Die mechanischen Eigenschaften des Zellkerns beeinflussen die Transkription und Zellsignalübertragung. Die Rasterkraftmikroskopie (AFM) bietet hochauflösende Topografie und mechanische Eigenschaften lebender Zellen. Hier stellen wir AFMap-UNet vor, eine Deep-Learning-Architektur, die AFM-abgeleitete und optische Mikroskopiedaten integriert, um eine präzise nukleare Segmentierung zu erreichen. AFM-Topografiekarten wurden mit verbesserten optischen Kanälen kombiniert und durch eine zweistufige, regionsgesteuerte U-Net-Pipeline verarbeitet, wodurch eine Präzisions-Rückruf-Kurve mit einer durchschnittlichen Präzision von 99% und einem medianen Dice-Koeffizienten von 96% erzielt wurde. Darüber hinaus behält AFMap-UNet seine Leistung selbst bei kleinen Trainingssätzen von 15 Bildern, was die Skalierbarkeit für datenkonstrainten Umgebungen, die typisch für AFM-Studien sind, hervorhebt. Soweit wir wissen, stellt dies das erste leistungsstarke Deep-Learning-Modell für die räumlich aufgelöste Quantifizierung der nuklearen Mechanik dar, das neue Anwendungen in der AFM-basierten Zellanalyse und der Krankheitsmodellierung ermöglicht.
Rocha et al. (Sun,) haben diese Frage untersucht.