用完全卷积网络对经过治疗和未经治疗的瘤球体进行图像细分

科学领域:

• * 临床前癌症研究模型
• * 3D细胞培养系统
• * 放射治疗和化疗药物开发

背景情况:

• * 多细胞瘤球体 (MCTS) 在放射性化学疗法研究中模仿体内条件.
• *当前的测试需要对成千上万张图像进行艰苦的手工细分.
• * 由于细胞死亡和碎片,现有的细分工具在经过处理的MCTS中失败.

研究的目的:

• *为未经处理和经过处理的MCTS开发自动化细分方法.
• * 提高MCTS图像分析的效率和准确性.

主要方法:

• * 训练了两个完全卷积网络 (UNet和HRNet) 用于MCTS细分.
• * 优化过度参数以提高性能.
• * 在大型独立数据集上验证了该方法.

主要成果:

• * 实现了自动MCTS细分的高精度 (雅卡德指数~90%).
• *在具有挑战性的情况下,证明了与观察者之间的变异性相当的准确性.
• *与先前发布的数据集相比,成功测试.

结论:

• * 自动化细分工具已经准备好直接使用.
• * 便于整合到现有的球形分析管道中.
• * 提高了MCTS测定中的可复制性和标准化.