相关实验视频
Updated: May 8, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.3K
微观图像分割的最先进的深度学习方法:用于细胞,核和组织的应用
Fatma Krikid1, Hugo Rositi2, Antoine Vacavant1
1Institut Pascal, CNRS, Clermont Auvergne INP, Université Clermont Auvergne, F-63000 Clermont-Ferrand, France.
Journal of imaging
|December 27, 2024
概括
深度学习 (DL) 显著改善了用于生物研究的微观图像细分 (MIS). 本综述分析了DL方法,数据集和指标,强调了细胞,核和组织细分方面的进展.
科学领域:
- 医疗成像医学成像
- 生物学研究 生物学研究
- 计算生物学 计算生物学
背景情况:
- 微观图像细分 (MIS) 对于分析细胞结构和组织至关重要.
- 传统的MIS方法面临着像图像变化,复杂结构和噪声等挑战.
- 深度学习 (DL) 已经成为克服这些局限性的强大工具.
研究的目的:
- 为MIS提供一个全面的系统文献综述 (SLR) 最先进的DL方法.
- 分析过去六年来细胞,核和组织细分的DL方法.
- 评估基于DL的MIS研究中使用的数据集和性能指标.
主要方法:
- 对微观图像分割的DL方法进行系统的文献综述.
- 对DL技术进行批判性分析,以应对细分的挑战.
- 在选定的研究中评估数据集和绩效指标.
主要成果:
- DL方法已经大幅提升了MIS,提高了准确性和效率.
- 确定了细胞,细胞核和组织细分中的关键DL贡献.
- 分析了常用的数据集和性能指标.
结论:
- 在医疗和生物应用中,DL具有变革性的潜力,可以提高诊断准确性和研究效率.
- 该审查确定了基于DL的MIS的当前进展和差距.
- 建议未来的研究方向进一步改进方法和患者的结果.
