文章图片
文章图片
文章图片
深度学习也适用于学习距离变换 ， 可以将其输入到分水岭变换中 ， 以产生最终的分割掩码 。 这种方法最近被应用于单细胞分割 ， 结果非常有希望 。 基于对象检测的深度学习方法也适用于实例分割 。 预测图像中所有对象的边界框 ， 并使用
科学家的工作是将分割问题视为向量嵌入问题判别损失函数将同一对象中的像素分配给相同的向量 ， 将不同对象中的像素分配给不同的向量 ， 对嵌入空间进行无监督聚类来识别对象 。 这种方法产生了深度学习模型 ， 即使在对象重叠时也能执行准确的实例分割——这是细胞图像中的常见情况 。 最后 ， 生成方法最近被应用于分割 ， 并取得了可喜的结果 。 虽然描述的大多数模型都专注于二维分割 ， 但最近的方法已经适应了这些模型到三维数据 。
到目前为止 ， 对于二维或三维数据还没有一致的方法 ， 科学家怀疑最佳方法会根据训练数据的数量和分割任务而有所不同 。 例如 ， 边界框方法在细胞核图像上表现良好 ， 但可能不太适合丝状细菌或荧光微管图像的分割 。 科学家建议用户将最初的精力集中在现有的软件库上 ， 因为这些方法已成功应用于各种数据类型 ， 提供预训练模型 ， 并支持两者模型训练和新数据部署 。
图像分割的潜在用例非常广泛 ， 基于深度学习的方法提高了准确性 ， 既自动化了传统的计算机视觉工作流程 ， 又使以前不可能完成的分割任务成为可能 。 这些方法已应用于冷冻电子显微镜图像中的神经元分割 ， 具有足够的准确性 ， 可以将基于成像的连接组学置于范围内 。 单细胞图像分割是该技术的另一个关键应用 。 深度学习在单细胞分析中的第一个应用 。
科学家自己小组的工作表明 ， 即使训练数据有限 ， 也可以通过深度学习对跨越生命领域的细胞图像进行分割 。 更大的数据集 ， 改进的分割精度提高了活细胞成像和衍射受限对象跟踪中的对象跟踪 。 准确识别哺乳动物细胞中的细胞质提高了基于定位的活细胞报告基因的定量分析并且最近被用于探索裂殖酵母细胞大小控制的机制 。 令人兴奋的是 ， 深度学习最近被用于病理图像中的实例分割 。 科学家预计深度学习对于人类细胞图谱的开发至关重要 ， 因为图像分析对于所有空间转录组学和蛋白质组学实验都是常见的 。
总体而言 ， 更容易部署机器学习模型应该使几乎所有涉及细胞成像的实验受益 。 为希望将这些技术应用于自己的数据的用户提供了现有工具的链接 。 对象跟踪是通过一系列延时图像跟踪对象的任务 。 生物应用的一个例子是跟踪活细胞成像电影中的单个细胞 。 单细胞分析要求在每一帧中识别细胞 ， 并且随着时间的推移将这些检测联系在一起 。
【深度学习适用于学习距离变换，将其输入到分水岭变换中，以产生分割掩码】尽管对象跟踪可能具有挑战性 ， 但成功的解决方案已使其在各种生物分析中发挥作用 ， 包括信号动力学的量化、了解细胞运动的努力以及试图解开细菌细胞生长规律的尝试 。 由于生物图像中的对象数量以及图像采集引起的复杂性 ， 这项任务很复杂 。 成像过程中的光毒性通常会限制帧速率 ， 而光漂白会导致物体随着时间的推移变得更暗 。 物体可以接触、消失、合并 。 这些问题使得现有的对象跟踪算法适应生物数据变得具有挑战性 。
推荐阅读
- 看到灰狼就爬树躲避，来不及就装死，是对猞猁的严重污蔑
- 宇宙运行得井然有序，是谁在背后“操控”这一切？看完或颠覆认知
- 又拿下一个世界第一，中国科学家造出一重器，连美国都上门求购
- 量子传输特性，不仅取决于整个粒子的量子运动，还可能涉及内部自由度
- 介电泳是一种简单的移动粒子的方法，可以将微胶囊从油中快速转移到水中
- 科学家开发了一种“信息电池”，有望解决限电困境！
- 神农架深处为何会被列为禁区？只因一奇怪现象，科学家也无法解释
- 科学家：我们对宇宙的了解只有5%
- 谁在背后操纵着宇宙的一切？或许爱因斯坦的猜想是正确的