面向微流控单细胞培养中 CHO-K1 悬浮生长自动分析的研究
机器学习
2021-05-18 v2 图像与视频处理
摘要
动机：创新的微流控系统有望极大促进在明确环境条件下对单细胞的时空分析，从而实现对群体异质性的新见解，并为基础与应用生物技术开辟新机遇。然而，微流控实验伴随海量数据，例如显微图像的时间序列，由于样本数量庞大，人工评估不可行。虽然经典图像处理技术在该领域无法得出满意结果，但现代深度学习技术（如卷积网络）可足够灵活地胜任多样任务，包括自动细胞追踪与计数，以及关键参数（如生长速率）的提取。然而，为成功训练，当前有监督深度学习需要标签信息，例如序列中每幅图像的细胞数量或位置；在此场景下获取这些标注代价极高。结果：我们提出了一种新颖的机器学习架构及专门的训练流程，使得我们能够将人类在数据层面的抽象能力注入深度神经网络，从而得到仅需极少量标注数据的高性能回归模型。具体而言，我们同时在自然数据与合成数据上训练生成模型，使其学习共享表示，并由此可靠估计目标变量（如细胞计数）。
引用
@article{arxiv.2010.10124,
title = {Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation},
author = {Dominik Stallmann and Jan P. Göpfert and Julian Schmitz and Alexander Grünberger and Barbara Hammer},
journal= {arXiv preprint arXiv:2010.10124},
year = {2021}
}