用于分析活细胞中细胞器状态与行为的仿真监督深度学习

在许多现实科学问题中，为监督学习生成真值（GT）几乎不可能。原因包括科学仪器、物理现象本身或建模复杂性所带来的限制。对活细胞显微镜视频中如线粒体等亚细胞小结构进行分割、追踪和分析等人工智能（AI）任务便是典型例子。显微镜的 3D 模糊函数、像素尺寸带来的数字分辨率、光特性导致的光学分辨率、噪声特性，以及线粒体复杂的 3D 可变形形状，都使该问题成为 GT 难题。对跨越数千帧的成百上千个线粒体进行手动分割，且还需跨越许多此类视频，不仅是艰巨任务，而且由于仪器与现象所施加的限制在物理上不准确。无监督学习产生次优结果，而若要得出与治疗相关的推断，准确性十分重要。为解决这一棘手问题，我们将建模与深度学习结合。我们表明，包含全部限制的基于物理的显微镜数据精确建模，可成为生成监督学习用仿真训练集的解决方案。我们在此展示，我们的仿真监督分割方法对于研究心肌细胞中线粒体状态与行为是一大助力，其中线粒体在细胞健康中扮演重要角色。我们报告了在活细胞实际显微镜视频中线粒体二值分割前所未有的 91% 平均 IoU 分数（比最佳无监督方法高 19%）。我们进一步展示了在单个线粒体尺度上执行多类分类、追踪和形态相关分析的可能性。