多功能图像辅助细胞分类通过选择性捕获与时空多参数准

科学领域:

• 生物技术是生物技术.
• 细胞生物学 细胞生物学
• 显微镜的使用方法

背景情况:

• 目前的细胞分类技术受到多功能性,复杂性,细胞数量要求和对象大小约束的限制.
• 现有的图像辅助分类器在高分辨率成像中扎着运动模糊.

研究的目的:

• 引入一种新的细胞分类方法,2D-SIGMAT,解决当前细胞隔离技术的局限性.
• 为了提高细胞分类精度,效率和多功能性,在各种物体大小范围内.

主要方法:

• 开发了以图像引导的多参数可调节定位 (2D-SIGMAT) 的二维分类,使用动态的现场光激活细胞捕获.
• 集成的高分辨率成像功能,在像素密度和减少运动模糊度方面超越现有方法.
• 利用包括YOLOv5在内的深度神经网络模型,进行强大的目标检测和分类.
• 与光,明亮场成像和时间数据分析的兼容性得到证明.

主要成果:

• 从单个细胞到有机体的物体实现了精确和高效的隔离.
• 与其他图像辅助分类器相比,每张图像的像素数量超过10倍的高分辨率成像,没有运动模糊.
• 展示了基于高分辨率时间数据的分类,捕捉动态细胞行为.
• 在每秒2000个单元的吞吐量下,使用YOLOv5.5实现了高达98%的恢复效率.

结论:

• 2D-SIGMAT将标准显微镜转化为具有扫描选择能力的多功能,高性能细胞分类器.
• 该方法在各种生物研究领域提供了广泛的应用潜力.
• 2D-SIGMAT克服了传统细胞分类的主要局限性,使先进的细胞分析成为可能.