相关实验视频
Updated: May 28, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.5K
数据集设计在开发可靠的U-Net模型中对无标签细胞形态评估数据集设计的重要性
Takeru Shiina1, Kazue Kimura1, Yuto Takemoto1
1Department of Basic Medicinal Sciences, Graduate School of Pharmaceutical Sciences, Nagoya University, Tokai National Higher Education and Research System, Furocho, Chikusa-ku, Nagoya, Aichi 464-8601, Japan.
Journal of bioscience and bioengineering
|February 11, 2025
概括
强大的细胞细分模型可以用小,多样化的数据集来开发. 使用常见的细胞模式和多种形态的训练,如螺旋和圆细胞,提高了深度学习模型的性能,用于无标签的细胞图像分析.
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
- 再生医学是一种再生医学.
背景情况:
- 无标签的细胞图像分析对于再生医学中的非侵入性细胞质量评估至关重要.
- 基于图像的自动化细胞分析提供了效率和定量见解,但细分仍然是一个挑战.
- 细胞培养中的有限数据可用性使得开发强大的深度学习模型存在困难.
研究的目的:
- 调查训练数据集设计如何影响U-Net细胞细分模型的稳定性.
- 为了确定最优的数据集特征,以有效的细胞细分与有限的数据.
- 为细胞制造和研究中深度学习模型开发提供指导.
主要方法:
- 训练有素的U-Net模型使用来自四种细胞类型的2592个图像对.
- 评估了42个数据集设计模式,重点关注大小,内容和形态多样性.
- 根据不同细胞类型的细分精度和稳定性评估模型性能.
主要成果:
- 强大的细胞细分模型可以用最少10个原始图像 (4×目标) 来实现.
- 具有常见细胞模式的训练数据集比具有罕见模式的训练数据集产生更强大的模型.
- 包括多样化的形态 (螺旋和圆形细胞) 显著提高了跨细胞类型的模型稳定性.
结论:
- 数据集内容和形态多样性是基于深度学习的牢固细胞细分的关键因素.
- 精心策划训练数据集对于有效的细胞图像分析至关重要.
- 这项研究为优化细胞制造和研究中的数据集设计提供了实用的见解.
