462
правки
Изменения
→Классификация клеток
На данный момент компьютерное зрение нашло применение в большинстве направлений, где есть необходимость обрабатывать и анализировать изображения. Микроскопия не стала исключением. Теперь задачи, направленные непосредственно на работу с изображениями, можно решить, например, построив соответствующую [[Сверточные нейронные сети |сверточную нейронную сеть]].
== Классификация клеток ==
Классификация клеток является базовой задачей микроскопии. Обычно для этого используются изображения, полученные на флуоресцентных микроскопах, так как в отличие от изображений с обычных оптических микроскопов они способны отразить биологическое разнообразие различных типов клеток. Клеткиможно делить по фазе в клеточном цикле, типу (повержденные или нет, раковые или номральные), физиологическому состоянию, виду и другим признакам. Для использования флоуресцентной микроскопии клетки окрашивают флуоресцентным красителембольшинства уже существуют готовые архитектуры сверточных сетей, использующие флуоресцентные метки в качестве категориальных.
=== Определение фазы клеточного цикла ===
Одним из признаков, по которым можно разделить клетки, является определение фазы клеточного цикла, в которой находится клетка. Эта задача имеет практическое применение для обнаружения поврежденных клеток, которые при визуализации будут кластеризоваться отдельно от остальных. Так как клетки проходят стадии клеточного цикла непрерывно, то удобно их классифицировать, используя флуоресцентные метки. Для этого клетку окрашивают флуоресцентным красителем и используют флуоресцентный микроскоп, который фиксирует расположение и степень свечения. Сверточная сеть обучается на изображениях с этими метками и дает на выходе не только классификацию каждой клетки, а также визуализирует процесс клеточного цикла. Классификация и визуализация являются всего лишь различными способами интерпретации результатов, поэтому строятся на основе одних и тех же выведенных закономерностей<ref>[https://www.nature.com/articles/s41467-017-00623-3#supplementary-information Philipp Eulenberg — Reconstructing cell cycle and disease progression using deep learning, 2017]</ref>.
