在无标签的活细胞成像中识别建筑顺序,使用swin变压器条件的GAN

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 显微镜的使用方法

背景情况:

• 量化无标签成像阶段和极化 (QLIPP) 提供使用内在属性的非侵入性样本分析.
• 在准确描绘复杂,重叠或相互连接的组织结构方面,QLIPP面临着挑战.
• 在生物系统中阐明有序结构需要先进的成像技术.

研究的目的:

• 开发一种高效的计算模型,用于高精度预测复杂生物组织中的有序结构.
• 为了克服QLIPP在可视化复杂的细胞架构方面的局限性.
• 通过无标签的活细胞成像来增强对动态生物过程的理解.

主要方法:

• 提出了一个基于Swin变压器条件生成对抗网络 (ST-cGAN) 的高效架构.
• 协同结合了极化光显微镜与互补光学属性的合作重建.
• 杆互补对比信息用于高精度结构预测.

主要成果:

• ST-cGAN模型准确地预测了脏组织形态中的有序结构,包括F-actin和细胞核.
• 证明了高精度预测能力,解决了QLIPP与复杂组织结构的困难.
• 在空间和时间尺度上实现了固有的有序结构的增强可视化.

结论:

• ST-cGAN模型代表了无标签活细胞成像技术的重大进步,用于识别有序结构.
• 拟议的方法提高了QLIPP的准确性和可访问性,用于复杂的生物样本分析.
• 开源代码的可用性促进了可复制性和进一步研究动态生物过程的理解.