美國華盛頓大學研究人員開發(fā)出一種深度學習軟件Omnipose，其能幫助解決在顯微鏡圖像中識別各種微小細菌的挑戰(zhàn)。研究結(jié)果發(fā)表在17日的《自然·；方法學》雜志上。

　　研究人員發(fā)現(xiàn)，在大型細菌圖像數(shù)據(jù)庫上訓練的Omnipose在表征和量化混合微生物培養(yǎng)物中的無數(shù)細菌方面表現(xiàn)良好，并消除了其前身可能出現(xiàn)的一些錯誤。此外，由于不同細菌的光學特性存在差異，Omnipose在克服識別問題方面表現(xiàn)出色。

　　由于抗生素治療或細菌間侵襲過程中產(chǎn)生的化學物質(zhì)的拮抗作用，該軟件不會輕易被細胞形狀的極端變化所欺騙。事實上，該程序表明它甚至可在大腸桿菌試驗中檢測細胞中毒。

　　大多數(shù)細菌是球形或棒狀，但有些具有其他基本形式，例如扭曲的螺旋形。Omnipose還可識別更精細的細菌，這些細菌具有細長的形狀，其物理特征會使深度學習工具難以判斷圖像中存在哪些細菌。

　　在分析來自雜草擬南芥根的細胞時，Omnipose在這個3D樣本中確實顯示出一些優(yōu)勢。

　　為了探究它是否也可成為其他依賴顯微鏡的生物甚至非生命科學領(lǐng)域的多功能工具，研究人員在超小型蛔蟲&mdash；&mdash；秀麗隱桿線蟲的顯微照片上試用了該程序，秀麗隱桿線蟲是遺傳、神經(jīng)科學、發(fā)育和微生物行為研究中的重要生物。像一些細菌一樣，這種生物具有細長的形狀，它也可像許多其他蠕蟲一樣扭曲自己。

　　結(jié)果表明，無論它的各種伸展、收縮和其他運動如何，Omnipose都可挑選出秀麗隱桿線蟲。這種能力在延時跟蹤秀麗隱桿線蟲運動期間的神經(jīng)研究中可能是有用的。

　　在設計像Omnipose這樣的工具時，研究人員正在研究單像素精度的尺度來定義細胞的邊界。這是因為大多數(shù)細菌細胞體圖像僅由少量像素組成。研究人員解釋說，在圖像中定義邊界稱為分割。他們通過深度神經(jīng)網(wǎng)絡、高精度分割算法開發(fā)了Ominpose。實驗表明Omnipose具有前所未有的分割精度。

　　研究人員稱，Omnipose在各種細胞形態(tài)和模式上的高性能，可能會從以前無法訪問的顯微鏡圖像中解開信息，這或?qū)⒏淖兩飯D像分析的游戲規(guī)則。

　　基于神經(jīng)網(wǎng)絡的輸出或流場，來自細長細菌細胞的顯微鏡圖像，是Omnipose深度學習程序研究的一部分。

　　美國華盛頓大學研究人員開發(fā)出一種深度學習軟件Omnipose，其能幫助解決在顯微鏡圖像中識別各種微小細菌的挑戰(zhàn)。研究結(jié)果發(fā)表在17日的《自然·；方法學》雜志上。

　　研究人員發(fā)現(xiàn)，在大型細菌圖像數(shù)據(jù)庫上訓練的Omnipose在表征和量化混合微生物培養(yǎng)物中的無數(shù)細菌方面表現(xiàn)良好，并消除了其前身可能出現(xiàn)的一些錯誤。此外，由于不同細菌的光學特性存在差異，Omnipose在克服識別問題方面表現(xiàn)出色。

　　由于抗生素治療或細菌間侵襲過程中產(chǎn)生的化學物質(zhì)的拮抗作用，該軟件不會輕易被細胞形狀的極端變化所欺騙。事實上，該程序表明它甚至可在大腸桿菌試驗中檢測細胞中毒。

　　大多數(shù)細菌是球形或棒狀，但有些具有其他基本形式，例如扭曲的螺旋形。Omnipose還可識別更精細的細菌，這些細菌具有細長的形狀，其物理特征會使深度學習工具難以判斷圖像中存在哪些細菌。

　　在分析來自雜草擬南芥根的細胞時，Omnipose在這個3D樣本中確實顯示出一些優(yōu)勢。

　　為了探究它是否也可成為其他依賴顯微鏡的生物甚至非生命科學領(lǐng)域的多功能工具，研究人員在超小型蛔蟲&mdash；&mdash；秀麗隱桿線蟲的顯微照片上試用了該程序，秀麗隱桿線蟲是遺傳、神經(jīng)科學、發(fā)育和微生物行為研究中的重要生物。像一些細菌一樣，這種生物具有細長的形狀，它也可像許多其他蠕蟲一樣扭曲自己。

　　結(jié)果表明，無論它的各種伸展、收縮和其他運動如何，Omnipose都可挑選出秀麗隱桿線蟲。這種能力在延時跟蹤秀麗隱桿線蟲運動期間的神經(jīng)研究中可能是有用的。

　　在設計像Omnipose這樣的工具時，研究人員正在研究單像素精度的尺度來定義細胞的邊界。這是因為大多數(shù)細菌細胞體圖像僅由少量像素組成。研究人員解釋說，在圖像中定義邊界稱為分割。他們通過深度神經(jīng)網(wǎng)絡、高精度分割算法開發(fā)了Ominpose。實驗表明Omnipose具有前所未有的分割精度。

　　研究人員稱，Omnipose在各種細胞形態(tài)和模式上的高性能，可能會從以前無法訪問的顯微鏡圖像中解開信息，這或?qū)⒏淖兩飯D像分析的游戲規(guī)則。

　　基于神經(jīng)網(wǎng)絡的輸出或流場，來自細長細菌細胞的顯微鏡圖像，是Omnipose深度學習程序研究的一部分。