深度学习引导的基于图像的液滴分选用于单细胞和三维细胞培养物的按需选择与分析
图像与视频处理
2020-01-29 v2 定量方法
摘要
揭示细胞群体的异质性是從抗微生物耐药到癌症研究等多个领域长期以来的目标。液滴微流控等新兴技术平台有望以超高吞吐量解析细胞异质性。然而，目前缺乏能够快速识别和分离单细胞或三维细胞培养物的方法。在此我们证明，深度神经网络能够根据微对象（包括单哺乳动物细胞和 multicellular spheroids）的存在与数量，对单液滴图像进行实时准确分类。该方法还能够从不同类型与大小的混合对象中识别特定对象。神经网络的训练集由数百张手动挑选的图像组成，并通过数据增强扩充至每个训练类别数千张图像。使用单块 GPU 训练所需时间少于 10 分钟，对单哺乳动物细胞识别的准确率超过 90%。关键在于，同一模型可用于分类不同类型的对象，如聚苯乙烯微球、聚丙烯酰胺 beads 和 MCF-7 细胞。我们将所开发的方法应用于由包裹于琼脂糖凝胶微珠中的 Hek293FT 细胞生成的 3D 细胞培养物的选择，凸显了该技术在选择具有高度视觉外观多样性对象方面的潜力。单液滴的实时分选与液滴生成在线同步进行，速率高达每秒 40 个，且独立于高达 480 x 480 像素的图像尺寸。所提出的微流控装置还支持对分选后液滴的存储，以便进行下游分析。
引用
@article{arxiv.1912.05490,
title = {Deep learning guided image-based droplet sorting for on-demand selection and analysis of single cells and 3D cell cultures},
author = {Vasileios Anagnostidis and Benjamin Sherlock and Jeremy Metz and Philip Mair and Florian Hollfelder and Fabrice Gielen},
journal= {arXiv preprint arXiv:1912.05490},
year = {2020}
}
备注
19 pages, 7 figures, now published in Lab-on-a-Chip Journal