New Automated Single-Cell Technique for Segmentation and Quantitation of Lipid Droplets
Notice bibliographique
Résumé
Lipid droplets are the major organelle for intracellular storage of triglycerides and cholesterol esters. Various methods have been attempted for automated quantitation of fluorescently stained lipid droplets using either thresholding or watershed methods. We find that thresholding methods deal poorly with clusters of lipid droplets, whereas watershed methods require a smoothing step that must be optimized to remove image noise. We describe here a novel three-stage hybrid method for automated segmentation and quantitation of lipid droplets. In this method, objects are initially identified by thresholding. They are then tested for circularity to distinguish single lipid droplets from clusters. Clusters are subjected to a secondary watershed segmentation. We provide a characterization of this method in simulated images. Additionally, we apply this method to images of fixed cells containing stained lipid droplets and GFP-tagged proteins to provide a proof-of-principle that this method can be used for colocalization studies. The circularity measure can additionally prove useful for the identification of inappropriate segmentation in an automated way; for example, of non-cellular material. We will make the programs and source code available to the community under the Gnu Public License. We believe this technique will be of interest to cell biologists for light microscopic studies of lipid droplet biology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».