CLANet：一种利用明场图像进行跨批次细胞系鉴定的综合框架
计算机视觉与模式识别
2023-06-30 v1 人工智能
摘要
细胞系鉴定在生物医学领域起着关键作用，确保研究人员使用准确鉴定的细胞。监督式深度学习通过细胞成像研究细胞形态学特征，在细胞系鉴定方面取得了显著进展。然而，批次效应这一源于数据生成时间不同的重要问题，导致底层数据分布的显著偏移，从而复杂化了来自不同批次培养物中细胞系的可靠区分。为应对该挑战，我们提出 CLANet，一种利用明场图像进行跨批次细胞系鉴定的开创性框架，专门设计用于解决三种不同的批次效应。我们提出一种细胞簇级选择方法以高效捕捉细胞密度变化，以及一种自监督学习策略以处理图像质量变化，从而产生可靠的块表征。此外，我们采用多示例学习（MIL）来有效聚合实例级特征以进行细胞系鉴定。我们创新的时间序列片段采样模块进一步增强了 MIL 的特征学习能力，缓解了跨批次不同孵育时间带来的偏差。我们使用来自 AstraZeneca Global Cell Bank 的 93 个实验批次中 32 个细胞系的数据验证了 CLANet。我们的结果表明 CLANet 优于相关方法（如域适应、MIL），证明了其在解决细胞系鉴定中批次效应的有效性。
引用
@article{arxiv.2306.16538,
title = {CLANet: A Comprehensive Framework for Cross-Batch Cell Line Identification Using Brightfield Images},
author = {Lei Tong and Adam Corrigan and Navin Rathna Kumar and Kerry Hallbrook and Jonathan Orme and Yinhai Wang and Huiyu Zhou},
journal= {arXiv preprint arXiv:2306.16538},
year = {2023}
}
备注
15 pages, 10 figures