基于对抗学习的荧光成像虚拟细胞器自编码
图像与视频处理
2020-12-02 v1 计算机视觉与模式识别
定量方法
摘要
荧光显微镜在理解活细胞的亚细胞结构中起着至关重要的作用。然而，它在与化学固定、染色、成本和时间相关的样品制备方面需要大量工作。为减少这些因素，我们提出一种基于深度神经网络(VirFluoNet)的虚拟荧光染色方法，将同一视场下分子标记的荧光图像转换为其他分子的荧光标记。为实现此目标，我们开发并训练了一个条件生成对抗网络(cGAN)来执行数字荧光成像，并在Cell Painting染色协议下捕获的人骨肉瘤U2OS细胞荧光图像上进行了演示。还以人乳腺癌MDA-MB-231细胞系为测试案例，对cGAN网络基于相位衬度或基于另一荧光通道预测荧光通道的性能进行了详细比较分析。此外，我们实现了一种深度学习模型，在另一人U2OS荧光数据集上执行自动对焦，作为对U2OS数据集中离焦通道进行散焦的预处理步骤。基于与真值的信号像素级空间与强度差异，引入了图像预测误差的定量指标，以评估对高复杂高通量荧光的预测性能。该指标提供了一种对误差信号进行图像分割并理解从预测图像误读生物学可能性的合理方法。总之，这些发现有助于深度学习图像回归在生物细胞荧光显微镜数据集中的效用，并权衡了成本、时间和实验工作的节省。此外，此处引入的方法有望对活细胞内细胞器与生物分子之间的内部关系进行建模。
引用
@article{arxiv.1909.04518,
title = {Virtual organelle self-coding for fluorescence imaging via adversarial learning},
author = {Thanh Nguyen and Vy Bui and Anh Thai and Van Lam and Christopher B. Raub and Lin-Ching Chang and George Nehmetallah},
journal= {arXiv preprint arXiv:1909.04518},
year = {2020}
}
备注
20 pages, 9 figures