哪里可以看三级,性色欲情网站iwww,国产露脸精品产三级国产av

吉大&浙大Small Methods: 組合機器學(xué)習(xí)模型用于細胞的無標(biāo)記和原位識別

活體和共培養(yǎng)系統(tǒng)中的細胞識別和計數(shù)在細胞相互作用研究中至關(guān)重要，但目前的方法主要依賴于復(fù)雜且耗時的染色技術(shù)。

在此，浙江大學(xué)計劍教授及吉林大學(xué)田圃教授等人提出了一種無標(biāo)記的原位方法，該方法具有一種新的思路，可以自動標(biāo)記明場圖像中的每個細胞。該方法基于包含卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型和聚類算法的組合機器學(xué)習(xí)設(shè)計，可以實現(xiàn)對共培養(yǎng)細胞的識別、發(fā)現(xiàn)和即時計數(shù)。

具體而言，CNN模型首先用于基于未標(biāo)記的相位對比圖像生成細胞核的虛擬圖像，然后使用兩種聚類算法根據(jù)虛擬核圖像返回所有細胞的坐標(biāo)。最后，基于坐標(biāo)裁剪單個細胞的相位對比圖像，并將其發(fā)送到另一個CNN模型以進行細胞類型識別。

圖1. 該方法在細胞計數(shù)中的性能

基于CNN的主要優(yōu)點之一是模型結(jié)構(gòu)的靈活性。雖然這里使用的圖像來自包含兩種細胞類型的共培養(yǎng)實驗，但這種方法也可以通過模型的簡單修改應(yīng)用于許多其他研究。通過省略最后的分類步驟或在分類模型的輸出層添加節(jié)點，可以實現(xiàn)對一種或兩種以上類型細胞的無標(biāo)簽和實時跟蹤。通過用降維算法替換ResNet 架構(gòu)的最后幾層，也可以對新的細胞表型或狀態(tài)進行無監(jiān)督探索。

總之，這種組合方法是高度自動化和高效的，這在訓(xùn)練階段幾乎不需要手動注釋圖像。它在不同的細胞培養(yǎng)條件下顯示出實用的性能，包括細胞比例、密度和底物材料，在實時細胞跟蹤和分析方面具有巨大潛力。

圖2. 使用高細胞培養(yǎng)密度時該方法的性能

Label-Free and In Situ Identification of Cells via Combinational Machine Learning Models, Small Methods 2021. DOI: 10.1002/smtd.202101405

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2022/01/21/8a7037b3b5/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

吉大&浙大Small Methods: 組合機器學(xué)習(xí)模型用于細胞的無標(biāo)記和原位識別

相關(guān)推薦