تحليل مورفولوجيا الميتوكوندريا من خلال التعلم الخاضع للإشراف بالمحاكاة
Summary
تشرح هذه المقالة كيفية استخدام التعلم الآلي تحت إشراف المحاكاة لتحليل مورفولوجيا الميتوكوندريا في صور الفحص المجهري الفلوري للخلايا الثابتة.
Abstract
يعد التحليل الكمي للعضيات تحت الخلوية مثل الميتوكوندريا في صور الفحص المجهري الفلوري للخلايا مهمة شاقة بسبب التحديات الكامنة في تجزئة هذه الهياكل الصغيرة والمتنوعة شكليا. في هذه المقالة ، نوضح استخدام خط أنابيب التجزئة والتحليل بمساعدة التعلم الآلي للقياس الكمي لمورفولوجيا الميتوكوندريا في صور الفحص المجهري الفلوري للخلايا الثابتة. يتم تدريب أداة التجزئة القائمة على التعلم العميق على الصور المحاكية وتلغي الحاجة إلى التعليقات التوضيحية للحقيقة الأرضية للتعلم العميق الخاضع للإشراف. نوضح فائدة هذه الأداة في صور الفحص المجهري الفلوري للخلايا العضلية القلبية الثابتة مع تعبير مستقر عن علامات الميتوكوندريا الفلورية ونستخدم ظروفا محددة لزراعة الخلايا لإحداث تغييرات في مورفولوجيا الميتوكوندريا.
Introduction
في هذه الورقة ، نوضح فائدة أداة التعلم الآلي القائمة على الفيزياء للتجزئة تحت الخلوية1 في صور الفحص المجهري الفلوري للخلايا العضلية القلبية الثابتة التي تعبر عن علامات الميتوكوندريا الفلورية.
الميتوكوندريا هي العضيات الرئيسية المنتجة للطاقة في خلايا الثدييات. على وجه التحديد ، الميتوكوندريا هي عضيات ديناميكية للغاية وغالبا ما توجد في الشبكات التي تتغير باستمرار في الطول والتفرع. يؤثر شكل الميتوكوندريا على وظيفتها ، ويمكن للخلايا تغيير مورفولوجيا الميتوكوندريا بسرعة للتكيف مع التغير في البيئة2. لفهم هذه الظاهرة ، فإن التصنيف المورفولوجي للميتوكوندريا كنقاط أو قضبان أو شبكات مفيد للغاية3.
تجزئة الميتوكوندريا أمر بالغ الأهمية لتحليل مورفولوجيا الميتوكوندريا في الخلايا. تعتمد الطرق الحالية لتقسيم وتحليل صور الفحص المجهري الفلوري للميتوكوندريا على التجزئة اليدوية أو مناهج معالجة الصور التقليدية. الأساليب القائمة على العتبة مثل Otsu4 أقل دقة بسبب مستويات الضوضاء العالية في صور الفحص المجهري. عادة ، تتميز صور التحليل المورفولوجي للميتوكوندريا بعدد كبير من الميتوكوندريا ، مما يجعل التجزئة اليدوية مملة. الأساليب الرياضية مثل MorphoLibJ5 وأساليب التعلم الآلي شبه الخاضعة للإشراف مثل Weka6 تتطلب الكثير من المتطلبات وتتطلب معرفة الخبراء. أظهرت مراجعة تقنيات تحليل الصور للميتوكوندريا7 أن التقنيات القائمة على التعلم العميق قد تكون مفيدة لهذه المهمة. في الواقع ، تم إحداث ثورة في تجزئة الصور في صور الحياة اليومية لتطبيقات مثل القيادة الذاتية باستخدام النماذج القائمة على التعلم العميق.
