缝匠肌揭示LIVECell, Label-Free深度学习的数据集,定量细胞分割

缝匠肌宣布出版的一篇文章中自然方法描述公司的LIVECell (Label-free体外细胞图像的例子)Label-free深度学习的数据集,定量活细胞图像的分割。开源数据集包括5000 label-free相衬显微镜图片超过160万个细胞组成的八个细胞类型的不同形态,人工注释。图像的设置包括细胞生长从最初播种密度完全汇合的单层膜,导致大量细胞大小和形状的变化。

“生理相关数据来自label-free显微镜图像是药物研究的基石和数据集包含数以百万计的细胞促进探索生物现象的图像统计强国,”理查德说干燥,博士,资深科学家,缝匠肌企业研究。”,以弥补缺乏图像分辨率,然而,复杂的成像处理管道是必要生成准确的细胞,像素分割需要捕捉微妙的变化在细胞大小、形状和纹理,特别是如果我们的目标是调查事件的细胞亚群或单个细胞。”

虽然神经网络可以学习和适应识别和细分各种细胞,他们首先需要训练与高质量的数据代表的细胞形态的广度。在显微镜实现准确分割图像对定量下游分析至关重要但是是一项非常具有挑战性的任务。传统的图像分析方法往往需要繁琐的算法定制和严格的调优参数特定于感兴趣的细胞形态。

“细胞类型的多样性和融合条件捕获和注释LIVECell数据集克服这些挑战通过促进深上优于分割模型的训练,”蒂姆•杰克逊说,博士学位,高级图像处理工程师,缝匠肌BioAnalytics产品开发。“研究人员现在有了一个前所未有的、高质量的label-free分割资源和起点训练神经网络。由于神经网络算法的本质是数量级的更复杂的比传统的图像分析,该数据集将允许更健壮的各种细胞形态的分割,并最终减少user-introduced偏见。”

推出LIVECell数据集之前,最大的数据集label-free图片提供给研究人员由4600张图片来自26000个细胞。

缝匠肌与德国合作的人工智能研究中心(DFKI)来演示这个数据集的效用,并计划继续与中心工作,进一步发展的深度学习生命科学社区。

图像的八个不同的细胞系(人类乳腺癌(3),人类胶质母细胞瘤,人类肝细胞癌,人类神经母细胞瘤,人类卵巢癌,鼠小胶质细胞)捕获每四小时,在三到五天使用一个Incucyte®Live-Cell分析系统。的高通量Incucyte®系统构建图像数据至关重要,因为它允许捕获的大量的高质量的图像。使用高通量生物工件label-free文化系统消除了风险,而导致增加的信心基于数据集的算法的输出。