增强高内涵成像以大规模研究微管网络
图像与视频处理
2019-10-03 v1 机器学习
机器学习
摘要
鉴于微管对细胞存活的关键作用，许多研究者在寻找有效癌症治疗药物时，使用微管靶向剂取得了成功。理解微管对靶向干预的响应，需要能够在大量图像中一致地观察到细胞内的微管网络。然而，使用宽场显微镜时与生物信号同时捕获的荧光噪声源会模糊精细的微管结构。此类要求对高通量成像尤为具有挑战性，研究者必须在成像质量与速度之间的权衡上做出决策。在此，我们提出一个计算框架，以增强高通量成像数据的质量，从而同时实现快速与高质量。我们利用 CycleGAN，从低通量、高分辨率图像中学习图像模型，以增强高通量低分辨率图像中的特征，如微管网络。我们表明 CycleGAN 能以 0.93+ 的 AUC-ROC 有效识别微管，且这些结果对不同种类的图像噪声具有鲁棒性。我们进一步应用 CycleGAN 量化由药物化合物作用引起的微管密度变化，并表明量化响应与已知药物效应吻合良好。
引用
@article{arxiv.1910.00662,
title = {Enhancing high-content imaging for studying microtubule networks at large-scale},
author = {Hao-Chih Lee and Sarah T Cherng and Riccardo Miotto and Joel T Dudley},
journal= {arXiv preprint arXiv:1910.00662},
year = {2019}
}
备注
accepted and presented in Machine Learning for Healthcare 2019