Computer vision to predict cell seeding coverage in re-endothelialized mouse lungs
Notice bibliographique
Résumé
Transplantation of donor grafts recellularized with recipient-derived or non-immunogenic universal cells is a potential means of reducing the graft rejection and post-transplant complications in lung transplantation. Achieving a fully recellularized lung, however, remains a far-off goal and has several limitations, including inadequate cell coverage of the acellular scaffold. A key parameter for evaluating recellularization efficacy is the cell seeding coverage (CSC); the ratio of seeded cell area to the total area of the lung scaffold. To calculate the CSC from a histological image, the lung scaffold and the seeded cell areas must be quantified. In this work, the ability of semantic segmentation to accurately automate the pixel-wise analysis of histological images is investigated. Specifically, the U-Net and LinkNet models are applied to re-endothelialized mouse lung images, generating pixel-wise classifications of the lung scaffold and the seeded cell areas to calculate the CSC. Model performance when trained on complete images and on image patches is compared. The patch-based U-Net model outperformed the other models, predicting CSC with a root mean square error of 2.23 ± 0.36%, in addition to classifying lung scaffold pixels and seeded cell pixels with intersection over union scores of 77.8 ± 1.4% and 69.5 ± 1.1% respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».