使用深度学习算法对Trypanosoma brucei哺乳动物生命周期阶段的分类
Hamid Cheraghi1,2, Lara López-Escobar3, José Rino3
1Department of Biological Physics, Eötvös Loránd University (ELTE), Budapest, Hungary.
PLoS neglected tropical diseases
|August 14, 2025
概括
我们开发了一个深度学习管道,从未标记的图像中对Trypanosoma brucei寄生虫形式进行分类. 这种自动化方法准确地区分了细形和形,有助于寄生虫生物学研究.
科学领域:
- 寄生虫学的寄生虫学
- 计算生物学 计算生物学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 准确的Trypanosoma brucei血流形式 (苗条和的) 的分类对于了解寄生虫生物学和疾病传播至关重要.
- 目前的方法通常依赖于光标记的寄生虫,限制了可扩展性,需要专门的技术.
- 在T. brucei细形和形之间进行视觉区分是具有挑战性的,需要客观的分类方法.
研究的目的:
- 开发和验证一个半自动化的深度学习管道,用于从未标记的显微镜图像中对T. brucei血流形式进行细分和分类.
- 评估开发管道的性能与传统分类方法和其他深度学习架构相比.
- 建立一个可扩展和高效的框架,用于单细胞形态的高通量分析.
主要方法:
- 实施了两阶段的深度学习管道,首先是Cellpose用于寄生虫细分和文物移除.
- 基于Xception架构的分类模型被用于区分纤细和的T. brucei形式.
- 使用转移学习和对未标记的显微镜图像进行微调,优化了分类模型.
主要成果:
- 深度学习管道成功细分和分类T. brucei血流形式,准确率为97%.
- 基于Xception的模型优于其他标准深度学习架构,包括InceptionV3,ResNet50和VGG16.
- 开发的框架在分析未标记的形态数据以对寄生虫进行分类方面表现出有效性.
结论:
- 深度学习为自动化寄生虫阶段分类提供了一种强大而有效的方法,克服了传统方法的局限性.
- 开发的半自动化管道为Trypanosoma研究中的高吞吐量分析提供了可扩展的解决方案.
- 这个框架可以适应各种单细胞分类任务,使用未标记的形态数据,推进自动细胞分析.