التعلم العميق هو مجموعة فرعية من التعلم الآلي توفر خوارزميات تتعلم من كميات كبيرة من البيانات. تتعلم خوارزميات التعلم العميق الخاضعة للإشراف العلاقات من مجموعات كبيرة من الصور المشروحة بتسميات الحقيقة الأرضية (GT) الخاصة بها. التحديات في استخدام التعلم العميق الخاضع للإشراف لتقسيم الميتوكوندريا في صور الفحص المجهري الفلوري ذات شقين. أولا ، يتطلب التعلم العميق الخاضع للإشراف مجموعة بيانات كبيرة من صور التدريب ، وفي حالة الفحص المجهري الفلوري ، سيكون توفير مجموعة البيانات الكبيرة هذه مهمة واسعة النطاق مقارنة باستخدام الصور التقليدية القائمة على الكاميرا المتاحة بسهولة أكبر. ثانيا ، تتطلب صور الفحص المجهري الفلوري تعليقات GT للكائنات ذات الأهمية في صور التدريب ، وهي مهمة شاقة تتطلب معرفة متخصصة. يمكن أن تستغرق هذه المهمة بسهولة ساعات أو أياما من وقت الخبير للحصول على صورة واحدة للخلايا ذات الهياكل تحت الخلوية ذات العلامات الفلورية. علاوة على ذلك ، تشكل الاختلافات بين المعلقين مشكلة. لإزالة الحاجة إلى التعليق التوضيحي اليدوي ، ولتكون قادرا على الاستفادة من الأداء المتفوق لتقنيات التعلم العميق ، تم استخدام نموذج تجزئة قائم على التعلم العميق هنا تم تدريبه على الصور المحاكاة. توفر أجهزة المحاكاة القائمة على الفيزياء طريقة لتقليد عملية تكوين الصورة والتحكم فيها في المجهر ، مما يسمح بإنشاء صور لأشكال معروفة. باستخدام جهاز محاكاة قائم على الفيزياء ، تم إنشاء مجموعة بيانات كبيرة من صور الفحص المجهري الفلوري المحاكية للميتوكوندريا لهذا الغرض.
تبدأ المحاكاة بتوليد الهندسة باستخدام منحنيات حدودية لتوليد الشكل. يتم وضع البواعث بشكل عشوائي على سطح الشكل بطريقة موزعة بشكل موحد بحيث تتطابق الكثافة مع القيم التجريبية. يتم حساب دالة انتشار نقطة 3D (PSF) للمجهر باستخدام تقريب فعال حسابيا8 من نموذج جيبسون-لاني9. لمطابقة الصور المحاكية بشكل وثيق مع الصور التجريبية ، يتم محاكاة كل من التيار المظلم وضوضاء اللقطة لتحقيق واقعية الصورة. يتم إنشاء GT المادية في شكل خريطة ثنائية. يتوفر رمز إنشاء مجموعة البيانات وتدريب نموذج المحاكاة10 ، وخطوة إنشاء مجموعة البيانات المحاكاة هذه موضحة في الشكل 1.
نعرض فائدة التجزئة القائمة على التعلم العميق المدربة بالكامل على مجموعة بيانات محاكاة من خلال تحليل صور الفحص المجهري متحد البؤر لأرومات عضلة القلب الثابتة. عبرت هذه الأرومات العضلية القلبية عن علامة فلورية في الغشاء الخارجي للميتوكوندريا ، مما يسمح بتصور الميتوكوندريا في صور الفحص المجهري الفلوري. قبل إجراء التجربة المعطاة كمثال هنا ، حرمت الخلايا من الجلوكوز وتكيفت مع الجالاكتوز لمدة 7 أيام في الثقافة. إن استبدال الجلوكوز في وسائط النمو بالجالاكتوز يجبر الخلايا في الثقافة على أن تصبح أكثر أكسدة ، وبالتالي تعتمد على الميتوكوندريا لإنتاج الطاقة11,12. علاوة على ذلك ، فإن هذا يجعل الخلايا أكثر حساسية لتلف الميتوكوندريا. يمكن إحداث تغييرات مورفولوجيا الميتوكوندريا تجريبيا عن طريق إضافة عامل فك ارتباط الميتوكوندريا مثل سيانيد الكربونيل m-chlorophenyl hydrazone (CCCP) إلى وسط زراعة الخلية13. يؤدي CCCP إلى فقدان إمكانات غشاء الميتوكوندريا (ΔΨm) ، وبالتالي يؤدي إلى تغييرات في الميتوكوندريا من مورفولوجيا أكثر أنبوبية (تشبه القضيب) إلى مورفولوجيا أكثر كروية (تشبه النقطة)14. بالإضافة إلى ذلك ، تميل الميتوكوندريا إلى الانتفاخ أثناء علاج CCCP15. نعرض التوزيع المورفولوجي لتغيرات الميتوكوندريا عندما تم علاج الخلايا العضلية القلبية المتكيفة مع الجالاكتوز باستخدام CCCP غير المرتبطين بالميتوكوندريا. مكنتنا أجزاء التعلم العميق للميتوكوندريا من تصنيفها على أنها نقاط أو قضبان أو شبكات. ثم اشتقنا مقاييس كمية لتقييم أطوال الفروع ووفرة الأنماط الظاهرية المختلفة للميتوكوندريا. تم توضيح خطوات التحليل في الشكل 2 ، وترد أدناه تفاصيل ثقافة الخلية ، والتصوير ، وإنشاء مجموعة البيانات للتجزئة القائمة على التعلم العميق ، بالإضافة إلى التحليل الكمي للميتوكوندريا.
