.png){kind=icon}
返回
Representing particles' motion patterns in microfluidic imaging platform using deep variational embeddings
.png){kind=icon}
OA
AI
DOI：10.1088/2515-7647/add42e.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解细胞或颗粒的运动特性在微流控成像应用中至关重要。与运动相关的分析已被证明是表征生物样本中颗粒物表型的一种有价值工具。然而，仅依赖单个细胞的轨迹特征可能无法始终充分描述其整体运动模式。这凸显了需要一种更有效的解决方案，专注于运动中的旋转成分。本研究中，我们开发了一种使用深度变分嵌入的广义运动模式表征框架，以表征具有不同形态的生物样本。首先，我们构建了一个具有足够吞吐量的简化光学装置，用于记录包含方向变化的细胞序列帧。然后，开发了一种自监督学习流程，将运动模式嵌入到潜在空间中。潜在变量被可视化为广义运动模式，以表示连续帧序列。最后，对单个细胞的运动关键帧进行分割，将运动轨迹划分为连续的子轨迹。每个子轨迹具有预定义的特定含义，用于收集下游运动相关分析。我们的框架已通过两种常见形状的细胞进行验证：板状红细胞和杆状酵母。结果表明，这两种样本的运动模式表征是独特且可解释的。在运动分割应用中，表征的运动通过无监督聚类实现了超过90%的准确率，显著增强了相关运动分析。这些有前景的发现强调了我们所开发的框架在提取用于表型的信息性运动模式方面的实际价值。
Keyword:
motion pattern representation
microfluidic imaging
variational autoencoder
gated recurrent units
期刊
J
IF:
8.4
论文数:
125
被引数:
1.4K
机构
暂无机构信息
引用论文
.png){kind=icon}
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示OAAI
OAAI分享收藏RNN-LSTM: From applications to modeling techniques and beyond—Systematic reviewRnn-lstm: 从应用到建模技术及超越-系统综述
OAAI
OAAI分享收藏分享收藏Interpreting Video Features: A Comparison of 3D Convolutional Networks and Convolutional LSTM Networks视频特征解释：3D卷积网络与卷积LSTM网络比较OAAI
OAAI分享收藏
查看更多内容