D-SarcNet：用于荧光标记 hiPSC-CM 肌肉纤维结构自动分析的双流深度学习框架
计算机视觉与模式识别
2024-10-22 v1
摘要
人源诱导多能干细胞系衍生心肌细胞 (hiPSC-CMs) 是推动心血管研究和临床应用的强大工具。hiPSC-CMs 中肌肉纤维结构成熟对于支持这些细胞的收缩功能和结构完整性至关重要。传统方法如人工标注和特征提取在高通量分析方面存在耗时、费力且不适用的局限。为此，我们提出了 D-SarcNet，一种双流深度学习框架，输入为荧光 hiPSC-CM 单细胞图像，输出为肌肉纤维结构成熟程度的 1.0 到 5.0 评分。该框架还集成了快速傅里叶变换 (FFT)、深度学习生成的局部模式和梯度幅值，以捕获全局和局部分辨结构信息。在 Allen 细胞科学研究所公开数据集上的实验表明，所提方法不仅实现了 0.868 的斯皮尔曼相关系数，较前一最佳方法提高了 3.7%，还显著提升了其他关键性能指标，包括均方误差 (MSE)、平均绝对误差 (MAE) 和决定系数 (R2)。除了在 hiPSC-CM 图像中建立肌肉纤维结构评估的新型最佳方法外，我们的消融研究还凸显了整合全局与局部信息以提升深度学习网络辨识和学习肌肉纤维结构关键视觉特征的重要性。
引用
@article{arxiv.2410.14983,
title = {D-SarcNet: A Dual-stream Deep Learning Framework for Automatic Analysis of Sarcomere Structures in Fluorescently Labeled hiPSC-CMs},
author = {Huyen Le and Khiet Dang and Nhung Nguyen and Mai Tran and Hieu Pham},
journal= {arXiv preprint arXiv:2410.14983},
year = {2024}
}
备注
Accepted for oral presentation at IEEE International Conference on Bioinformatics and Biomedicine 2024 (IEEE BIBM 2024)