Protocol
Representative Results
Discussion
نناقش الاحتياطات المتعلقة بالخطوات الحرجة في البروتوكول في الفقرات المتعلقة ب “توليد الهندسة” و “معلمات المحاكاة”. تناقش الفقرة التي تحمل عنوان “نقل التعلم” التعديلات على الإنتاجية الأعلى عند التكيف مع المجاهر المتعددة. تشير الفقرات المتعلقة ب “تحليل الجسيمات” و “توليد هياكل تحت خلوية أخرى” إلى التطبيقات المستقبلية لهذه الطريقة. تناقش الفقرة المتعلقة ب “الاختلاف عن الحقيقة البيولوجية” الأسباب المختلفة التي تجعل عمليات المحاكاة تختلف عن البيانات الحقيقية وما إذا كانت هذه الأسباب تؤثر على تطبيقنا. أخيرا ، نناقش سيناريو صعبا لطريقتنا في فقرة “الهياكل المعبأة بكثافة”.
توليد الهندسة
لتوليد هندسة 3D من الميتوكوندريا، بنية 2D بسيطة تم إنشاؤها من منحنيات b-spline كهياكل عظمية يعمل بشكل جيد لإنشاء مجموعة البيانات الاصطناعية. هذه الأشكال الاصطناعية تحاكي عن كثب أشكال الميتوكوندريا التي لوحظت في ثقافات الخلايا 2D. ومع ذلك ، في حالة الأنسجة 3D مثل أنسجة القلب ، فإن شكل وترتيب الميتوكوندريا مختلفان تماما. في مثل هذه الحالات ، قد يتحسن أداء نموذج التجزئة مع إضافة الاتجاه في الصور المحاكاة.
معلمات المحاكاة
يجب توخي الحذر عند تعيين معلمات المحاكي للتأكد من مطابقتها لتلك الخاصة بالبيانات لتشغيل الاستدلال عليها ، لأن الفشل في القيام بذلك يمكن أن يؤدي إلى انخفاض الأداء في التجزئة. أحد هذه المعلمات هو نطاق نسبة الإشارة إلى الضوضاء (SNR). يجب أن يتطابق نطاق SNR للبيانات المراد اختبارها مع قيم مجموعة البيانات المحاكاة. بالإضافة إلى ذلك ، يجب أن يتطابق PSF المستخدم مع بيانات الاختبار المستهدفة. على سبيل المثال ، لا ينبغي استخدام الصور المدربة على النموذج من PSF متحد البؤر لاختبار الصور من مجهر فوق الفلورسنت. معلمة أخرى يجب الانتباه إليها هي استخدام التكبير الإضافي في بيانات الاختبار. إذا تم استخدام تكبير إضافي في بيانات الاختبار ، فيجب أيضا تعيين المحاكي بشكل مناسب.
نقل التعلم
نقل التعلم هو ظاهرة الاستفادة من نموذج مستفاد تم تدريبه على مهمة واحدة لاستخدامه في مهمة أخرى. تنطبق هذه الظاهرة أيضا على مشكلتنا فيما يتعلق بأنواع مختلفة من بيانات المجهر. يمكن استخدام أوزان نموذج التجزئة (المزود بشفرة المصدر) الذي تم تدريبه على نوع واحد من بيانات الفحص المجهري لتهيئة نموذج تجزئة لاستخدامه في نوع آخر من بيانات المجهر الضوئي. يتيح لنا ذلك التدريب على مجموعة فرعية أصغر بكثير من مجموعة بيانات التدريب (3000 صورة مقارنة ب 10000) ، وبالتالي تقليل التكاليف الحسابية للمحاكاة.
