基于深度学习的图像分析，用于iPSC和3D类器官培养的无标签监测

复杂的3D生物模型，如类器官和患者衍生球体，在许多生物医学研究领域越来越受欢迎，因为它们更紧密地概括了体内组织。这些3D模型在疾病建模、药物筛选、毒性研究、宿主-微生物相互作用和精准医疗方面提供了巨大的潜力。为了将类器官用于大规模筛选，自动化对于处理大量样本，同时保持一致的培养和可重复的iPSC系及其衍生类器官至关重要。

下载此应用程序笔记，发现一个解决方案:

• 使用自动深度学习工具获得无标签图像的鲁棒图像分割
• 使用SINAP自定义深度学习分割模型，以最小的人为干预检测感兴趣的复杂对象
• 使用直观的机器学习phenoglyphs工具轻松地执行数据分类