项目详情：机器学习：通常，只需根据生物细胞的形状即可预测其状态。人类尝试这样做既耗时又容易受到无意识偏见和人为错误的影响。相反，人们更喜欢自动计算方法，而这正是机器学习可以实现的。我们的初步结果已经开发出一种高精度（>93%）的小胶质细胞方法。这篇博士论文的目的是改善这一点。应用：小胶质细胞是大脑中的常驻免疫细胞。它们采用多种表型来控制大脑的免疫反应，包括吞噬有害物质和释放信号化学物质。科学界在过去五十年中天真地将小胶质细胞分为两种类型。然而，最近的研究（包括我们的合作者）带来了革命性的想法，即小胶质细胞状态是一个连续体。重要性：拥有一种可以准确确定小胶质细胞状态的诊断工具至关重要。首先，小胶质细胞在抑郁症和精神分裂症等精神健康状况中起着至关重要的作用。其次，小胶质细胞在神经退行性疾病（包括运动神经元、帕金森氏症和阿尔茨海默氏症）中很重要。第三，这种工具可用于脑外科手术期间，以持续监测脑细胞状况。第四，这项工作可以扩展到其他巨噬细胞，如肺部的肺泡巨噬细胞。 项目关键目标：（1）开发一种机器学习方法来自动分类小胶质细胞状态（2）确定该方法如何依赖于图像大小、成像条件和不完善的训练数据（3）优化该方法以实时运行并同时在多个细胞上运行 方法：这项博士学位将利用我们与 Kate Harris 博士（纽卡斯尔）、Ian Wood 教授（利兹）和 Andrew Dick 教授（布里斯托尔）合作提供的机会。它将采用一种真正的多学科方法研究小胶质细胞状态，包括机器学习、图像分析和延时成像。这将使学生学习到非常理想的定量和实验技能组合，从而为未来的职业前景带来良好的前景。项目计划：（1）创建新的机器学习方法，特别是卷积神经网络（CNN），使用我们现有的 >20,000 个小胶质细胞的大型数据集自动对小胶质细胞状态进行分类。这将涉及探索多个数据集和 CNN 架构（VGG-16、ResNet、Inception、Xception、DenseNet、ResNeXt-50）。（2）设计图像分析软件，自动从原始显微镜图像中分割细胞。这将基于我们小组现有的代码，并将为机器学习生成输入数据。相关技术将包括形态学操作、边缘检测、距离变换和分水岭变换。（3）培养和成像人类小胶质细胞 HMC3 细胞系，以生成更多数据用于训练 CNN 并测试机器学习模型的准确性。细胞