UNSEG:复杂组织样本中细胞及其细胞核的无监督细分

科学领域:

• 计算生物学 计算生物学
• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习

背景情况:

• 多复合成像使组织微环境的亚细胞分辨率分析成为可能.
• 准确的细胞和亚细胞区分对于量化组织复杂性至关重要.
• 现有的深度学习方法通常需要大量的训练数据,并且在无监督环境中难以进行概括.

研究的目的:

• 开发一种易于使用的无监督细分方法 (UNSEG),用于准确地识别细胞和亚细胞区.
• 在不需要任何培训数据的情况下,实现深度学习水平的性能.
• 提高对复杂组织形态的概括性,并使精确的分子定位成为可能.

主要方法:

• 利用贝叶斯式的框架与细胞核和细胞膜标记物相结合,用于无监督的细分.
• 引入了一个扰乱分水算法,用于从集群中稳定和准确地细分单个细胞核.
• 在胃肠组织数据集,公开可用的数据集和各种实际场景上验证了该方法.

主要成果:

• 与当前的深度学习方法相比,UNSEG表现出内部的一致性和对组织形态的优越概括性.
• 该方法准确地识别了细胞质区,并将分子定位到它们的正确亚细胞位置.
• 扰乱的流域算法提高了核心细分的经典流域的准确性.

结论:

• 在复杂的生物组织中,UNSEG为亚细胞细分提供了强大的,数据效率高的解决方案.
• 该方法可以更准确地量化和分析多重成像数据.
• 对于研究组织微环境的研究人员来说,UNSEG提供了一个可通用和强大的工具.