研究目的
为了表征卷积神经网络(CNN)在荧光显微镜图像分割中的鲁棒性和敏感性,特别关注线粒体的分割。
研究成果
该研究证实,卷积神经网络(CNN)在荧光显微镜图像分割中具有卓越性能,其中U-Net因其更深的网络架构和更多跨层连接而优于全卷积网络(FCN)。然而,这些网络在实际图像处理中存在过分割问题。本研究提出的方法为CNN在生物图像分割中的行为提供了新见解。
研究不足
该研究依赖于生成具有精确真实标签的逼真合成荧光图像,但这些图像无法完全复现实际应用中遇到的不同成像条件。此外,网络在处理真实图像时会出现过分割问题。
1:实验设计与方法选择:
本研究开发了一种利用真实感合成图像来表征CNN在分割线粒体时的鲁棒性和敏感性的方法。比较了两种CNN(FCN和U-Net)与自适应主动掩模算法的效果。
2:样本选择与数据来源:
从培养的COS-7细胞中收集线粒体原始图像,这些细胞标记了与荧光蛋白DsRed融合的线粒体靶向序列。
3:实验设备与材料清单:
使用配备CoolSNAP HQ2相机和100×/1.40NA油镜的尼康Eclipse Ti-E倒置显微镜。
4:40NA油镜的尼康Eclipse Ti-E倒置显微镜。
实验步骤与操作流程:
4. 实验步骤与操作流程:通过人工分割生成真实二值掩模作为基准。随后生成具有不同程度模糊和噪声的合成图像以模拟不同条件。
5:数据分析方法:
使用面积相似性(AS)和形变相似性(DS)指标来表征分割精度。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容