aiSEGcell:用户友好的基于深度学习的细分核在传输光图像中的细分

科学领域:

• 细胞成像 细胞成像
• 生物图像分析分析
• 机器学习在生物学中的应用

背景情况:

• 显微镜中的细胞结构细分通常需要光标签.
• 光标签可以增加光毒性,限制成像通道,并减缓获取速度.
• 当前的自动化方法往往需要专门的专业知识和优化条件.

研究的目的:

• 介绍aiSEGcell,这是一个用户友好的软件,用于用CNNs在明亮场显微镜图像中对细胞和细胞核进行细分.
• 评估aiSEGcell在不同细胞类型和成像方式中的性能.
• 为培训和验证提供大型,精心策划的数据集.

主要方法:

• 开发一种基于CNN的软件,aiSEGcell,用于明亮场图像细分.
• 从各种成像方式对2D细胞培养进行了广泛的评估.
• 创建和提供一个基本真相数据集,包括1100万个核在20,000张图像.
• 用32张图像证明了重新训练的能力.

主要成果:

• aiSEGcell在具有挑战性的明亮场景图像中准确地对核进行细分,与手动细分相似.
• 该软件保存生物相关信息用于定量分析,包括噪音生物传感器数据.
• 证明了对新细分任务的高度适应性,具有最小的再培训数据.

结论:

• aiSEGcell在明亮场显微镜中为细胞和细胞核细分提供了一种可访问和高效的解决方案.
• 该软件减少了对光标签的依赖,从而最大限度地减少了光毒性,并加快了成像工作流程.
• aiSEGcell使没有编码专业知识的研究人员能够通过命令行或GUI进行高级生物图像分析.