机械性质成像提供了有希望的进步.
更多相关视频
08:39High-throughput Image Analysis of Tumor Spheroids: A User-friendly Software Application to Measure the Size of Spheroids Automatically and Accurately
Published on: July 8, 2014
11:11Longitudinal Measurement of Extracellular Matrix Rigidity in 3D Tumor Models Using Particle-tracking Microrheology
Published on: June 10, 2014