Cell segmentation in images without structural fluorescent labels
Rattachement africain : fr, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
High-content screening (HCS) provides an excellent tool to understand the mechanism of action of drugs on disease-relevant model systems. Careful selection of fluorescent labels (FLs) is crucial for successful HCS assay development. HCS assays typically comprise (a) FLs containing biological information of interest, and (b) additional structural FLs enabling instance segmentation for downstream analysis. However, the limited number of available fluorescence microscopy imaging channels restricts the degree to which these FLs can be experimentally multiplexed. In this article, we present a segmentation workflow that overcomes the dependency on structural FLs for image segmentation, typically freeing two fluorescence microscopy channels for biologically relevant FLs. It consists in extracting structural information encoded within readouts that are primarily biological, by fine-tuning pre-trained state-of-the-art generalist cell segmentation models for different combinations of individual FLs, and aggregating the respective segmentation results together. Using annotated datasets that we provide, we confirm our methodology offers improvements in performance and robustness across several segmentation aggregation strategies and image acquisition methods, over different cell lines and various FLs. It thus enables the biological information content of HCS assays to be maximized without compromising the robustness and accuracy of computational single-cell profiling.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Cell segmentation in images without structural fluorescent labels
- Date Crossref
- 01/01/2023
- Éditeur
- Cambridge University Press (CUP)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Inserm pays non établi dans la noticeOrganisme public
-
Université Paris Sciences et Lettres pays non établi dans la noticeUniversité ou école supérieure
-
Cairn Biosciences (United States) pays non établi dans la noticeEntreprise
-
Centre de Bio-Informatique pays non établi dans la noticeStructure de recherche
-
Institut Curie pays non établi dans la noticeOrganisation à but non lucratif
-
Génomique Bioinformatique et Applications pays non établi dans la noticeStructure de recherche
-
Cancer et génome: Bioinformatique pays non établi dans la noticeStructure de recherche
-
Inc. Cairn Biosciences pays non établi dans la noticeEntreprise
-
PSL University Mines Paris pays non établi dans la noticeUniversité ou école supérieure
-
CBIO - Centre de Bioinformatique (35 rue Saint-Honoré 77300 Fontainebleau pays non établi dans la noticeInstitution
-
Cairn Biosciences Inc pays non établi dans la noticeEntreprise
Inserm, Université Paris Sciences et Lettres et Cairn Biosciences (United States), avec 8 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.