تحليل الجسيمات
يمكن أيضا إجراء تحليل الجسيمات على الأقنعة المجزأة. يمكن أن يوفر هذا معلومات عن مساحة الميتوكوندريا الفردية وانحناءها ، وما إلى ذلك. يمكن أن تكون هذه المعلومات أيضا بمثابة مقاييس للمقارنة الكمية للميتوكوندريا (لا تستخدم لهذه التجربة). على سبيل المثال ، في الوقت الحاضر ، نحدد مورفولوجيا النقطة باستخدام عتبة تعتمد على طول الميتوكوندريا. قد يكون من المفيد ، في بعض الحالات ، دمج الإهليلجية لفصل الميتوكوندريا الصغيرة الشبيهة بالقضيب بشكل أفضل عن النقاط النقطية أو الميتوكوندريا الشبيهة بالنقاط. بدلا من ذلك ، إذا تسببت بعض الظروف البيولوجية في تجعد الميتوكوندريا ، فقد يكون القياس الكمي للانحناء ذا أهمية لتحليل سكان الميتوكوندريا.
توليد هياكل فرعية أخرى
تم إثبات التجزئة القائمة على الفيزياء للهياكل تحت الخلوية للميتوكوندريا والحويصلات1. على الرغم من أن الحويصلات تظهر أشكالا مختلفة ، إلا أن أحجامها أصغر ، وتظهر ككرات بسيطة عند ملاحظتها من خلال مجهر مضان. وبالتالي ، يتم محاكاة هندسة الحويصلات باستخدام هياكل كروية ذات نطاق قطر مناسب. هذا يعني أن التغيير في الوظيفة يولد الهندسة (الأسطوانات في حالة الميتوكوندريا والمجالات في حالة الحويصلات) للهياكل والمعلمات ذات الصلة (الخطوة 5.4 في قسم البروتوكول). هندسيا ، تم أيضا محاكاة الشبكة الإندوبلازمية والأنابيب الدقيقة كهياكل أنبوبية17. توفر نمذجة الشبكة الإندوبلازمية بقطر 150 نانومتر والأنابيب الدقيقة التي يبلغ متوسط قطرها الخارجي 25 نانومتر وأنبوب مجوف داخلي يبلغ قطره 15 نانومتر تقديرات تقريبية لأشكال هذه الهياكل. معلمة أخرى ستختلف لكل من هذه الهياكل الخلوية الفرعية هي كثافة الفلوروفور. يتم حساب ذلك بناء على توزيع الجزيء الحيوي الذي ترتبط به الفلوروفورات واحتمال الارتباط.
الفرق من الحقيقة الأرضية البيولوجية
تختلف البيانات المحاكاة المستخدمة للتدريب تحت إشراف المحاكاة لنموذج التعلم العميق عن البيانات الحقيقية من نواح كثيرة. (ط) يختلف عدم وجود علامات غير محددة في البيانات المحاكاة عن البيانات الحقيقية، حيث توجد في كثير من الأحيان مركبات فلوروفورات حرة عائمة في البيانات الحقيقية. يؤدي هذا إلى ارتفاع متوسط قيمة الخلفية في الصورة الحقيقية. يتم تخفيف هذا الاختلاف عن طريق مطابقة SNR وتعيين قيمة الخلفية بحيث تتطابق مع القيم الحقيقية المرصودة. (ii) حركة الهياكل تحت الخلوية والحركية الضوئية هما مصدران للديناميكيات في النظام. تتسبب الهياكل المتحركة في الخلايا الحية (التي تتحرك في نطاق بضعة أجزاء من الثانية) في ضبابية الحركة. يتم تقليل وقت التعرض أثناء الحصول على البيانات الحقيقية لتجنب تأثير التعتيم. من ناحية أخرى ، نحن لا نحاكي الفاصل الزمني ونفترض هياكل بلا حراك. هذا الافتراض صحيح عندما يكون وقت التعرض في البيانات الحقيقية صغيرا. ومع ذلك ، قد ينتج عن هذا الافتراض خطأ في الإخراج إذا كان وقت التعرض للبيانات الحقيقية كبيرا بما يكفي لإدخال ضبابية الحركة. من ناحية أخرى ، فإن الحركية الضوئية في حدود النانو ثانية إلى ميكروثانية ويمكن حذفها في المحاكاة ، نظرا لأن أوقات التعرض المعتادة للتجارب طويلة بما يكفي (بترتيب أجزاء من الثانية) لمتوسط تأثيرات الحركية الضوئية. (iii) الضوضاء في صور المجهر لها مصادر مختلفة ، وهذه المصادر لها وظائف كثافة احتمالية مختلفة. بدلا من نمذجة هذه المصادر الفردية للضوضاء ، نقترب منها على أنها ضوضاء غاوسية على خلفية ثابتة. لا يغير هذا الاختلاف بشكل كبير توزيع البيانات لظروف نسبة الإشارة إلى الخلفية المنخفضة (في حدود 2-4) وعند التعامل مع الكثافة الكلية للفلوروفورات1. (iv) يمكن أن تنشأ القطع الأثرية في التصوير من الانحرافات والانجراف والتمويه المنهجي. نفترض أن المجهر محاذ جيدا وأن المناطق المختارة للتحليل في البيانات الحقيقية خالية من هذه القطع الأثرية. هناك أيضا إمكانية نمذجة بعض هذه القطع الأثرية في PSF18،19،20.
