Sartorius推出LIVECell，用于无标签定量细胞分割的深度学习数据集
近日，Sartorius在《自然方法》杂志上发表了一篇文章，描述了该公司的LIVECell(无标签体外细胞图像示例)深度学习数据集，用于对活细胞图像进行无标签定量分割。开源数据集包括5000个无标签相位对比显微镜图像，由超过160万个细胞组成，包括8种细胞类型，具有人工注释的不同形态。这组图像包括从初始播种密度到完全融合的单层生长的细胞，导致细胞大小和形状发生很大变化。
“从无标签显微镜图像中获得生理相关数据的能力是药物研究的基石，包含数百万细胞图像的数据集有助于探索具有强大统计能力的生物现象，”里卡德Sjögren博士说，他是Sartorius公司研究的高级科学家。“然而，为了弥补图像分辨率的不足，需要复杂的成像处理管道来生成精确的逐细胞、逐像素的分割，以捕捉细胞大小、形状和纹理的微妙变化，特别是如果目标是研究细胞亚群或单个细胞水平上的事件。”
虽然神经网络可以学习和适应识别和分割各种细胞，但它们首先需要使用高质量的数据集进行训练，这些数据集代表了将要遇到的细胞形态的广度。在显微镜图像中实现精确的分割对于定量下游分析是必不可少的，但这是一项具有挑战性的任务。传统的图像分析方法通常需要繁琐的算法定制和严格的参数调整，具体到感兴趣的细胞形态。
Sartorius BioAnalytics产品开发高级图像处理工程师Tim Jackson博士说:“LIVECell数据集中捕获和注释的细胞类型和融合条件的多样性，通过促进基于深度学习的分割模型的训练，克服了这些挑战。”“研究人员现在有了一个前所未有的、高质量的无标签分割资源和训练神经网络的起点。由于基于神经网络的算法本质上比传统的图像分析复杂几个数量级，该数据集将允许对各种细胞形态进行更稳健的分割，并最终最大限度地减少用户引入的偏差。”
在LIVECell数据集发布之前，研究人员可用的最大无标签图像数据集包括来自26,000个细胞的4600张图像。
Sartorius与德国人工智能研究中心(DFKI)合作，展示了该数据集的实用性，并计划继续与该中心合作，进一步推进生命科学界的深度学习。
8种不同细胞系(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，小鼠小胶质细胞)的图像每4小时捕获一次，使用Incucyte®活细胞分析系统在3到5天的过程中。高通量Incucyte®系统对于构建图像数据集至关重要，因为它可以捕获非常大量的高质量图像。使用高通量无标签培养系统消除了生物伪影的风险，同时增加了基于数据集的算法输出的可信度。
