转移学习提高了体积电子显微镜在组织间有机体细分中的性能
Ronald Xie1,2,3,4, Ben Mulcahy5, Ali Darbandi5
1Terrence Donnelly Centre for Cellular & Biomolecular Research, University of Toronto, Toronto, ON, M5S 3E1, Canada.
Bioinformatics advances
|April 8, 2025
概括
转移学习显著改善了对体积电子显微镜 (VEM) 成像的深度学习细分. 这种方法减少了大量手动注释的需要,使纳米尺寸3D生物结构识别更有效.
科学领域:
- 神经科学是一个神经科学.
- 细胞生物学 细胞生物学
- 显微镜的使用方法
背景情况:
- 卷度电子显微镜 (VEM) 提供了生物样本的纳米级3D成像.
- 用于器官和细胞识别的VEM数据的手动注释是劳动密集型和耗时的.
- 深度学习细分需要大量的标记数据,这种数据通常无法用于新的VEM数据集.
研究的目的:
- 开发和评估一种基于深度学习的转移学习方法,用于VEM中的基于深度学习的细分.
- 为了减少VEM数据集中的生物结构细分的手动注释负担.
- 将拟议的方法与现有模型和设置进行基准测试.
主要方法:
- 在多种哺乳动物组织和器官类型的多种VEM数据集上训练深度学习模型.
- 在较小的,针对特定目标的数据集上微调预训练模型.
- 在已发表的VEM数据集和新获取的老鼠肝脏数据集上使用串行块面扫描电子显微镜进行比较性能.
- 将转移学习方法与SegmentAnything Model 2和MitoNet在各种设置 (零拍,提示,微调) 中进行比较.
主要成果:
- 转移学习方法在对多个细胞器进行细分方面取得了高性能.
- 在预训练后,相对较少的新培训数据足够.
- 鼠肝数据集包括一个56×56×11米的体积,详细说明了线粒体和内分泌网膜的手册注释.
- 绩效与其他模型进行了比较,证明了转移学习策略的有效性.
结论:
- 转移学习是一种有效的策略,可以克服VEM细分中的数据限制.
- 这种方法显著减少了手动注释的需要,加速了生物结构的识别.
- 开发的模型和数据集是公开的,以促进VEM分析的进一步研究.
