轻量级的CNN通过全息成像成像流细胞计有效地将卵巢癌细胞与瘤微环境区分开来

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 全息成像流细胞计 (HIFC) 提供无标签的细胞分析.
• 卷积神经网络 (CNN) 可以解释复杂的细胞成像数据.
• 在瘤微环境 (TME) 中区分卵巢癌细胞对于诊断至关重要.

研究的目的:

• 开发一种轻量级的CNN来使用HIFC对卵巢癌细胞进行分类.
• 能够在复杂的细胞环境中无污染地识别目标细胞.
• 为了提高卵巢癌细胞检测的效率和准确性.

主要方法:

• 使用HIFC获取细胞的二维定量阶段图.
• 一个新的,轻量级的CNN架构被设计用于图像分类.
• 美国有线电视新闻 (CNN) 模型经过训练,可以在TME中区分卵巢癌细胞与非新生细胞.
• 性能与Resnet,VGG和Mobilenet等既有模型进行了比较.

主要成果:

• 与Resnet和VGG相比,拟议的轻量级CNN实现了优越的分类性能.
• 该模型表现出高效率,在准确性方面超过了Mobilenet,同时保持低计算成本.
• 该方法成功地将卵巢癌细胞与TME中的其他细胞类型区分开来.

结论:

• 开发的轻量级CNN通过HIFC提供了一个有前途的无染色方法,用于通过HIFC识别卵巢癌细胞.
• 这项技术可以简化诊断,提高对TME的理解.
• 这些发现支持开发个性化卵巢癌治疗方法.