深度学习驱动的自动核分离无标签的活细胞染色素敏感的部分波光谱显微镜成像成像
Shahin Alom1, Ali Daneshkhah2, Nicolas Acosta2
1Department of Electrical and Computer Engineering, North Carolina Agricultural and Technical State University, Greensboro, NC 27411, USA.
bioRxiv : the preprint server for biology
|September 4, 2024
概括
我们开发了csPWS-seg,这是一个深度学习工具,用于在无标签显微镜图像中准确地细分细胞核. 这种自动化方法改善了染色质分析,有助于理解癌症的发展.
科学领域:
- 细胞生物学 细胞生物学
- 生物物理学的生物物理.
- 医学成像医学成像
背景情况:
- 染色体敏感的部分波谱 (csPWS) 显微镜为研究细胞核及其在致癌过程中的作用提供纳米级质量密度信息.
- 精确的核细分对于csPWS分析至关重要,但手动方法不可靠且耗时.
研究的目的:
- 开发一种自动化,准确的深度学习方法,用于在无标签的活细胞中对细胞核进行细分. csPWS显微镜图像.
- 为了提高csPWS数据分析的可靠性和效率,用于染色体和致癌性研究.
主要方法:
- 开发了csPWS-seg,这是一个U-Net模型,具有用于核细分的注意力机制.
- 利用基于结构和生物差异的三个不同的csPWS特征图像.
- 通过交叉与联盟 (IoU) 和子相似系数 (DSC) 的指标评估模型性能.
- 与基线U-Net和SE-U-Net模型进行性能比较,并分析了四个损失函数 (二进制交叉,焦点,子,Jaccard).
主要成果:
- 在HCT116细胞图像上,csPWS-seg实现了0.80的中位数IOU和0.88的DSC.
- 该模型的表现明显超过了基线U-Net和SE-U-Net.
- 焦点损失的csPWS-seg在测试的损失函数中表现出最好的分段性能.
结论:
- csPWS-seg为csPWS显微镜提供了准确和自动化的核细分.
- 该方法简化了数据分析,提高了染色体研究的可靠性,并支持癌症发生的诊断和理解.
