IDCC-SAM:使用分段任何模型的免疫细胞化学数据集中的细胞计数的零射击方法
Samuel Fanijo1, Ali Jannesari1, Julie Dickerson2
1Department of Computer Science, Iowa State University, Ames, IA 50010, USA.
Bioengineering (Basel, Switzerland)
|February 26, 2025
概括
我们开发了IDCC-SAM,这是一种在免疫细胞化学图像中计数细胞的新方法. 它使用分段任何模型 (SAM) 进行高效,准确,零射击细胞计数,无需手动标签.
科学领域:
- 生物医学研究的研究.
- 显微镜的使用方法
- 计算生物学是一种计算生物学.
背景情况:
- 在免疫细胞化学中手动计数细胞是费时的,容易出现错误.
- 深度学习方法需要广泛的,昂贵的标记数据集,阻碍了可扩展性.
- 精确的细胞量化对于疾病诊断和治疗研究至关重要.
研究的目的:
- 介绍IDCC-SAM,这是对分段任何模型 (SAM) 的新应用,用于免疫细胞化学中的零射击细胞计数.
- 为了利用SAM的预先训练的能力,消除对手动注释的需求.
- 为了提高细胞计数在显微镜成像中的可扩展性和效率.
主要方法:
- 利用Meta AI的分段任何模型 (SAM),在一个大图像数据集上进行预训练.
- 针对光显微镜免疫细胞化学数据的零射击细胞计数而改编的SAM.
- 在三个公共数据集上评估IDCC-SAM:IDCIA,ADC和VGG.
主要成果:
- 在VGG (26) 和ADC (28) 数据集中,IDCC-SAM实现了最低的平均绝对误差.
- 在所有测试的数据集中显示了最高的可接受绝对误差 (28%,26%,33%).
- 超越了最先进的监督 (U-Net, Mask R-CNN) 和零射击 (NP-SAM, SAM4Organoid) 模型的性能.
结论:
- IDCC-SAM为免疫细胞化学中的细胞计数提供了一个可扩展和高效的解决方案.
- 零射击方法显著减少了对手册注释和专用模型的依赖.
- 这种方法有可能提高生物医学图像分析的准确性和可访问性.
