Субекти

Авторска корекция на тази статия е публикувана на 25 февруари 2019 г.

Тази статия е актуализирана

Резюме

U-Net е родово решение за дълбоко обучение за често срещани задачи за количествено определяне, като например откриване на клетки и измервания на формата в биомедицински данни от изображения. Представяме плъгин ImageJ, който позволява на експертите, които не учат машинно, да анализират данните си с U-Net на локален компютър или на отдалечен сървър/облачна услуга. Приставката се предлага с предварително обучени модели за сегментиране с една клетка и позволява U-Net да бъде адаптиран към нови задачи въз основа на няколко анотирани проби.

Опции за достъп

Абонирайте се за Journal

Получете пълен достъп до дневник за 1 година

само 4,60 € на брой

Всички цени са нетни цени.
ДДС ще бъде добавен по-късно при плащане.

Наем или покупка на статия

Получете ограничен или пълен достъп до статии в ReadCube.

Всички цени са нетни цени.

дълбоко

Наличност на данни

Наборите данни F1-MSC, F2-GOWT1, F3-SIM, F4-HeLa, DIC1-HeLa, PC1-U373 и PC2-PSC са от ISBI Cell Tracking Challenge 2015 (ref. 17). Информация за начините за получаване на данните може да бъде намерена на http://celltrackingchallenge.net/datasets.html и в момента се изисква безплатна регистрация за предизвикателството. Наборите данни PC3-HKPV, BF1-POL, BF2-PPL и BF3-MiSp са по поръчка и са достъпни от съответния автор при разумна заявка. Наборите от данни за експериментите за откриване частично съдържат непубликувани протоколи за подготовка на проби и в момента не са свободно достъпни. След публикуването на протокола наборите от данни ще бъдат предоставени на базата на заявка. Подробности за подготовката на пробите за нашите експерименти с науката за живота могат да бъдат намерени в Допълнителна бележка 3 и Резюме на докладите за науките за живота.

История на промените

Препратки

Sommer, C, Strähle, C, Koethe, U. & Hamprecht, F. A. в Ilastik: интерактивно обучение и инструментариум за сегментиране в IEEE Int. Симп. Biomed. Образност. 230–233 (IEEE: Piscataway, NJ, САЩ, 2011).

Arganda-Carreras, I. et al. Биоинформатика 33, 2424–2426 (2017).

Ronneberger, O., Fischer, P. & Brox, T. U-Net: конволюционни мрежи за биомедицинско сегментиране на изображения. в Медицински изчислителни изображения и компютърно подпомогната интервенция - MICCAI 2015 Кн. 9351, 234–241 (Springer, Cham, Швейцария, 2015).

Rusk, N. Нат. Методи 13, 35 (2016).

Уеб, S. Природата 554, 555–557 (2018).

Sadanandan, S. K., Ranefall, P., Le Guyader, S. & Wählby, C. Sci. Представител. 7, 7860 (2017).

Haberl, M. G. et al. Нат. Методи 15, 677–680 (2018).

Ulman, V. et al. Нат. Методи 14., 1141–1152 (2017).

Schneider, C. A., Rasband, W. S. & Eliceiri, K. W. Нат. Методи 9, 671–675 (2012).

Long, J., Shelhamer, E. & Darrell, T. Напълно конволюционни мрежи за семантична сегментация. в IEEE Conf. Изчисляване. Вис. Разпознаване на образец. (CVPR) 3431–3440 (IEEE, Piscataway, NJ, САЩ, 2015 г.).

Симонян, К. и Цисерман, А. Препринт на https://arxiv.org/abs/1409.1556 (2014)

Çiçek, Ö., Abdulkadir, A., Lienkamp, ​​S. S., Brox, T. & Ronneberger, O. 3D U-Net: изучаване на плътна обемна сегментация от оскъдна анотация. в Медицински изчислителни изображения и компютърно подпомагана интервенция - MICCAI 2016 Кн. 9901, 424–432 (Springer, Cham, Швейцария, 2016).

