使用低级特征和拓自相似性的细胞内器官网络的准确细分
Jiaxing Huang1,2, Yaoru Luo1,2, Yuanhao Guo1,2
1State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China.
Bioinformatics (Oxford, England)
|September 20, 2024
概括
这项研究引入了一种新的方法,用于从显微镜图像中准确地细分细胞内器官网络 (ION). 开发的方法提高了细分性能,使人能够对有机体结构和功能有新的见解.
科学领域:
- 细胞生物学 细胞生物学
- 生物成像是一种生物成像.
- 计算生物学 计算生物学
背景情况:
- 细胞内器官网络 (IONs),包括内质网膜 (ER) 和线粒体 (MITO) 网络,对于细胞功能至关重要.
- IONs的形态学和拓学对于它们的生理作用至关重要.
- 准确的ION细分对于分子机制分析和药物标查至关重要,但由于其复杂性而具有挑战性.
研究的目的:
- 开发和验证细胞内器官网络的先进图像细分方法.
- 改进对有机体形态和拓学的分析,以获得生物学见解.
- 为ION细分建立一个新的业绩基准.
主要方法:
- 优化了基线U-Net模型以建立性能基线.
- 开发了一种多分辨率编码器 (MRE) 和分层融合损失 (Lhf),结合了低级特征和拓自相似性.
- 在ER,MITO和视网膜血管数据集上使用U-Net和Pyramid Vision Transformer (PVT) 模型评估了MRE和Lhf方法.
主要成果:
- 拟议的MRE和Lhf显著改善了U-Net和PVT模型的细分性能.
- 该方法在多个数据集上超过了U-Net++,HR-Net,nnU-Net和TransUNet等最先进的模型.
- 整合MRE和Lhf增强了其他模型,证明了泛化能力.
- 精确的ER网络细分为其动态特性提供了新的见解.
结论:
- MRE和Lhf方法为准确的ION细分提供了强大的和可通用的解决方案.
- 这种方法有助于更深入地了解有机细胞网络的动态和功能.
- 开源代码和数据使得在细胞生物学领域的进一步研究和应用成为可能.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
12:08From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
Published on: August 13, 2014
24.5K
