相关实验视频
Updated: May 21, 2025
06:40
Simple and Computer-assisted Olfactory Testing for Mice
Published on: June 15, 2015
10.0K
ML-UrineQuant:一种机器学习程序,用于识别和量化在吸收纸上的老鼠尿液
Warren G Hill1, Bryce MacIver1, Gary A Churchill2
1Laboratory of Voiding Dysfunction, Division of Nephrology, Department of Medicine, Beth Israel Deaconess Medical Center & Harvard Medical School, Boston, Massachusetts, USA.
Physiological reports
|March 19, 2025
概括
一个新的机器学习算法,ML-UrineQuant,准确地从空点测试中量化小鼠尿液斑点. 这个工具克服了图像的变化,改善了科学家的下尿道研究.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 计算生物学 计算生物学
- 动物模型 动物模型
背景情况:
- 空点测试是评估小鼠膀功能的一种常见方法.
- 目前对尿点模式的软件分析面临着由于图像质量变化和人工制造物的挑战.
研究的目的:
- 开发一种强大的机器学习算法,用于在小鼠空隙点测试中准确量化尿点.
- 解决现有软件在处理各种图像特征方面的局限性.
主要方法:
- 开发一种机器学习算法,ML-UrineQuant,使用基于区域的卷积神经网络 (Mask-RCNN).
- 训练对象识别算法来检测和量化不同大小的尿点.
- 在一系列照明和对比设置中测试模型.
主要成果:
- 在各种成像条件下,ML-UrineQuant在识别尿点方面表现出很高的准确性.
- 该算法有效地量化了在广泛的尺寸谱中尿液斑点.
- 尽管在图像对比度和分辨率上存在差异,但该模型的性能强大.
结论:
- ML-UrineQuant比目前分析空点测试的方法提供了显著的进步.
- 算法的适应性允许对特定实验室图像特征进行微调.
- 这种工具预计将对利用小鼠模型进行下尿路研究具有价值.
