卷積神經網絡是什麼，它與小鼠胚胎在顯微鏡下呈現的圖像之間有哪些聯系？
多種基因突變影響生物體發育過程中的細胞增殖，導緻結構性出生缺陷，這些改變影響面部發育的機制仍不清楚，細胞增殖及其與形狀變化的關系可以使用小鼠模型在一系列發育時間點上使用光片顯微鏡(LSM)成像進行研究。
目的是開發和評估基于卷積神經網絡(CNN)的準确自動方法，用于組織分割（神經外胚層和間充質）、核染色圖像中的細胞分割以及磷酸組蛋白H3(pHH3)染色的小鼠胚胎LSM圖像中增殖細胞的分割。
結構性出生缺陷和先天性異常是人類健康的主要問題，每年導緻全球300,000人死亡，占全球疾病負擔的很大比例，大多數先天性異常都有遺傳原因，通過擾亂胚胎生長和發育過程中的細胞或分子過程而導緻疾病。旨在治療或預防此類疾病的幹預措施需要對這些中斷有機械的了解。
在胚胎發生過程中，組織層（外胚層、中胚層和内胚層，以及神經嵴細胞）形成了身體的所有器官和結構，每個組織層都有不同的特性和特定的細胞命運，神經嵴與中胚層混合形成通常稱為間充質的組織類型。它形成面部的骨骼和肌肉，這是結構性出生缺陷的常見部位，間充質的增殖和遷移被認為是面部形态發生的主要驅動因素，可以使用小鼠模型進行研究。
對于小鼠胚胎發生的研究，熒光成像允許通過具體顯示所涉及的分子和結構來研究某些生物過程，但是它最常在部分上執行，一旦組織被切片，就很難分析3D結構以及單個細胞内的污漬如何與原始形态相關。
光片顯微鏡(LSM)是一種相對較新的熒光成像技術，它允許在早期發育階段對整個生物樣本進行3D成像，其空間分辨率可以顯示單個細胞，無需對樣品進行實體切片即可擷取LSM成像，進而保持樣品的形狀。
從技術上講，LSM使用确定的頻率照亮樣品中的一個平面，并使用垂直于該平面的sCMOS相機對熒光進行成像，通過沿樣品移動照明平面獲得高分辨率2D圖像堆棧，其3D分辨率取決于檢測物鏡的數值孔徑和光片的強度分布，通常呈現比層間分辨率更高的層内分辨率，LSM允許對已針對各種标記進行染色的單個細胞核進行成像。
小鼠胚胎的LSM成像對其分析有實際的缺點，由于光學像差，圖像通常很嘈雜，一張5倍變焦的多通道圖像的大小可以輕松接近300GB，并包含數千張2D圖像，由于樣品制備的可變性和成像僞影，這些圖像也容易出現噪聲和信号丢失，尤其是在大型哺乳動物樣品中。
從十個可用小鼠胚胎的DAPI染色掃描中，從z堆棧中選擇随機圖像用于手動組織分割。更準确地說，86個用于CNN訓練，36個用于驗證，54個用于測試，機器學習資料集（DAPI-Tissue資料集）的典型比例為50-20-30%。
為了分割DAPI染色圖像中的間充質和神經外胚層，并将這些組織與背景區分開來，使用了一個簡單的U-netCNN架構使用DAPI-Tissue訓練和驗證集對超參數的各種設定進行了大規模随機搜尋，研究的超參數包括批量大小、學習率、過濾器數量、核心大小和優化器方法。
第二個U-net基于ImageJ-Fiji插件使用PHH3-Cells資料集從頭開始訓練，用于分割pHH3圖像中的增殖細胞。基于手動超參數搜尋，最佳模型訓練了20,000次疊代，學習率為1E-6，權重随機初始化。
這些U-net模型與Ilastik分割方法進行了比較，Ilastik分割方法是一種參考工具，廣泛用于生物學中的半自動細胞分割，在此工具中，使用者指定要提取的圖像特征和機器學習方法的參數，并提供具有相應細胞分割的顯微資料集。
将經過訓練的用于細胞分割的U-net模型與基于CNN的全自動工具Cellpose進行了比較，Cellpose接受了來自各種顯微鏡模式的不同細胞圖像的訓練，包括DAPI染色圖像，在這種情況下，針對核及其預設模型使用0（無）、12、18和24測試可調參數直徑，對于DAPI-Cells集，使用預設模型和零直徑獲得最佳結果，這允許Cellpose确定最佳值，對于PHH3-Cells集，在直徑為24和核模型時獲得了最佳結果。
對于增殖細胞的分割，pHH3z堆棧的圖像也必須進行強度歸一化并裁剪為1024×1024更新檔，這些更新檔使用使用PHH3-Cells資料集訓練的U-net進行分割，将分割的更新檔合并，轉換為各向同性體積，并使用間充質分割進行掩蔽，以獲得間充質中的增殖細胞。
正确的組織和細胞分割對于細胞動力學擾動如何導緻小鼠模型先天性異常的量化和模組化非常重要，拟議的管道使用成熟的U-netCNN架構導緻在觀察者間協定範圍内的分割結果，是以有助于加速LSM圖像分析并生成可重制的結果。