هياكل مكتظة بكثافة
الصعوبات في عدم القدرة على التمييز بين قضبان متداخلة من الشبكات هي مشكلة مستمرة في تجزئة بيانات الفحص المجهري 2D. يتم تقديم سيناريو صعب للغاية في الشكل 5 ، حيث تكون الميتوكوندريا معبأة بكثافة ، مما يؤدي إلى نتائج دون المستوى الأمثل في نموذج التجزئة والتحليل التالي. على الرغم من هذا التحدي ، فإن استخدام العوامل المورفولوجية في مثل هذه المواقف لتنحيف الهيكل العظمي يمكن أن يساعد في كسر هذه الشبكات المتصلة بشكل مفرط مع السماح باكتشاف تغييرات كبيرة في جميع فئات مورفولوجيا الميتوكوندريا. بالإضافة إلى ذلك ، فإن استخدام مجهر متحد البؤر بدلا من مجهر واسع المجال للتصوير هو إحدى الطرق للتخفيف جزئيا من هذه المشكلة عن طريق القضاء على الضوء خارج نطاق التركيز. علاوة على ذلك ، في المستقبل ، سيكون من المفيد إجراء تجزئة 3D للتمييز بين الميتوكوندريا التي تتقاطع (أي تشكل شبكة فعليا) من الميتوكوندريا الشبيهة بالقضيب التي تتداخل إسقاطاتها في مستوى واحد مع بعضها البعض.
يعد تجزئة التعلم العميق أداة واعدة توفر توسيع قدرات التحليل لمستخدمي الفحص المجهري ، وبالتالي فتح إمكانية التحليل الآلي للبيانات المعقدة ومجموعات البيانات الكمية الكبيرة ، والتي كانت في السابق غير قابلة للإدارة.
Disclosures
The authors have nothing to disclose.
Acknowledgements
يعترف المؤلفون بالمناقشة مع عارف أحمد سخ. تم الاعتراف بزامبارلال بوجابال للمساعدة في بناء خلايا H9c2 المستقرة. نحن نعترف بالتمويل التالي: منحة بدء ERC رقم 804233 (إلى KA) ، منحة مشروع الباحث للتجديد العلمي رقم 325741 (إلى D.K.P.) ، منحة هيئة الصحة الإقليمية لشمال النرويج رقم. HNF1449-19 (Å.B.B.) ، ومشروع التمويل المواضيعي ل UiT VirtualStain مع معرف مشروع كريستين 2061348 (D.K.P. ، Å.B.B. ، K.A. ، و A.H.).
Materials
| 12-well plate | FALCON | 353043 | |
| Aqueous Glutaraldehyde EM Grade 25% | Electron Microscopy Sciences | 16200 | |
| Axio Vert.A1 | Zeiss | Brightfield microscope | |
| CCCP | Sigma-Aldrich | C2759 | |
| Computer | n/a | n/a | Must be running Linux/Windows Operating System having an NVIDIA GPU with at least 4GB of memory |
| Coverslips | VWR | 631-0150 | |
| DAPI (stain) | Sigma-Aldrich | D9542 | |
| DMEM | gibco | 11966-025 | |
| Fetal Bovine Serum | Sigma-Aldrich | F7524 | |
| Glass Slides (frosted edge) | epredia | AA00000112E01MNZ10 | |
| H9c2 mCherry-EGFP-OMP25 | In-house stable cell line derived from purchased cell line | ||
| Incubator | Thermo Fisher Scientific | 51033557 | |
| LSM 800 | Zeiss | Confocal Microscope | |
| Mounting Media (Glass) | Thermo Fisher Scientific | P36980 | |
| Paraformaldehyde Solution, 4% in PBS | Thermo Fisher Scientific | J19943-K2 | |
| Plan-Apochromat 63x oil (M27) objective with an NA of 1.4 | Zeiss | 420782-9900-000 | |
| Sterile laminar flow hood | Labogene | SCANLAF MARS | |
| Trypsin | Sigma-Aldrich | T4049 | |
| Vacusafe aspiration system | VACUUBRAND | 20727400 | |
| ZEN 2.6 | Zeiss |
References
- Sekh, A. A., et al. Physics-based machine learning for subcellular segmentation in living cells. Nature Machine Intelligence. 3, 1071-1080 (2021).
