细胞BinDB:一个大规模的多式联络注释数据集用于细胞细分,并对通用模型进行基准测试

科学领域:

• 计算生物学 计算生物学
• 生物图像分析 生物图像分析
• 数字病理学数字病理学

背景情况:

• 细胞细分对于定量生物图像分析至关重要.
• 深度学习模型优秀,但由于模式特定的调整,缺乏通用性.
• 需要全面的数据集来训练通用模型和评估细分技术.

研究的目的:

• 介绍CellBinDB,一个大规模的多式联络注释数据集.
• 促进通用细胞细分模型的培训.
• 基准测试当前的细胞细分技术.

主要方法:

• 创建了CellBinDB,包含来自人类和小鼠组织的1000多张注释图像.
• 包括多种染色:DAPI,ssDNA,H&E和多重免疫光.
• 通过使用数据集对8种最先进的细胞细分方法进行了基准测试.

主要成果:

• 细胞BinDB涵盖了30多种正常和患病的组织类型.
• 发现复杂的细胞形状会降低细分精度.
• 更高的图像梯度与改进的边界检测相关.

结论:

• 细胞BinDB支持开发多功能细胞细分解决方案.
• 获得的洞察力可以为各种成像场景改进细分策略.
• 该数据集有助于推进定量生物图像分析.