Învățare profundă U-Net pentru numărarea, detectarea și morfometria celulelor Metode naturale

Subiecte

O corecție de autor la acest articol a fost publicată la 25 februarie 2019

Acest articol a fost actualizat

Abstract

U-Net este o soluție generică de învățare profundă pentru sarcini de cuantificare frecvente, cum ar fi detectarea celulei și măsurători de formă în datele de imagine biomedicale. Vă prezentăm un plugin ImageJ care permite experților care nu învață mașina să-și analizeze datele cu U-Net fie pe un computer local, fie pe un server de la distanță/serviciu cloud. Pluginul vine cu modele pre-antrenate pentru segmentarea cu o singură celulă și permite ca U-Net să fie adaptat la sarcini noi pe baza câtorva mostre adnotate.

Opțiuni de acces

Abonați-vă la Jurnal

Obțineți acces complet la jurnal timp de 1 an

doar 4,60 EUR pe număr

Toate prețurile sunt prețuri NET.
TVA va fi adăugat mai târziu în casă.

Închiriați sau cumpărați articol

Obțineți acces limitat la timp sau la articol complet pe ReadCube.

Toate prețurile sunt prețuri NET.

învățare

Disponibilitatea datelor

Seturile de date F1-MSC, F2-GOWT1, F3-SIM, F4-HeLa, DIC1-HeLa, PC1-U373 și PC2-PSC provin din ISBI Cell Tracking Challenge 2015 (ref. 17). Informații despre cum să obțineți datele pot fi găsite la http://celltrackingchallenge.net/datasets.html, iar în prezent este necesară înregistrarea gratuită pentru provocare. Seturile de date PC3-HKPV, BF1-POL, BF2-PPL și BF3-MiSp sunt personalizate și sunt disponibile de la autorul corespunzător, la cerere rezonabilă. Seturile de date pentru experimentele de detectare conțin parțial protocoale de pregătire a probelor nepublicate și în prezent nu sunt disponibile în mod gratuit. După publicarea protocolului, seturile de date vor fi puse la dispoziție la cerere. Detalii despre pregătirea eșantionului pentru experimentele noastre de științe ale vieții pot fi găsite în Nota Suplimentară 3 și în Rezumatul Raportării Științelor Vieții.

Istoricul modificărilor

Referințe

Sommer, C, Strähle, C, Koethe, U. & Hamprecht, F. A. în Ilastik: set de instrumente interactive de învățare și segmentare în IEEE Int. Simp. Biomed. Imagistica. 230–233 (IEEE: Piscataway, NJ, SUA, 2011).

Arganda-Carreras, I. și colab. Bioinformatică 33, 2424–2426 (2017).

Ronneberger, O., Fischer, P. & Brox, T. U-Net: rețele convoluționale pentru segmentarea imaginii biomedicale. în Calcul medical de imagine și intervenție asistată de computer - MICCAI 2015 Vol. 9351, 234–241 (Springer, Cham, Elveția, 2015).

Rusk, N. Nat. Metode 13, 35 (2016).

Webb, S. Natură 554, 555–557 (2018).

Sadanandan, S. K., Ranefall, P., Le Guyader, S. & Wählby, C. Știință. reprezentant. 7, 7860 (2017).

Haberl, M. G. și colab. Nat. Metode 15, 677–680 (2018).

Ulman, V. și colab. Nat. Metode 14, 1141–1152 (2017).

Schneider, C. A., Rasband, W. S. și Eliceiri, K. W. Nat. Metode 9, 671–675 (2012).

Long, J., Shelhamer, E. și Darrell, T. Rețele complet convoluționale pentru segmentarea semantică. în Conf. IEEE Calculator. Vis. Recunoaștere tipar. (CVPR) 3431–3440 (IEEE, Piscataway, NJ, SUA, 2015).

Simonyan, K. și Zisserman, A. Preprint la https://arxiv.org/abs/1409.1556 (2014)

Çiçek, Ö., Abdulkadir, A., Lienkamp, ​​S. S., Brox, T. & Ronneberger, O. 3D U-Net: învățarea segmentării volumetrice dense din adnotare rară. în Calcul de imagine medicală și intervenție asistată de computer - MICCAI 2016 Vol. 9901, 424–432 (Springer, Cham, Elveția, 2016).

He, K., Zhang, X., Ren, S. & Sun, J. Preprint la https://arxiv.org/abs/1502.01852 (2015).

Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J. & Zisserman, A. Int. J. Comput. Vis. 88, 303–338 (2010).

Maska, M. și colab. Bioinformatică 30, 1609–1617 (2014).

Mulțumiri

Această lucrare a fost susținută de Ministerul Federal German pentru Educație și Cercetare (BMBF) prin proiectul MICROSYSTEMS (0316185B) către T.F. și A.D.; Premiul Bernstein 2012 (01GQ2301) pentru I.D; Ministerul Federal pentru Afaceri Economice și Energie (ZF4184101CR5) către A.B .; Deutsche Forschungsgemeinschaft (DFG) prin centrul de cercetare colaborativă KIDGEM (SFB 1140) către D.M., Ö.Ç., T.F. și O.R. și (SFB 746, INST 39/839.840.841) la K.P; Clusterele de excelență BIOSS (EXC 294) către T.F., D.M., R.B., A.A., Y.M., D.S., T.L.T., M.P., K.P., M.S., T.B. și O.R.; BrainLinks-Brain-Tools (EXC 1086) la Z.J., K.S., I.D. și T.B; acordă DI 1908/3-1 către J.D., DI 1908/6-1 către Z.J. și K.S., și DI 1908/7-1 la ID; Fundația Națională Elvețiană pentru Știință (subvenția SNF 173880) către A.A.; ERC Starting grant OptoMotorPath (338041) către I.D; și Rețeaua de excelență FENS-Kavli (FKNE) către I.D. Mulțumim lui F. Prósper, E. Bártová, V. Ulman, D. Svoboda, G. van Cappellen, S. Kumar, T. Becker și consorțiului Mitocheck pentru furnizarea unei bogate diversități de seturi de date prin provocarea de segmentare ISBI. Mulțumim lui P. Fischer pentru adnotări manuale de imagine. Mulțumim lui S. Wrobel pentru prepararea microsporilor de tutun.