迈向光标签-少病毒定位:自动估计细胞大小分布和感染水平从相对比显微镜使用深度学习和转移学习的阶段对比显微镜

科学领域:

• 生物技术是生物技术.
• 细胞生物学 细胞生物学
• 机器学习 机器学习

背景情况:

• 昆虫细胞的手动细分和尺寸分析用于感染评估是费力和耗时的.
• 光成像需要蛋白质标记,限制其在重组蛋白质生产和疫苗开发中的应用.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于使用相对比成像来自动检测和分析受感染的昆虫细胞的大小.
• 评估这种方法在没有光标记器的情况下分类感染水平的潜力.

主要方法:

• 导向梯度 (HOG) +支向量机 (SVM),基于更快区域的卷积神经网络 (Faster RCNN) 和用于细胞检测和大小计算的YOLO的比较直方图.
• 在有限的数据集上利用转移学习进行模型培训.
• 验证了受感染和未受感染细胞之间的细胞大小分布的差异.

主要成果:

• 与HOG+SVM和Faster RCNN相比,YOLO在细胞检测和大小计算方面表现出卓越的性能,尤其是在有限的数据的情况下.
• 在受感染和未受感染的细胞之间观察到细胞大小分布的显著差异.
• 基于YOLO的方法成功实现了感染水平的分类.

结论:

• 深度学习,特别是YOLO,提供了一种高效准确的方法,用于自动化从相对比图像进行昆虫细胞分析.
• 这种技术可以在不需要光标记的情况下更轻松地对感染水平进行分类,从而简化生物技术和疫苗开发的流程.