使用预先训练好的深度学习模型轻松进行细胞核和细胞分段的20个示例

作者 Manoel Veiga - 2022年 5月 03日

TruAI深度学习技术是一种突破性的图像分析方法，可让研究人员完成不可能或具有挑战性的应用，例如可靠的无标记样品分析或在几天内以极低光强度追踪拍摄的活细胞。

这些应用中通过语义分割来执行分析，即识别像素属于给定类别的背景或前景。语义分割后，可应用分水岭算法等后处理步骤执行最终的对象分割（通常是细胞核或整个细胞）。

最近，实例分割的引入进一步改进了TruAI深度学习技术。该功能将语义分割和随后的对象分割合并为一个步骤。实例分割允许您一步完成困难的应用以改善工作流程，例如需要后处理分割步骤的细胞集落的细胞分割。

TruAI深度学习技术允许用户从一开始就使用自己的数据训练，从而让生成的TruAI深度神经网络(DNN)模型具有良好的表现。研究人员可为不同的应用开发DNN库，并进一步与协作者共享。

然后，这意味着深度学习工作流程始终由三个步骤组成：

用自己的数据标记
训练
推导

尽管我们的软件对用户来说很友好，但标记步骤却是最耗时间的任务——特别是对于具有挑战性的应用来说，其中需要标记多个对象才能获得良好的性能。

使用预先训练好的深度学习模型简化细胞和细胞核的分割

为了改进这一工作流程，TruAI深度学习技术现已包括一些预先训练好的模型，可直接用于生物图像分析中最常见的分割对象——细胞核和细胞。因此，用户可以省去标记和训练的时间（图1）。

图1. 用您自己的数据进行TruAI深度学习技术的训练和推断有助于确保更好的表现。使用预先训练好的TruAI模型时，您只需点击一下即可更快速地执行分析。

适用于细胞核和细胞的预先训练TruAI模型，已完成各种情景下荧光图像中实例分割的训练，包括：

显微镜下检查（点扫描共焦、转盘式共焦、宽场）
染色（DAPI、鬼笔环肽、MitoTracker、核纤层蛋白等）
细胞系（HeLa、U2OS、SK-HEP-1、植物细胞、组织等）
对比度、信噪比和背景水平
像素分辨率和放大倍数

需要注意的是，预先训练好的模型也是通用模型，无法在所有可能的情景中完美地完成分割。为了帮助您更好地了解其功能，我们汇总了一个关于细胞分割情景的列表。

使用预先训练好的深度学习模型进行细胞核和细胞分割的20个示例

以下示例图像（图2，a–t）显示了各种分割情景下使用预先训练好的TruAI深度学习模型分割细胞核（红色）和细胞（绿色）时的表现。其中包括不同的细胞系、标志物染色、放大倍数、分辨率、对比度、信噪比和背景不均匀性。请注意，这两个模型都在相同图像上应用（图2，p–t）。这些模型甚至可应用于非特异性的细胞核（图2，q–t）或细胞（图2，p、s）的染色。