Computer Vision-Assisted Data Analysis for Correlative Electron Microscopy and Secondary Ion Mass Spectrometry Imaging
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Correlative imaging is a powerful analytical approach in bioimaging, as it offers complementary information on the samples measured by different modalities. Particularly, correlative transmission electron microscopy (EM) and nanoscale secondary ion mass spectrometry (NanoSIMS) imaging enable high-resolution morphological and chemical analysis at the subcellular level. However, manual segmentation and correlation of regions of interest (ROIs) in large EM and NanoSIMS data sets are time-consuming, prone to user bias, and limited in throughput. To address this, we developed a computer vision-assisted image analysis pipeline for automatic classification and segmentation of subcellular organelles in EM images, enabling rapid and reproducible correlation with NanoSIMS ion data. Using human neuronal progenitor cells (hNPCs) and differentiated postmitotic neurons, we trained a YOLOv8 deep learning model to recognize six major organelle types. The pipeline included EM image preprocessing, segmentation via YOLOv8, morphological filtering, and image registration with NanoSIMS ion maps. Performance evaluation demonstrated a robust model accuracy. We applied the pipeline to measure 15 N-leucine abundance to study protein turnover in single organelles across different cell states. Results showed distinct turnover dynamics among organelles, with slower turnover observed in differentiated neurons compared to hNPCs. The automated pipeline significantly reduced the analysis time (from hours to minutes) while maintaining consistency with manual segmentation. Our approach demonstrates how computer vision can streamline correlative imaging workflows, improve data quality, and enable deeper insights into subcellular processes such as protein turnover, making it especially valuable for SIMS users and broader bioimaging applications.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».