细胞和细胞核的实例细分来自多器官交叉协议显微镜图像

科学领域:

• 细胞生物学 细胞生物学
• 计算机视觉 计算机视觉
• 生物医学成像技术 生物医学成像技术

背景情况:

• 光显微镜对于细胞生物学至关重要,但由于细胞形态,噪音和重叠细胞的变化,在细分细胞和细胞核方面面临挑战.
• 准确的细分对于可靠的细胞分析至关重要,需要先进的计算机辅助方法.
• 深度学习为生物研究中的图像处理任务提供了强大的解决方案.

研究的目的:

• 开发和评估一种新的深度学习模型,用于在显微镜图像中精确地对细胞和细胞核进行实例细分.
• 利用尖端的深度学习技术,提高细胞图像分析的准确性和效率.
• 为细胞生物学研究人员提供一个强大的计算工具.

主要方法:

• 一个微调的你只看一次版本9扩展 (YOLOv9-E) 模型被用于界限框提示生成.
• 预先训练的分段任何模型 (SAM) 用于初始分段化面罩生成.
• 使用非最大压缩和图像处理技术,细分面具得到了改进.

主要成果:

• 拟议的方法在专家视觉细胞注释 (EVICAN) 数据集上表现出强的表现.
• 细胞细分的mAP50平均得分在简单测试组中达到了96.25%.
• 在简单的测试集中,核细分实现了高达68.04%的得分,性能因难度不同而有所不同.

结论:

• 与现有方法相比,开发的实例细分方法显示了有利的性能.
• 该模型显示了作为细胞培养专家的辅助工具的潜力.
• 这种方法可以在显微镜图像中快速且可靠地分析细胞结构.