基于深度学习的牛囊卫星细胞荧光标记无标签预测
计算机视觉与模式识别
2024-10-18 v1
摘要
评估牛囊卫星细胞（BSCs）的质量是培育肉类产业的关键任务，该产业旨在应对全球食物可持续性挑战。本研究旨在开发一种无标签预测牛囊卫星细胞中荧光标记的方法。我们采用基于 U-Net 的卷积神经网络模型，从单张亮场显微镜组织学图像中预测多个荧光信号。两种关键生物标志物 DAPI 和 Pax7 用于确定 BSCs 的丰度和质量。图像预处理管线包括荧光去噪，以提高预测性能和一致性。共计使用 48 组生物复制物，采用皮尔逊相关系数和结构相似性指数等统计性能指标评估模型。模型在 DAPI 预测上表现更佳，由于染色均匀；Pax7 预测则较为不稳定，这反映了生物学的异质性。增强的可视化技术，包括彩色映射和图像叠加，提高了预测结果的可解释性，提供了更好的上下文和感知信息。本研究结果凸显了数据预处理的重要性，展示了深度学习在培育肉类产业中推动无创、无标签评估技术发展的潜力，为可靠且可操作的人工智能驱动评估铺平了道路。
引用
@article{arxiv.2410.13685,
title = {Label-free prediction of fluorescence markers in bovine satellite cells using deep learning},
author = {Sania Sinha and Aarham Wasit and Won Seob Kim and Jongkyoo Kim and Jiyoon Yi},
journal= {arXiv preprint arXiv:2410.13685},
year = {2024}
}
备注
11 pages, 4 figures