- Pernas, L., Scorrano, L. Mito-morphosis: Mitochondrial fusion, fission, and cristae remodeling as key mediators of cellular function. Annual Review of Physiology. 78, 505-531 (2016).
- Li, Y., et al. Imaging of macrophage mitochondria dynamics in vivo reveals cellular activation phenotype for diagnosis. Theranostics. 10 (7), 2897-2917 (2020).
- Xu, X., Xu, S., Jin, L., Song, E. Characteristic analysis of Otsu threshold and its applications. Pattern Recognition Letters. 32 (7), 956-961 (2011).
- MorphoLibJ: MorphoLibJ v1.2.0. Zenodo Available from: https://zenodo.org/record/50694#.Y8qfo3bP23A (2016)
- Trainable_Segmentation: Release v3.1.2. Zenodo Available from: https://zenodo.org/record/59290#.Y8qf13bP23A (2016)
- Chu, C. H., Tseng, W. W., Hsu, C. M., Wei, A. C. Image analysis of the mitochondrial network morphology with applications in cancer research. Frontiers in Physics. 10, 289 (2022).
- Xue, F., Li, J., Blu, T. Fast and accurate three-dimensional point spread function computation for fluorescence microscopy. Journal of the Optical Society of America A. 34 (6), 1029-1034 (2017).
- Lanni, F., Gibson, S. F. Diffraction by a circular aperture as a model for three-dimensional optical microscopy. Journal of the Optical Society of America A. 6 (9), 1357-1367 (1989).
- Sekh, A. A., et al. Physics based machine learning for sub-cellular segmentation in living cells. Nature Machine Intelligence. 3, 1071-1080 (2021).
- Liu, Y., Song, X. D., Liu, W., Zhang, T. Y., Zuo, J. Glucose deprivation induces mitochondrial dysfunction and oxidative stress in PC12 cell line. Journal of Cellular and Molecular Medicine. 7 (1), 49-56 (2003).
- Dott, W., Mistry, P., Wright, J., Cain, K., Herbert, K. E. Modulation of mitochondrial bioenergetics in a skeletal muscle cell line model of mitochondrial toxicity. Redox Biology. 2, 224-233 (2014).
- Ishihara, N., Jofuku, A., Eura, Y., Mihara, K. Regulation of mitochondrial morphology by membrane potential, and DRP1-dependent division and FZO1-dependent fusion reaction in mammalian cells. Biochemical and Biophysical Research Communications. 301 (4), 891-898 (2003).
- Miyazono, Y., et al. Uncoupled mitochondria quickly shorten along their long axis to form indented spheroids, instead of rings, in a fission-independent manner. Scientific Reports. 8, 350 (2018).
- Ganote, C. E., Armstrong, S. C. Effects of CCCP-induced mitochondrial uncoupling and cyclosporin A on cell volume, cell injury and preconditioning protection of isolated rabbit cardiomyocytes. Journal of Molecular and Cellular Cardiology. 35 (7), 749-759 (2003).
- Nunez-Iglesias, J., Blanch, A. J., Looker, O., Dixon, M. W., Tilley, L. A new Python library to analyse skeleton images confirms malaria parasite remodelling of the red blood cell membrane skeleton. PeerJ. 2018, 4312 (2018).
- Sage, D., et al. Super-resolution fight club: Assessment of 2D and 3D single-molecule localization microscopy software. Nature Methods. 16, 387-395 (2019).
- Yin, Z., Kanade, T., Chen, M. Understanding the phase contrast optics to restore artifact-free microscopy images for segmentation. Medical Image Analysis. 16 (5), 1047-1062 (2012).
- Malm, P., Brun, A., Bengtsson, E. Simulation of bright-field microscopy images depicting pap-smear specimen. Cytometry. Part A. 87 (3), 212-226 (2015).
- Bifano, T., Ünlü, S., Lu, Y., Goldberg, B. Aberration compensation in aplanatic solid immersion lens microscopy. Optical Express. 21 (23), 28189-28197 (2013).
