基于块状编码器 - 解码器结构的自动透射光到荧光成像的转换：对 LightMyCells 挑战的贡献

Jun, 2024

基于块状编码器 - 解码器结构的自动透射光到荧光成像的转换：对 LightMyCells 挑战的贡献

Patch-Based Encoder-Decoder Architecture for Automatic Transmitted Light to Fluorescence Imaging Transition: Contribution to the LightMyCells Challenge

PDF

Marek Wodzinski, Henning Müller

TL;DR自动预测无标记透射光输入图像中的荧光标记细胞器是一项重要且困难的任务，本研究介绍了 AGHSSO 团队基于经过精心准备和训练的编码 - 解码深度神经网络在 LightMyCells 挑战中所取得的相当高得分，位居最佳表现团队之一。

Abstract

Automatic prediction of fluorescently labeled organelles from label-free transmitted light input images is an important, yet difficult task. The traditional way to obtain fluorescence images is related to performing biochemical labeling which is time-consuming and costly. Therefore, an

fluorescently labeled organelles label-free transmitted light automatic algorithm lightmycells challenge encoder-decoder deep neural network

发现论文，激发创造

在光学显微图像中使用 pix2pix 和自适应损失预测无标签荧光标记

该研究提出一种基于深度学习的虚拟标记方法，用于光学显微图像中的细胞结构和亚细胞成分的标记，通过使用部分标记的数据集和自适应损失进行训练，同时探索了几种训练策略的有效性，取得了有希望的虚拟标记性能。

Jun, 2024

一种利用深度多注意力通道网络的新型框架，用于通过荧光显微镜自动检测转移细胞

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

多重免疫荧光图像中的细胞特征提取的半监督变分自编码器

使用变分自动编码器进行监督学习的深度学习细胞特征提取模型，用于从多重免疫荧光细胞图像中提取细胞特征，并通过对乳腺癌患者的 1,093 个组织微阵列核心中提取的超过 44,000 个多重免疫荧光细胞图像块进行细胞表型分类来验证其成功。

Jun, 2024

用于显微原位杂交图像分析和分类的自动编码器优化

本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

GANs 用于生物图像合成

本文提出了一种新颖的 Generative Adversarial Networks（GANs）在荧光显微镜下细胞图像合成的应用，实现了多通道图像生成和通过静态图像预测时间演化。

Aug, 2017

基于标签高效的对比学习模型的三维心血管免疫荧光图像核的检测与分类

我们提出了一种基于可标注效率的对比学习模型（LECL），用于在 3D 免疫荧光图像中检测和分类各种类型的细胞核，该方法克服了使用点注释进行训练时的困境，并采用扩展的最大强度投影方法解决了多个 z 堆叠帧引起的问题。我们在心血管数据集上进行了实验，并发现我们的框架在检测和分类 3D 免疫荧光图像中的各种细胞核方面是有效且高效的。

Sep, 2023

荧光神经细胞 v2：显微镜深度学习的多任务、多格式标注

Fluorescent Neuronal Cells v2 是一组荧光显微镜图像和相应的真实验证注释，旨在促进生命科学和深度学习领域的创新研究。

Jul, 2023

D-TrAttUnet：面向医学图像的通用和细微分割的混合 CNN-Transformer 架构

近 20 年来，医学影像的机器分析迅猛发展，为几个重要的医疗应用提供了巨大的潜力。其中，病变分割是一个特别具有挑战性的任务，有着迫切的需求，而我们提出的新型解决方案 ——D-TrAttUnet 架构在 Covid-19 和骨转移分割的任务中取得了优越的表现，并且其混合编码器在腺体和细胞核的分割中也表现出色，巩固了它在现代医学图像分析中的地位。

May, 2024

基于深度学习的自动荧光虚拟组织染色技术

本研究使用基于深度学习的生成对抗网络模型，将未标记组织样本的自动荧光图像转化为等效于其染色样本的亮场图像，实现了一种免标记虚拟染色的显微镜图像制作方法，有效节约了组织学检查的时间和成本。

Mar, 2018

掩蔽自编码器是可扩展的细胞形态学学习器

通过高内容显微镜筛选从细胞表型中推断生物关系在生物研究中提供了重要的机遇和挑战。该研究探讨了在更大数据集上训练更大模型时，弱监督和自监督深度学习方法的可扩展性。结果显示，基于 CNN 和 ViT 的掩蔽自编码器在表型推断方面明显优于弱监督模型。在我们的尺度上限，通过来自 9500 万显微镜图像的 35 亿个独特裁剪样本训练的 ViT-L/8 相对于从公共数据库中整理的已知生物关系的最佳弱监督模型的相对改善率达到了 28%。

Sep, 2023