在Brightfield显微镜图像中比较慢性淋巴细胞白血病细胞细分的深度学习性能.

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 细胞生物学 细胞生物学

背景情况:

• 在低对比度明亮场显微镜图像中精确检测细胞是具有挑战性的.
• 自动细胞检测对于定量细胞形态学和迁移研究至关重要.
• 需要最先进的图像细分方法来精确检测细胞边界.

研究的目的:

• 评估和比较八种先进的神经网络架构,用于在低对比度明亮场显微镜图像中对细胞进行细分.
• 确定最佳的深度学习模型来检测和细分慢性淋巴细胞白血病 (CLL) 细胞.
• 评估不同细分方法对细胞形态特征分析的影响.

主要方法:

• 八个神经网络架构的比较 (U-net,U-net++,PAN,MAN,LinkNet,FPN,DeepLabV3,DeepLabV3+) 用于图像分割.
• 1000个时代的培训网络使用PyTorch和PyTorch闪电.
• 使用分水算法和三类语义细分,例如细分.
• 使用StarDist,一个用于对象检测的深度学习工具.

主要成果:

• 采用ResNeSt-269骨干的U-net++架构在语义细分方面获得了最高的交叉与联盟 (IoU) 分数0.8902的分数.
• 在不同细分方法中观察到平均细胞特征 (面积,圆形,坚固度,周长,半径,形状指数) 的统计学上显著差异 (p < 0.0001).
• 虽然算法总体上与基本真相一致,但不同的方法优先考虑了不同的形态特征.

结论:

• 细胞细分方法的最佳选择取决于具体的应用和正在研究的细胞特征.
• 在这种情况下,U-net++在CLL细胞的语义细分方面表现出卓越的性能.
• 不同的细分方法可以影响细胞形态学的定量分析,需要仔细选择方法.