Исследователи использовали алгоритмы, основанные на глубоком обучении, для автоматизации процесса визуализации клеток. Часто он выполняется вручную и занимает много времени. Основная цель анализа клеточных изображений состоит в том, чтобы раскрыть самую большую тайну биологии — изучить фенотипические эффекты различных методов лечения и выявить взаимосвязь между ними.
Фенотипические результаты относятся к наблюдаемым характеристикам внутри клеточной структуры. В исследовании представлены три наиболее важные задачи анализа изображений клеток: сегментация, отслеживание и классификация.
Обзор анализа изображений клеток на основе глубокого обучения. Изображение: Intelligent Computing
Сегментация является фундаментальным принципом идентификации, подсчета и морфологического анализа изображений клеток. Классификация нужна для фенотипического скрининга и профилирования клеток. Отслеживание — это мониторинг изображений клеток и требуется после сегментации. Исследователи ищут специфические характеристики клеток, включая любые морфологические изменения, которые могут показать состояние здоровья изучаемого организма. Примеры отслеживания включают иммунный ответ, распространение раковых клеток и заживление ран после травмы.
Изображения клеток обычно используют в биомедицинских исследованиях и при разработке новых лекарств. В будущем ученые планируют использовать искусственный интеллект, в частности глубокое обучение, чтобы открывать передовые концепции и основные принципы, которые находятся в основе характеристик клеток.
Читать далее:
Скоро на Землю обрушится магнитная буря
Создана навигационная система, которая точнее, чем GPS
Древний амулет переписал историю самого загадочного языка Европы
На обложке: Proyecto Agua