细胞APP:用于微观细胞注释,细分和分类的可通用方法
Anish Virdi1, Ajit P Joglekar1,2
1Department of Biophysics, University of Michigan.
bioRxiv : the preprint server for biology
|February 3, 2025
概括
我们开发了一种新的方法来生成大型训练数据集,用于显微镜图像中的细胞实例细分. 这种方法可以准确地将细胞分为分裂 (m相) 或非分裂 (间相) 状态,从而改善系统生物学研究.
科学领域:
- 细胞生物学 细胞生物学
- 计算机视觉 计算机视觉 计算机视觉
- 显微镜成像成像技术
背景情况:
- 高通量光显微镜对于系统生物学至关重要.
- 准确的细胞定位和量化对于分析细胞过程至关重要.
- 监督深度学习在细胞实例细分方面表现出色,但需要大量的注释数据.
研究的目的:
- 开发一种可推广的方法,用于为组织培养细胞生成大型实例细分训练数据集.
- 为了训练基于视觉变压器的Mask R-CNN模型进行精确的细胞细分和分类.
- 解决生物数据集中的类不平衡问题,以提高模型性能.
主要方法:
- 一种用于生成合成实例细分训练数据的新方法,用于传输光显微镜图像.
- 基于视觉变压器 (ViT) 的Mask R-CNN模型的训练使用生成的数据集.
- 实施概率加权损失函数和分类数据收集,以处理m相和相间细胞之间的类不平衡.
主要成果:
- 为组织培养细胞生成大型,高质量的实例细分训练数据集.
- 开发高精度的物体探测器,能够对多种细胞类型进行细分和分类.
- 成功缓解了数据集类不平衡,从而提高了模型性能.
结论:
- 拟议的方法提供了一种可通用的方法,用于创建用于细胞实例细分的大规模训练数据.
- 经过训练的模型在细分和分类细胞为m相或间相方面表现出很高的准确性.
- 该方法可适应各种附着组织培养细胞系,在生物研究中具有广泛的应用性.
