A deep learning approach to identifying immunogold particles in electron microscopy images.
A deep learning approach to identifying immunogold particles in electron microscopy images.
复制标题
DOI：
10.1038/s41598-021-87015-2
复制
发表时间：
2021-04-08
影响因子：
4.6
通讯作者：
Smirnov MS
中科院分区：
文献类型：
--
作者：
Jerez D;Stuart E;Schmitt K;Guerrero-Given D;Christie JM;Hahn WE;Kamasawa N;Smirnov MS
电子显微镜(EM)能够高分辨率地显示蛋白质在生物组织中的分布。对于检测，金纳米颗粒通常被用作免疫组织化学标记的蛋白质的电子致密标记。手动标注金颗粒标签既费时又费力，因为要获得确凿的数据集，数百个图像段中的金颗粒计数可能会超过10万。为了自动化这一过程，我们开发了Gold Digger，这是一个软件工具，它使用改进的Pix2pix深度学习网络，能够检测和注释生物EM图像中的胶体金颗粒，这些图像来自冷冻骨折复制品和用包埋后方法制备的塑料切片。Gold Digger的执行精度接近人类水平，可以处理大图像，并包括一个用户友好的工具，用户可以通过图形界面进行校对输出。手动纠错还有助于网络的持续重新训练，以随着时间的推移提高注释的准确性。因此，Gold Digger能够快速、高通量地分析免疫金标记的EM数据，并可免费向研究界提供。
Electron microscopy (EM) enables high-resolution visualization of protein distributions in biological tissues. For detection, gold nanoparticles are typically used as an electron-dense marker for immunohistochemically labeled proteins. Manual annotation of gold particle labels is laborious and time consuming, as gold particle counts can exceed 100,000 across hundreds of image segments to obtain conclusive data sets. To automate this process, we developed Gold Digger, a software tool that uses a modified pix2pix deep learning network capable of detecting and annotating colloidal gold particles in biological EM images obtained from both freeze-fracture replicas and plastic sections prepared with the post-embedding method. Gold Digger performs at near-human-level accuracy, can handle large images, and includes a user-friendly tool with a graphical interface for proof reading outputs by users. Manual error correction also helps for continued re-training of the network to improve annotation accuracy over time. Gold Digger thus enables rapid high-throughput analysis of immunogold-labeled EM data and is freely available to the research community.
登录
查看更多内容
影响因子：
25
作者：
通讯作者：
--
影响因子：
1.5
作者：
Zhang, XM;Ng, AHL;Huang, JD
通讯作者：
Huang, JD
影响因子：
25
作者：
Mathis, Alexander;Mamidanna, Pranav;Bethge, Matthias
通讯作者：
Bethge, Matthias
影响因子：
3.3
作者：
Tanzi, Leonardo;Vezzetti, Enrico;Masse, Alessandro
通讯作者：
Masse, Alessandro
影响因子：
3.1
作者：
Luján R;Aguado C;Ciruela F;Cózar J;Kleindienst D;de la Ossa L;Bettler B;Wickman K;Watanabe M;Shigemoto R;Fukazawa Y
通讯作者：
Fukazawa Y