nucleAIzer: A Parameter-free Deep Learning Framework for Nucleus Segmentation Using Image Style Transfer

Hollandi, Reka [Hollandi, Réka (biokémia), szerző] Biokémiai Intézet (SZBK); Szkalisity, Abel [Szkalisity, Ábel (biokémia), szerző] Biokémiai Intézet (SZBK); Toth, Timea [Tóth, Tímea (biokémia), szerző] Biokémiai Intézet (SZBK); Tasnadi, Ervin [Tasnádi, Ervin A (Biokémia, bioinfo...), szerző] Biokémiai Intézet (SZBK); Molnar, Csaba [Molnár, Csaba (képfeldolgozás), szerző] Biokémiai Intézet (SZBK); Mathe, Botond; Grexa, Istvan [Grexa, István (biokémia), szerző] Biokémiai Intézet (SZBK); Molnar, Jozsef [Molnár, József (informatika), szerző] Biokémiai Intézet (SZBK); Balind, Arpad [Bálind, Árpád (kvantált számelmélet), szerző] Biokémiai Intézet (SZBK); Gorbe, Mate; Kovacs, Maria [Kovács, Mária (Molekuláris biológia), szerző] Biokémiai Intézet (SZBK); Migh, Ede [Migh, Ede (genetika), szerző] Biokémiai Intézet (SZBK); Goodman, Allen; Balassa, Tamas [Balassa, Tamás (Mesterséges Intel...), szerző] Biokémiai Intézet (SZBK); MTA-SZBK-NAP B BIOMAG Biológiai Képanalízis és ... (SZBK / BKI); Koos, Krisztian [Koós, Krisztián (biokémia), szerző] Biokémiai Intézet (SZBK); Wang, Wenyu; Caicedo, Juan Carlos; Bara, Norbert [Bara, Norbert (klinikai képfeldo...), szerző] Biokémiai Intézet (SZBK); Kovacs, Ferenc [Kovács, Ferenc (klinikai képfeldo...), szerző] Biokémiai Intézet (SZBK); Paavolainen, Lassi; Danka, Tivadar [Danka, Tivadar (Matematika), szerző] Biokémiai Intézet (SZBK); Kriston, Andras [Kriston, András (klinikai képfeldo...), szerző] Biokémiai Intézet (SZBK); Carpenter, Anne Elizabeth; Smith, Kevin; Horvath, Peter ✉ [Horváth, Péter (biokémia,informatika), szerző] Biokémiai Intézet (SZBK)

Angol nyelvű Tudományos Szakcikk (Folyóiratcikk)
Megjelent: CELL SYSTEMS 2405-4712 10 (5) pp. 453-458 2020
  • SJR Scopus - Cell Biology: D1
Azonosítók
Single-cell segmentation is typically a crucial task of image-based cellular analysis. We present nucleAIzer, a deep-learning approach aiming toward a truly general method for localizing 2D cell nuclei across a diverse range of assays and light microscopy modalities. We outperform the 739 methods submitted to the 2018 Data Science Bowl on images representing a variety of realistic conditions, some of which were not represented in the training data. The key to our approach is that during training nucleAIzer automatically adapts its nucleus-style model to unseen and unlabeled data using image style transfer to automatically generate augmented training samples. This allows the model to recognize nuclei in new and different experiments efficiently without requiring expert annotations, making deep learning for nucleus segmentation fairly simple and labor free for most biological light microscopy experiments. It can also be used online, integrated into CellProfiler and freely downloaded at www.nucleaizer.org. A record of this paper's transparent peer review process is included in the Supplemental Information.
Hivatkozás stílusok: IEEEACMAPAChicagoHarvardCSLMásolásNyomtatás
2022-01-23 20:16