• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

用于寄生虫微生物学中细胞图像分析的知识集成深度学习框架。

A knowledge-integrated deep learning framework for cellular image analysis in parasite microbiology.

机构信息

School of Science, Harbin Institute of Technology (Shenzhen), Shenzhen, Guangdong 518055, China.

School of Science, Harbin Institute of Technology (Shenzhen), Shenzhen, Guangdong 518055, China.

出版信息

STAR Protoc. 2023 Sep 15;4(3):102452. doi: 10.1016/j.xpro.2023.102452. Epub 2023 Aug 1.

DOI:10.1016/j.xpro.2023.102452
PMID:37537845
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC10410587/
Abstract

Cellular image analysis is an important method for microbiologists to identify and study microbes. Here, we present a knowledge-integrated deep learning framework for cellular image analysis, using three tasks as examples: classification, detection, and reconstruction. Alongside thorough descriptions of different models and datasets, we describe steps for computing environment setup, knowledge representation, data pre-processing, and training and tuning. We then detail evaluation and visualization. For complete details on the use and execution of this protocol, please refer to Li et al. (2021), Jiang et al. (2020), and Zhang et al. (2022)..

摘要

细胞图像分析是微生物学家识别和研究微生物的重要方法。在这里，我们提出了一个知识集成的深度学习框架用于细胞图像分析，以三个任务为例：分类、检测和重建。除了对不同模型和数据集的详细描述外，我们还介绍了计算环境设置、知识表示、数据预处理以及训练和调整的步骤。然后我们详细介绍了评估和可视化。有关此协议使用和执行的完整详细信息，请参见 Li 等人（2021 年）、Jiang 等人（2020 年）和 Zhang 等人（2022 年）。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8d67ba0ada06/gr14.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/c22b2b936dcc/fx1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/712d13bfbae7/gr1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/17de0e0b4237/gr2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/1166315e8b95/gr3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/d7a9891d911d/gr4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/20cb67012bce/gr5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8c33c0e1fced/gr6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/036599e82252/gr7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8fcb9a6d49f5/gr8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/b40a4ea1eb71/gr9.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/3c320d82075a/gr10.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/a8efe9165278/gr11.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/38f7d97c0524/gr12.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/e2032caeb233/gr13.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8d67ba0ada06/gr14.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/c22b2b936dcc/fx1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/712d13bfbae7/gr1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/17de0e0b4237/gr2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/1166315e8b95/gr3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/d7a9891d911d/gr4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/20cb67012bce/gr5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8c33c0e1fced/gr6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/036599e82252/gr7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8fcb9a6d49f5/gr8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/b40a4ea1eb71/gr9.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/3c320d82075a/gr10.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/a8efe9165278/gr11.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/38f7d97c0524/gr12.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/e2032caeb233/gr13.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/1d86/10410587/8d67ba0ada06/gr14.jpg

相似文献

1
A knowledge-integrated deep learning framework for cellular image analysis in parasite microbiology.用于寄生虫微生物学中细胞图像分析的知识集成深度学习框架。
STAR Protoc. 2023 Sep 15;4(3):102452. doi: 10.1016/j.xpro.2023.102452. Epub 2023 Aug 1.
2
Protocol for performing deep learning-based fundus fluorescein angiography image analysis with classification and segmentation tasks.基于深度学习的眼底荧光素血管造影图像分析的协议，包括分类和分割任务。
STAR Protoc. 2024 Sep 20;5(3):103134. doi: 10.1016/j.xpro.2024.103134. Epub 2024 Jun 19.
3
Protocol to analyze fundus images for multidimensional quality grading and real-time guidance using deep learning techniques.使用深度学习技术进行多维质量分级和实时指导的眼底图像分析协议。
STAR Protoc. 2023 Dec 15;4(4):102565. doi: 10.1016/j.xpro.2023.102565. Epub 2023 Sep 20.
4
A deep learning based CT image analytics protocol to identify lung adenocarcinoma category and high-risk tumor area.一种基于深度学习的 CT 图像分析协议，用于识别肺腺癌类别和高风险肿瘤区域。
STAR Protoc. 2022 Sep 16;3(3):101485. doi: 10.1016/j.xpro.2022.101485. Epub 2022 Jun 22.
5
A deep learning framework for denoising and ordering scRNA-seq data using adversarial autoencoder with dynamic batching.基于对抗自编码器和动态批量处理的深度学习框架，用于对 scRNA-seq 数据进行去噪和排序。
STAR Protoc. 2024 Jun 21;5(2):103067. doi: 10.1016/j.xpro.2024.103067. Epub 2024 May 14.
6
A practical guide to deep-learning light-field microscopy for 3D imaging of biological dynamics.深度学习光场显微镜在生物动力学 3D 成像中的实用指南。
STAR Protoc. 2023 Mar 17;4(1):102078. doi: 10.1016/j.xpro.2023.102078. Epub 2023 Jan 29.
7
Protocol for live cell image segmentation to profile cellular morphodynamics using MARS-Net.使用 MARS-Net 对活细胞图像进行分割以分析细胞形态动力学的方案。
STAR Protoc. 2022 Jun 14;3(3):101469. doi: 10.1016/j.xpro.2022.101469. eCollection 2022 Sep 16.
8
Bi-channel image registration and deep-learning segmentation (BIRDS) for efficient, versatile 3D mapping of mouse brain.双通道图像配准和深度学习分割（BIRDS）用于高效、通用的小鼠大脑 3D 映射。
Elife. 2021 Jan 18;10:e63455. doi: 10.7554/eLife.63455.
9
On the objectivity, reliability, and validity of deep learning enabled bioimage analyses.深度学习赋能的生物影像分析的客观性、可靠性和有效性。
Elife. 2020 Oct 19;9:e59780. doi: 10.7554/eLife.59780.
10
Deep learning based protocol to construct an immune-related gene network of host-pathogen interactions in plants.基于深度学习的方法构建植物中宿主-病原体互作的免疫相关基因网络。
STAR Protoc. 2023 Mar 17;4(1):101934. doi: 10.1016/j.xpro.2022.101934. Epub 2022 Dec 14.

引用本文的文献

1
Environmental adaptations in metagenomes revealed by deep learning.深度学习揭示的宏基因组中的环境适应性
BMC Biol. 2025 Aug 11;23(1):252. doi: 10.1186/s12915-025-02361-1.