MATLAB AMI代码基于深度双随机图正则化矩阵分解的单细胞RNA测序细胞类型检测

Matlab编程：单细胞视动脉。这是一个皮质简单细胞模型的一维独立实现。

该工具库包含多个部分，用于描述论文中的分析过程，涵盖组蛋白修饰信息的分析。用户可以从GitHub下载文件，将目录更改为CRK，然后进行进一步的分析。同时，从GEO网站下载GSE105012_RAW.tar文件，并保存到GSE105012文件夹中。

Matlab Hill代码RBCNet采用双重深度学习架构，改善生物医学应用程序中的细胞检测任务，提升手动分割和注释的准确性和可重复性。该算法包括U-Net和Faster R-CNN两阶段，分别用于单元群集分割和小型单元对象检测。RBCNet通过单元聚类技术实现区域检测，提高了在稀薄涂片显微镜图像中的精确度和扩展性。

尽管物体检测已在多个行业产生影响，但在使用巴氏涂片显微镜检测癌细胞方面仍存在挑战。本项目引入了一种机器学习算法，能够在检测和裁剪感兴趣区域（ROI）之前自动检测异常细胞特征。使用宫颈细胞的数字图像，我们通过以下三个关键步骤实现ROI的自动识别：（I）应用于RGB显微照片的非线性过滤器；（II）基于图的聚类（Felsenszwalb算法）；（III）Isodata二进制分类定义超像素。该过程的平均精度达到92%，平均召回率为95%。这一算法是未来智能显微镜电动载物台的核心驱动力，能够扫描完整的载玻片。详见Efficient_Graph_Poster_19.pdf。

pbmc3k_filtered_gene_bc_matrices 数据是 Seurat 单细胞基础分析的基础数据集。

此存储库包含用于Matlab的灰度处理和细胞跟踪的源代码。该程序支持荧光或暗场电影的处理，以及相衬电影的跟踪。兼容Matlab 2018a及更早版本，支持'.tif'堆栈和'.nd2'文件格式。还提供适用于Linux的版本。

利用Matlab开发的算法可以有效识别和定位癌细胞，为医学研究提供了重要工具。

这个存储库包含用于3D单细胞分割和分析的Matlab代码，附有详细的步骤说明。分割分段器是一个用于Matlab的应用，通过阈值化细胞质标记物或膜标记物的分水岭转换，在3D空间中精确分割细胞。用户界面简单易用，允许调整参数以达到最佳分割效果。分析脚本可应用于图像文件夹，并将结果保存为Excel文件，包括通道的阈值识别点和区域的富集和部分重叠分析。

这个存储库包含了用于从细胞和支架荧光z堆栈中检测细胞-支架接触的源代码。算法包括基于统计模型的细胞分割（Java 1.8）、基于平面几何模型的纺粘涂层和基于圆柱几何模型的纤维支架分割（Matlab 2015a）、以及骨骼和直径提取（C++）。这些算法支持生物学假设验证、成像描述和数据分析。