利用半监督度量学习识别核表型及肌动蛋白丝分割算法

### 利用半监督度量学习识别核表型及肌动蛋白丝分割算法 在生物学研究中，对细胞的准确识别和分析至关重要。本文将介绍两种不同但都与细胞分析相关的技术：利用半监督度量学习识别核表型以及基于动态规划的肌动蛋白丝分割算法。 #### 核特征分析 在研究中，使用了三组核特征来描述细胞核，分别对应形状、外观和空间邻域，具体如下： - **基于球谐函数的形状特征**： - 细胞核的形状通过其表面的球谐函数表示进行建模。首先，将物体表面通过最小化面积失真的变换映射到球体上，得到一组在单位球面上的三个坐标函数\((x(φ, θ), y(φ, θ), z(φ, θ))\)。 - 每个函数将球面上的点（由\(φ\)和\(θ\)表示）映射到表面上的相应坐标。这些坐标函数通过投影到球谐基函数上得到表示，例如\(x(φ, θ) = \sum_{l=0}^{\infty}\sum_{m=-l}^{l} c_{x_{l,m}}Y_{l,m}(φ, θ)\)，其中\(Y_{l,m}(φ, θ)\)是度数为\(l\)、阶数为\(m\)的球谐基函数。 - 图1(c)展示了使用\(l = 5\)时细胞核的球谐函数重建。 - **径向轮廓**： - 核体积的外观通过DNA染色密度的径向分布来建模，该分布是其距核表面距离的函数。 - 可以使用细胞核前景掩码上的距离变换高效计算此特征。将距离缩放到\([0, 1]\)范围内，以固定长度的间隔进行分箱，并计算每个箱的平均DNA强度，从而得到径向轮廓。 - **空间分布**： - 细胞核的空间特征由细胞局部邻域内的细胞密度表示。 - 通过识别图像中的核中心并计算3D体积中点分布的核密度估计来计算局部密度。核带宽\(σ_d\)的大小设置为平均核直径的一定比例。 #### 实验结果 - 数据收集与处理 该方法应用于小鼠乳腺癌肿瘤微环境的研究，旨在了解基质细胞在癌症发生和发展中的作用。具体步骤如下： - **数据收集**： - 从两个月大的野生型小鼠收集组织切片。 - 使用转基因小鼠品系中内源性表达的荧光蛋白来识别细胞类型。在给定标本中，内源性荧光仅存在于三种基质细胞（巨噬细胞、成纤维细胞或内皮细胞）之一中。 - 用DAPI（一种DNA荧光标记物）对组织切片进行染色以识别细胞核。使用Olympus FV1000共聚焦显微镜（物镜为40x/1.3NA）收集图像，图像的平面分辨率为\(0.31μm\)，轴向分辨率为\(0.5μm\)，视野为\(317μm × 317μm\)，深度为\(40 - 70μm\)。 - **图像处理**： - 共聚焦图像由两个通道组成，分别对应核染色（绿色）和细胞特异性荧光蛋白（红色）。 - 对通道进行去噪处理，并使用标准处理流程对核通道进行分割。在大多数情况下手动纠正分割错误，同时丢弃一小部分分割不佳的细胞核。 - 然后使用荧光蛋白通道检测与该蛋白识别的细胞类型相对应的细胞核。通过此过程选择的细胞核集进行手动验证。这些操作针对每种细胞类型的图像执行，构成了研究的标记示例。未被荧光蛋白识别的细胞核用作未标记示例。 #### 特征提取 - 基于SPHARM - PD