人工智能驱动的细菌细胞和生物膜的图像分析
摘要：人工智能框架用于测量细菌生物膜显微镜图像的结构特征：以在温和钢表面上生长的阿拉斯加脱硫细菌G20 (DA-G20)为模型。我们的目标是自动化从扫描电子显微镜（SEM）图像中提取DA-G20细胞的几何特性的过程，这一过程通常费时费力。这些几何特性是一种生物膜表型，可以帮助我们了解生物膜如何在结构上适应基底金属的表面性质，从而提供更好的防腐解决方案。我们采用了两个深度学习模型：（a）深度卷积神经网络（DCNN）模型，用于实现细胞的语义分割，（b）遮罩区域-卷积神经网络（Mask R-CNN）模型，用于实现细胞的实例分割。然后将这些模型与矩不变性方法结合起来，以测量分割细胞的几何特征。我们的数值研究证实，与领域专家手动识别和测量细胞几何特性的传统方法相比，Mask R-CNN和DCNN方法分别快227倍和70倍。
作者：Shankarachary Ragi, Md Hafizur Rahman, Jamison Duckworth, Kalimuthu Jawaharraj, Parvathi Chundi, and Venkataramana Gadhamshetty
论文ID：2112.01577
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2021-12-06