深度学习自动量化分析脑器官样体
使用显微镜分析自动排列物,结合 SegmentAnything 精确划定个体排列物的全面管道和形态学性质(周长、面积、半径、非平滑度和非圆形度),加速排列物形态学分析。
Sep, 2023
我们提出了一种新的方法来量化脑组织的微观结构,该方法基于对细胞形状进行分析得到的可解释特征的自动识别。与传统方法相比,我们的系统基于可解释特征而不是灰度值来做决策,并且可以准确地定位和识别现有的脑结构,从而有助于连接组学研究和脑电路的逆向工程。
Apr, 2024
用人类大脑器官样物体研究脑发育的最新进展,引入了 BOrg 数据集,利用其中的脑器官样物体的共聚焦显微镜图像,采用高效的注释流水线和稀疏点注释技术,适应并评估了最先进的物体检测和细胞计数模型,用于检测和分析脑器官样物体中的有丝分裂细胞,实验证明这些模型相对于现有方法显著提高了有丝分裂分析的效率和准确性,促进了自动工具的开发,以量化有丝分裂率,帮助研究神经发育过程和疾病机制。
Jun, 2024
在生物和医学研究中,科学家们经常获取数百个形态异质性器官样体的显微镜图像,然后面临着在图像集合中寻找模式的任务,即出现相似并可能代表相同形态类别的器官样体的子集。我们采用了用于相关器官样体图像的模型和算法,即用于量化所描绘的器官样体在外观和几何上的相似性,并通过整合冲突的相关性对器官样体图像进行聚类。对于相关器官样体图像,我们采用了两种替代方法,即部分二次分配问题和双网络。对于器官样体图像的聚类,我们采用了相关性聚类问题。实证上,我们学习了这些模型的参数,推断了器官样体图像的聚类,并量化了与生物学家手动聚类的最先进荧光显微镜图像训练集和测试集相对于推断聚类的准确性。
Mar, 2024
提出了一种用于 3D 培养的细胞存活性的图像处理算法,具有消除基于试剂的指标的需求,通过使用高内容成像系统,能够在个体瘤球和整体培养基水平上成功跟踪细胞存活性,分析时间较专家减少了 97%。这种方法不受显微镜或成像系统的限制,为推动生物和临床研究中 3D 培养分析的进展提供了基础,同时提高了分析的鲁棒性和可复现性。
Nov, 2023
本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型,利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构,采用标签平滑方法进行多噪声训练,使输出更准确,经测试后得到了更好的分割结果,有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。
Mar, 2022
提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库,覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别,以及对多种自动多组织分割算法准确性的量化评估。
Oct, 2020
本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题,我们设计了一个基于深度学习的模型,基于高分辨率数据进行训练和测试,并结合脑病理学的定量评估,通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。
Mar, 2023
采用深度人工神经网络,通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割,无需非线性图像配准,对于全脑的解剖分割具有较好效果,为该领域提供了新的技术路线。
Feb, 2015
定量器官评估是自动腹部疾病诊断和治疗规划的重要步骤。人工智能(AI)在自动化这一过程中显示出巨大的潜力。为了克服现有 AI 算法在现实世界多国家设置中对准确性和效率的大规模评估以及缺乏全面评估的限制,我们组织了迄今最大规模的腹部器官分析挑战 FLARE 2022 Challenge,旨在评估快速、低资源、准确、注释高效和泛化能力强的 AI 算法。我们从 50 多个医疗团体构建了一个跨洲际和跨国家的数据集,包括来自不同种族、疾病、阶段和制造商的计算机断层扫描(CT 扫描)。我们独立验证了一组 AI 算法通过使用 50 个标记扫描和 2000 个未标记扫描实现了 90.0% 的中位数 Dice 相似系数(DSC),这可以显著减少标注要求。最佳表现的算法成功泛化到保留的外部验证集,分别在北美、欧洲和亚洲队列上实现了中位数 DSC 分别为 89.5%、90.9% 和 88.3%。它们还实现了关键器官生物学特征的自动提取,这在传统的手动测量中需要耗费大量人力。这有望利用未标记数据提升性能并缓解现代 AI 模型的标注短缺问题。
Aug, 2023