重力细胞检测与荧光显微镜数据跟踪
高通量筛选利用细胞图像是筛选新药候选物的有效方法,本文介绍了一种高效追踪细胞并定量检测胞浆与细胞核信号比率的新方法,通过自动阈值与标签算法比较不同图像中细胞的位置,进行连续测量与分析细胞信号比率,进一步研究开闭运算次数对细胞追踪的影响,确定了合适的开闭运算过程次数。
Feb, 2024
本文提出了一种基于 3D 分割结果的多目标跟踪方法,该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分,该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。
Nov, 2019
我们开发了一个透明的计算机大规模成像框架,可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像,显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织,并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构,我们对网络的可解释性进行了增强,并开发了一种可解释的全局可解释方法,将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果,我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路(微丝蛋白的空间分布)。
Sep, 2023
本文使用深度卷积神经网络对三个不同的显微镜任务(血液涂片中的疟原虫,痰液样本中的结核菌和粪便样本中的肠道寄生虫卵)进行评估,结果表明准确性非常高,远远优于其他代表传统医学成像技术的替代方案。
Aug, 2016
本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法,它将深度学习与基于数学模型的策略相结合,以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务,然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外,还提出了一种基于特征分解的细胞分裂检测策略,利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞,并经过了模拟和实验荧光图像序列的实验证明,与最近的最先进细胞跟踪方法相比,所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。
Jun, 2024
近期,机器学习算法用于解决重力波探测器数据中的信号搜索问题,本研究描述了 TPI FSU Jena 团队的参赛作品及其改进版,并将算法应用于真实的 O3b 数据以检测 GWTC-3 目录中的相关事件。
Feb, 2024
该研究论文提出了一种新的基于经典检测跟踪模式的细胞检测和跟踪方法,通过将细胞形状近似为有方向的椭圆并利用通用有方向对象检测器在每一帧中识别出细胞,再结合全局数据关联算法进行跟踪,结果表明该方法在细胞检测和跟踪方面与需要更多数据标注的最先进技术具有竞争力。
Oct, 2023
通过利用植物细胞的紧密三维结构创建三维图,本研究提出了一种新颖的基于学习的方法来进行精确的细胞追踪,同时提出了细胞分裂检测和有效的三维注册算法,改进了当前最先进的算法,并在基准数据集上展示了算法的效能。
Sep, 2023