靠近调整的中心点映射用于在密集的3D细胞系统中准确检测细胞核
Tim Van De Looverbosch1, Sarah De Beuckeleer1, Frederik De Smet2
1Laboratory of Cell Biology and Histology, University of Antwerp, 2610, Antwerpen, Belgium.
Computers in biology and medicine
|December 18, 2024
概括
本研究介绍了近距离调整的中枢细胞映射 (PAC-MAP),这是一种用于3D细胞核细分的深度学习方法. 在密集的3D系统中,PAC-MAP准确地预测了核位置,改善了细胞计数.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习在2D图像细分方面表现出色,但3D细胞系统存在诸如高细胞密度和有限的基准真相数据等挑战.
- 对于专注于核位置的应用程序,准确的细胞形状划分通常是不必要的.
研究的目的:
- 开发一种3D深度学习方法,用于在密度细胞系统中预测核中心体和近距离映射.
- 克服现有的3D细分方法的局限性,特别是在高密度环境中.
主要方法:
- 实施的近距离调整的中心点映射 (PAC-MAP),一个基于U-net的3D模型.
- 该模型预测了核中枢位置和核之间的距离.
- 通过有限的专家注释和通过使用弱监督数据进行预训练来评估绩效.
主要成果:
- 在高细胞密度条件下,PAC-MAP表现出优于现有方法的性能,显著提高了回忆力.
- 获得了0.793的F1平均得分,用于在有限的训练数据下预测原子核心状.
- 使用弱监督数据进行的训练使F1平均得分提高到0.816.
结论:
- PAC-MAP为3D核细分提供了有效的解决方案,特别是在具有挑战性的密集细胞环境中.
- 这种方法对于量化球体中的细胞含量和绘制有机体中的细胞透情况非常有价值.
