一个基于对象检测的模型,用于在药物查期间自动查干细胞衰老
Yu Ren1, Youyi Song1, Mingzhu Li1
1National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging, School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, Shenzhen 518060, China.
概括
一个新的深度学习模型,STGF R-CNN,准确地检测衰老细胞,改进了定量评估. 这种带有Swin变压器 (Swin-T) 和组正常化 (GN) 的快速区域卷积神经网络 (Faster R-CNN) 显著加快了对潜在抗衰老药物查的分析.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 细胞生物学 细胞生物学
背景情况:
- 准确的细胞衰老检测对于定量评估至关重要.
- 挑战包括小细胞大小,微妙的视觉差异,以及阻碍临床使用的复杂模型.
- 现有的方法在错过和错误检测方面扎.
研究的目的:
- 开发一种高效,准确的深度学习模型来检测衰老细胞.
- 为了能够精确量化诱导的多能干细胞衍生的介酶干细胞 (iP-MSCs) 衰老.
- 克服当前细胞衰老检测方法的局限性.
主要方法:
- 提出了STGF R-CNN,一个更快的区域卷积神经网络 (更快的R-CNN) 模型.
- 集成的Swin变压器 (Swin-T) 用于在多个尺度上增强特征表示学习.
- 用于轻量级和临床适用模型的雇员组规范化 (GN).
主要成果:
- 实现了高衰老检测精度,平均平均精度 (mAP) 为0.835.
- 模型参数 (Params) 是46.06M,而FLOP是95.62G.
- 将衰老评估时间从12小时缩短到不到1秒.
结论:
- STGF R-CNN 显示出比现有的老化细胞检测方法更高的性能.
- 该模型为老化量化的准确性和速度提供了显著的改进.
- 为抗衰老药物查和临床应用提供了一个有前途的工具.
更多相关视频
07:39SA-β-Galactosidase-Based Screening Assay for the Identification of Senotherapeutic Drugs
Published on: June 28, 2019
23.7K
08:56Simultaneous Imaging and Flow-Cytometry-based Detection of Multiple Fluorescent Senescence Markers in Therapy-Induced Senescent Cancer Cells
Published on: July 12, 2022
2.9K
