在FIB-SEM图像中使用深度学习增强的自动化线粒体细分,使用权集体方法
Yubraj Gupta1,2, Rainer Heintzmann2,3, Carlos Costa1
1Departamento de Electrónica, Telecomunicações e Informática (DETI), University of Aveiro, Aveiro, Portugal.
PloS one
|November 26, 2024
概括
使用管道组合的线粒体的自动细分有助于早期发现疾病. 这种方法有效地处理大型成像数据集,提高线粒体疾病诊断的准确性.
科学领域:
- 细胞生物学 细胞生物学
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 线粒体是重要的器官,通过营养分解产生细胞能量 (ATP).
- 线粒体DNA的改变与主要线粒体疾病有关,包括神经退行性疾病.
- 早期检测线粒体异常对于疾病管理至关重要.
研究的目的:
- 在大规模显微镜数据集中开发一种用于高效线粒体细分的自动化工具.
- 为了解决病理学家手动细分的耗时性质.
- 改善线粒体疾病的早期检测和缓解.
主要方法:
- 为线粒体提出了两条自动细分管道的组合.
- 利用权聚变技术将管道输出结合起来.
- 在四个公共数据集上使用Jaccard指数,子系数,错误率和像素精度来评估性能.
主要成果:
- 整体方法在四个数据集中实现了高性能,UroCell数据集的平均Jaccard指数为0.9644和Dice系数为0.9749.
- 与2D和3D卷积神经网络 (CNN) 算法相比,证明了优越的细分效率.
- 实现了0.0062的平均错误率和0.9938.8的像素精度.
结论:
- 拟议的自动集体细分方法提供了高效和准确的线粒体识别.
- 这种方法有可能显著帮助病理学家在线粒体疾病的早期诊断.
- 该技术尽量减少用户干预,使大规模图像分析更可行.