He, K., Zhang, X., Ren, S. & Sun, J. Препринт на https://arxiv.org/abs/1502.01852 (2015).

Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J. & Zisserman, A. Международна J. Comput. Вис. 88, 303–338 (2010).

Maška, M. et al. Биоинформатика 30, 1609–1617 (2014).

Благодарности

Тази работа беше подкрепена от германското федерално министерство на образованието и научните изследвания (BMBF) чрез проекта MICROSYSTEMS (0316185B) на T.F. и AD; наградата на Бернщайн 2012 (01GQ2301) за I.D .; Федералното министерство по икономически въпроси и енергетика (ZF4184101CR5) до А.Б .; Deutsche Forschungsgemeinschaft (DFG) чрез съвместния изследователски център KIDGEM (SFB 1140) до D.M., Ö.Ç., T.F. и O.R., и (SFB 746, INST 39/839,840,841) към K.P .; клъстерите за върхови постижения BIOSS (EXC 294) към T.F., D.M., R.B., A.A., Y.M., D.S., T.L.T., M.P., K.P., M.S., T.B. и O.R .; BrainLinks-Brain-Tools (EXC 1086) до Z.J., K.S., I.D. и T.B .; предоставя DI 1908/3-1 на J.D., DI 1908/6-1 на Z.J. и К.С., и DI 1908/7-1 до I.D .; Швейцарската национална научна фондация (грант на SNF 173880) на А.А .; ERC Starting grant OptoMotorPath (338041) за I.D .; и FENS-Kavli Network of Excellence (FKNE) към I.D. Благодарим на F. Prósper, E. Bártová, V. Ulman, D. Svoboda, G. van Cappellen, S. Kumar, T. Becker и консорциума Mitocheck за предоставяне на богато разнообразие от набори от данни чрез предизвикателството за сегментация на ISBI. Благодарим на P. Fischer за ръчни анотации на изображения. Благодарим на S. Wrobel за приготвянето на микроспори на тютюн.

Информация за автора

Настоящ адрес: SICK AG, Валдкирх, Германия

Настоящ адрес: ANavS GmbH, Мюнхен, Германия

Александър Довженко, Олаф Тиц и Шон Уолш

Настоящ адрес: ScreenSYS GmbH, Фрайбург, Германия

Настоящ адрес: DeepMind, Лондон, Великобритания

Тези автори са допринесли еднакво: Торстен Фалк, Доминик Май, Робърт Бенш.

Принадлежности

Катедра по компютърни науки, Университет Алберт-Лудвигс, Фрайбург, Германия

Торстен Фалк, Доминик Май, Робърт Бенш, Йозгюн Чичек, Ахмед Абдулкадир, Ясин Мараки, Антон Бьом, Томас Брокс и Олаф Ронебергер

BIOSS Център за изследвания на биологичната сигнализация, Фрайбург, Германия

Торстен Фалк, Доминик Май, Робърт Бенш, Ясин Мараки, Дениз Салтукоглу, Марко Принц, Клаус Палме, Матиас Саймънс, Томас Брокс и Олаф Ронебергер

CIBSS Център за интегративни изследвания на биологичното сигнализиране, Университет Алберт-Лудвигс, Фрайбург, Германия

Торстен Фалк, Ясин Мараки, Марко Принц и Томас Брокс

Life Imaging Center, Център за анализ на биологични системи, Университет Алберт-Лудвигс, Фрайбург, Германия

Университетска болница за психиатрия и психотерапия на старостта, Университет в Берн, Берн, Швейцария

Оптофизиологична лаборатория, Институт по биология III, Университет Алберт-Лудвигс, Фрайбург, Германия

Ян Deubner, Zoe Jäckel, Katharina Seiwald & Ilka Diester

BrainLinks-BrainTools, Университет Алберт-Лудвигс, Фрайбург, Германия

Ян Деубнер, Зоуи Якел, Туан Ленг Тай, Илка Диестър и Томас Брокс

Институт по биология II, Университет Алберт-Лудвигс, Фрайбург, Германия

Александър Довженко, Олаф Тиц, Кристина Дал Боско, Шон Уолш и Клаус Палме

Център за анализ на биологични системи (ZBSA), Университет Алберт-Лудвигс, Фрайбург, Германия

