细胞Seg3D,用于光显微镜的自我监督的3D细胞细分

科学领域:

• 细胞生物学 细胞生物学
• 神经科学是一个神经科学.
• 生物成像是一种生物成像.
• 机器学习是机器学习.

背景情况:

• 准确的3D细胞结构分析对生物学和神经科学至关重要.
• 为细胞量化生成3D地面真实数据是复杂且数据密集的.
• 现有的方法与标签稀缺的生物背景作斗争.

研究的目的:

• 开发新的3D模型和自我监督的学习方法,用于细胞核的量化.
• 为3D细胞细分创建可访问的工具 (CellSeg3D包).
• 通过使用各种3D数据集建立强大的基准.

主要方法:

• 引入了一个3D变压器 (SwinUNetR) 和一个3D自主监督学习方法 (WNet3D).
• 开发了CellSeg3D Python包与Jupyter笔记本和napari GUI插件集成.
• 创建了一个人类注释的 mesoSPIM 数据集用于基准测试.
• 在四个不同的3D数据集上对WNet3D与最先进的监督方法进行了基准测试.

主要成果:

• 自主监督的WNet3D模型实现了与监督方法相比的性能.
• WNet3D在各种数据集中表现出有效性,包括具有挑战性的,密集的核.
• 细胞Seg3D为3D细胞细分提供了可访问的工具.

结论:

• 在标签稀缺的场景中,WNet3D为3D细胞核量化提供了强大的解决方案.
• 细胞Seg3D软件包使访问先进的3D细分工具变得更加民主.
• 这项工作促进了3D细胞分析在生物研究中的更广泛应用.