Life Science Solutions

博客文章

值得您信赖的无标记量化处理:一个深度学习实验

作者  -
使用深度学习技术进行的准确细胞核检测

荧光非常适合以绚丽的色彩呈现复杂的细胞结构。然而,在有些情况下,不使用荧光标记来获取必要的信息会更迅速、损害更小,或者说更加方便。

深度学习软件可为您完成这项工作。其卷积神经网络可以自动识别明场图像中的细胞和细胞核。它也可通过自我训练不断提高识别能力。

我们将其称之为自学显微法,而且我们已经将这一概念整合到cellSens生命科学图像分析软件中。下面这个例子说明了自学显微法如何为您提供帮助。

从DAPI到深度学习:一项实验

可以采用一种成熟技术进行细胞核的分割和计数,即使用DAPI标示细胞核,并分析荧光图像(图1,右图)。我们做了一个实验,目的是确认当我们通过cellSens深度学习模块分析未染色的明场图像(图1,左图)时,是否可以得到同样的结果。

使用深度学习技术进行无标记量化处理

图1:细胞核的明场图像(左图)和荧光图像(右图)。

为了训练软件,我们提供了96孔板中40个位置的荧光和明场图像。由于采用了自学显微法,训练以全自动方式进行,只花费了大约90分钟。

结果

下面的图2显示了100个使用荧光检测到的随机选择细胞核(左图),以及相应的明场图像(中图)和通过深度学习预测的物体形状(右图)。虽然这两种方法表现出出色的一致性,但通过深度学习检测到的物体总数大约高出3%。

使用深度学习技术进行的无标记细胞核检测

图2:使用荧光检测到的细胞核(左图)、相应的明场图像(中图)和通过深度学习技术预测的物体形状(右图)。

在研究这种差异的同时,我们发现荧光数据包含了许多异常大的物体。当我们比较这个子集中的图像时,我们发现许多荧光“物体”实际上是两个被算作一个物体的细胞核,并且其中大多数都被深度学习软件正确地报告为两个独立的物体(见下面的图3)。

使用深度学习技术进行的准确细胞核检测

图3:与荧光图像(左图)相比,深度学习软件可以明确地区分出相互靠近的细胞核(右图)。

从这个自学显微法实验中获得的重要经验教训

这个实验表明,基于深度学习技术的图像分析方法在性能上可轻易地媲美甚至超过基于荧光的图像分析方法。而且,用于准确物体检测的神经网络训练速度快并且自动执行。

对活细胞成像的益处显而易见:除了提高准确性之外,深度学习支持下的图像分析还意味着您不需要基因改造(GFP)或细胞核标记。结果:您可以节省样品制备的时间,省下一个荧光通道用于其他标记,并通过缩短曝光时间减少光毒性 — 有什么理由不喜欢呢?

相关内容

视频:深度学习在自学显微法领域的强大威力

产品信息说明册:cellSens生命科学成像软件

从一年的生命科学研究中学到的5条人工智能经验

Olympus Soft Imaging Solutions, GmbH产品经理

Mike Woerdemann曾获得基于结构光场的光镊技术博士学位。他曾担任奥林巴斯高内涵筛选系统提供支持的应用专家多年,在此期间积累了领域内深厚的实用知识。Mike现在担任Olympus Soft Imaging Solutions负责开发高内涵筛选系统和深度学习产品的产品经理。

2021年4月6日
Sorry, this page is not available in your country
InSight Blog Sign-up

By clicking subscribe you are agreeing to our privacy policy which can be found here.

对不起,此内容在您的国家不适用。

本网站使用Cookies文件提高网站性能、分析访客情况,同时用于广告相关考量。如您未更改网络设置,本Cookies将始终用于本网站。如需了解本网站更多Cookies使用信息,以及如何限制我们使用这些功能,请查看我们的Cookies条款页面

'接受条款