Significance: Automated understanding of human embryonic stem cell (hESC) videos is essential for the quantified analysis and classification of various states of hESCs and their health for diverse applications in regenerative medicine. Aim: This paper aims to develop an ensemble method and bagging of deep learning classifiers as a model for hESC classification on a video dataset collected using a phase contrast microscope. Approach: The paper describes a deep learning-based random network (RandNet) with an autoencoded feature extractor for the classification of hESCs into six different classes, namely, (1) cell clusters, (2) debris, (3) unattached cells, (4) attached cells, (5) dynamically blebbing cells, and (6) apoptotically blebbing cells. The approach uses unlabeled data to pre-train the autoencoder network and fine-tunes it using the available annotated data. Results: The proposed approach achieves a classification accuracy of 97.23 ± 0.94 % and outperforms the state-of-the-art methods. Additionally, the approach has a very low training cost compared with the other deep-learning-based approaches, and it can be used as a tool for annotating new videos, saving enormous hours of manual labor. Conclusions: RandNet is an efficient and effective method that uses a combination of subnetworks trained using both labeled and unlabeled data to classify hESC images.

中文翻译：

---

人类胚胎干细胞分类：具有自动编码特征提取器的随机网络

意义：人类胚胎干细胞 (hESC) 视频的自动理解对于 hESC 的各种状态及其健康状况的量化分析和分类对于再生医学中的各种应用至关重要。目的：本文旨在开发一种集成方法和深度学习分类器的装袋，作为对使用相差显微镜收集的视频数据集进行 hESC 分类的模型。方法：该论文描述了一个基于深度学习的随机网络 (RandNet) 和自动编码特征提取器，用于将 hESC 分类为六种不同的类别，即 (1) 细胞簇，(2) 碎片，(3) 未附着的细胞，( 4) 附着细胞，(5) 动态起泡细胞，和 (6) 凋亡起泡细胞。该方法使用未标记的数据对自动编码器网络进行预训练，并使用可用的带注释的数据对其进行微调。结果：所提出的方法实现了 97.23 ± 0.94 % 的分类准确度，并且优于最先进的方法。此外，与其他基于深度学习的方法相比，该方法的训练成本非常低，并且可以用作注释新视频的工具，从而节省了大量的人工劳动时间。结论：RandNet 是一种高效且有效的方法，它使用使用标记和未标记数据训练的子网络组合对 hESC 图像进行分类。与其他基于深度学习的方法相比，该方法的培训成本非常低，并且可以用作注释新视频的工具，从而节省了大量的人工劳动时间。结论：RandNet 是一种高效且有效的方法，它使用使用标记和未标记数据训练的子网络组合对 hESC 图像进行分类。与其他基于深度学习的方法相比，该方法的培训成本非常低，并且可以用作注释新视频的工具，从而节省了大量的人工劳动时间。结论：RandNet 是一种高效且有效的方法，它使用使用标记和未标记数据训练的子网络组合对 hESC 图像进行分类。