Дениз Салтукоглу и Матиас Симонс

Бъбречно отделение, Университетски медицински център, Фрайбург, Германия

Дениз Салтукоглу и Матиас Симонс

Специализирано училище по биология и медицина (SGBM), Университет Алберт-Лудвигс, Фрайбург, Германия

Институт по невропатология, Университетски медицински център, Фрайбург, Германия

Туан Ленг Тай и Марко Принц

Институт по биология I, Университет Алберт-Лудвигс, Фрайбург, Германия

Париж Университет Декарт-Сорбона Париж Сите, Imagine Institute, Париж, Франция

Център „Бърнстейн“ във Фрайбург, Университет „Алберт-Лудвигс“, Фрайбург, Германия

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Можете също да търсите този автор в PubMed Google Scholar

Вноски

T.F., D.M., R.B., Y.M., Ö.Ç., T.B. и О.Р. избра и проектира изчислителните експерименти. T.F., R.B., D.M., Y.M., A.B. и Ö.Ç. извърши експериментите: R.B., D.M., Y.M. и А.Б. (2D) и T.F. и Ö.Ç. (3D). R.B., Ö.Ç., A.A., T.F. и О.Р. внедри разширенията U-Net в caffe. T.F. проектира и внедри приставката Фиджи. Д.С. и М.С. избра, подготви и записа кератиноцитния набор от данни PC3-HKPV. T.F. и О.Р. подготви набора от данни за полени във въздуха BF1-POL. A.D., S.W., O.T., C.D.B. и К.П. избраха, подготвиха и записаха наборите от данни за протопласт и микроспори BF2-PPL и BF3-MiSp. T.L.T. и М.П. подготви, записа и анотира данните за експеримента с микроглиална пролиферация. J.D., K.S. и Z.J. избра, подготви и записа оптогенетичния набор от данни. I.D., J.D. и Z.J. ръчно коментира оптогенетичния набор от данни. I.D., T.F., D.M., R.B., Ö.Ç., T.B. и О.Р. написа ръкописа.

Автора за кореспонденция

Етични декларации

Конкуриращи се интереси

Авторите не декларират конкуриращи се интереси.

Допълнителна информация

Бележка на издателя: Springer Nature остава неутрален по отношение на юрисдикционните претенции в публикувани карти и институционални принадлежности.

Интегрирана допълнителна информация

Допълнителна фигура 1 Архитектурата на U-Net в примера на 2D мрежа за сегментация на клетки.

(наляво) Вход: Плочка с изображение с 540 × 540 пиксела и C канали (синьо поле). (вдясно) Изход: K-клас soft-max сегментация с 356 × 356 пиксела (жълто поле). Блоковете показват изчислената йерархия на характеристиките. Числа на върха на всеки мрежов блок: брой функционални канали; числа, останали до всеки блок: форма на пространствена характеристика на картата в пиксели. Жълти стрелки: Поток от данни

Допълнителна фигура 2 Разделяне на докосващи се клетки чрез използване на тежести за загуба на пиксели.

а) Генерирана сегментационна маска с широк фон с ширина от един пиксел между докосващи се клетки (бяло: преден план, черно: фон). б) Карта, показваща тежести на загубите за пиксели, за да наложи мрежата да отдели докосващи се клетки

Допълнителна фигура 3 Увеличаване на данните за обучение чрез произволна гладка еластична деформация.

(а) Горе вляво: Сурово изображение; Горе вдясно: Етикети; Долна лява: загуба на тежести; Долен десен: решетка от 20 μm (само за илюстрация) б) Деформационно поле (черни стрелки), генерирано с помощта на бикубична интерполация от груба мрежа от вектори на изместване (сини стрелки; увеличение: 5 ×). Векторните компоненти са извлечени от Гаусово разпределение (σ = 10px). (° С) Обратно трансформирани изображения на (а), използващи деформационното поле