摘要
荧光显微图像在生命科学研究中具有重要作用.利用计算机和机器学习可以有效处理大量图像数据,从而得到具有统计意义的结论.本研究针对低信噪比的细胞荧光图像,提出一种基于U-Net的细胞分割模型,并构建了单通道低信噪比细胞图像数据集用于模型训练和测试.本研究提出的模型使用不同尺度的卷积核提取特征,利用残差模块加深网络深度,并使用权重损失机制使机器学习过程更加关注于细胞边缘.相较于其他方法,在低信噪比荧光显微图像的细胞分割上,可以有效解决细胞与背景对比度低、胞内信号亮度分布不均的问题,其像素准确率、IoU(intersection-over-union)可分别达到87.6％和72.0％.本研究为细胞形态学研究、借助图像的高通量细胞筛选提供技术支持.
国家科技期刊平台
NSTL
维普
万方数据