细胞成像数据中病毒颗粒增殖的像素级无监督检测
计算机视觉与模式识别
2020-11-11 v1
摘要
已开发细胞与分子成像技术及模型，以表征体外细胞局灶感染后病毒增殖的单个阶段。在对代表性实验数据与宿主细胞中病毒传播的数学模型作进一步比较之前，细胞成像数据的快速自动分类或可提供助益。此处，我们使用从先前发表的实验中获得的代表宿主细胞单层中渐进性病毒颗粒增殖的细胞成像数据成像模型复现中所生成的计算机合成图像。受基于时间的实验成像数据启发，本研究中病毒颗粒随时间的增加通过代表死亡或部分感染细胞的黑色或灰色单像素在图像间逐一增加来模拟，而假想缓解则通过原图像模型中编码活细胞的白色像素逐一增加来模拟。将这些图像模拟提交至自组织映射（SOM）的无监督学习，并利用 SOM 输出中的量化误差（SOM-QE）作为所表征病毒颗粒增殖或细胞恢复程度的函数，对图像模拟进行自动分类。由 SOM-QE 对 160 张模型图像（每张逾三百万像素）的无监督分类，被证明提供了一种统计可靠、像素精确且快速的分类模型，其优于基于 RGB 图像均值计算的人工计算机辅助图像分类。此处提出的自动分类流程为理解体外细胞系或其他细胞中病毒感染与增殖的精细调控机制提供了有力途径。
引用
@article{arxiv.2011.05209,
title = {Pixel precise unsupervised detection of viral particle proliferation in cellular imaging data},
author = {Birgitta Dresp-Langley and John M. Wandeto},
journal= {arXiv preprint arXiv:2011.05209},
year = {2020}
}