吉大&浙大Small Methods: 组合机器学习模型用于细胞的无标记和原位识别

活体和共培养系统中的细胞识别和计数在细胞相互作用研究中至关重要，但目前的方法主要依赖于复杂且耗时的染色技术。

在此，浙江大学计剑教授及吉林大学田圃教授等人提出了一种无标记的原位方法，该方法具有一种新的思路，可以自动标记明场图像中的每个细胞。该方法基于包含卷积神经网络（CNN）模型和聚类算法的组合机器学习设计，可以实现对共培养细胞的识别、发现和即时计数。

具体而言，CNN模型首先用于基于未标记的相位对比图像生成细胞核的虚拟图像，然后使用两种聚类算法根据虚拟核图像返回所有细胞的坐标。最后，基于坐标裁剪单个细胞的相位对比图像，并将其发送到另一个CNN模型以进行细胞类型识别。

图1. 该方法在细胞计数中的性能

基于CNN的主要优点之一是模型结构的灵活性。虽然这里使用的图像来自包含两种细胞类型的共培养实验，但这种方法也可以通过模型的简单修改应用于许多其他研究。通过省略最后的分类步骤或在分类模型的输出层添加节点，可以实现对一种或两种以上类型细胞的无标签和实时跟踪。通过用降维算法替换ResNet 架构的最后几层，也可以对新的细胞表型或状态进行无监督探索。

总之，这种组合方法是高度自动化和高效的，这在训练阶段几乎不需要手动注释图像。它在不同的细胞培养条件下显示出实用的性能，包括细胞比例、密度和底物材料，在实时细胞跟踪和分析方面具有巨大潜力。

图2. 使用高细胞培养密度时该方法的性能

Label-Free and In Situ Identification of Cells via Combinational Machine Learning Models, Small Methods 2021. DOI: 10.1002/smtd.202101405

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2022/01/21/8a7037b3b5/

吉大&浙大Small Methods: 组合机器学习模型用于细胞的无标记和原位识别

相关推荐