人类CD4+ T,CD8+ T和CD19+ B细胞的准确分类,通过交叉偏振衍射图像对从囊细胞中分离出来
Jiahong Jin1,2,3, Dujie Liao1,4, Lin Zhao1,4
1Institute for Advanced Optics, Hunan Institute of Science and Technology, Yueyang, Hunan 414006, China.
Analytical chemistry
|January 10, 2025
概括
极化衍射成像,结合深度神经网络 (DNN),准确地分类人类淋巴细胞亚型. 这种无标签的方法在区分CD4+ T,CD8+ T和CD19+ B细胞方面达到很高的准确性.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 机器学习 机器学习
背景情况:
- 衍射成像提供基于分子对光的反应的快速细胞表型.
- 使用衍射成像来区分不同的人类白细胞类型需要进一步调查.
研究的目的:
- 调查极化衍射成像技术对人类淋巴细胞亚型的分类能力.
- 开发和验证深度神经网络,用于分析偏振衍射成像数据.
主要方法:
- 从活体人体淋巴细胞获得交叉偏光衍射图像 (p-DI) 对.
- 开发了一种名为DINet-PS的双通道深度神经网络 (DNN),用于在角频域中提取和过特征.
- 该网络内置了适应性光谱过器,以减轻p-DI对中的噪声.
主要成果:
- 在持有测试数据上,DINet-PS模型实现了96.6 ± 0.40%的分类准确度.
- 对三个主要的淋巴细胞亚型进行了准确的分类:CD4+ T,CD8+ T和CD19+ B细胞.
- 该DNN有效地从p-DI数据中提取细胞特异性特征.
结论:
- 深度神经网络可以成功地从极化衍射成像数据中提取相关的细胞特征.
- 极化衍射成像流动细胞计显示了对淋巴细胞和白细胞亚型的无标签分类的显著潜力.
更多相关视频
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.4K
07:39Isolation of CD4+ T-cells and Analysis of Circulating T-follicular Helper cTfh Cell Subsets from Peripheral Blood Using 6-color Flow Cytometry
Published on: January 7, 2019
12.2K
