Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les algorithmes autoprogrammés peuvent aider à analyser des caractéristiques d'image biologiques

Les techniques d'imagerie activent un regard détaillé à l'intérieur d'un organisme. Mais interpréter les caractéristiques est long et requiert beaucoup d'expérience. Les réseaux neuronaux artificiels ouvrent des possibilités neuves : Ils ont besoin de juste des secondes pour interpréter des échographies du corps entier des souris et pour segmenter et dépeindre les organes en couleurs, au lieu de dans les nuances variées du gris. Ceci facilite l'analyse considérablement.

Combien grand est le foie ? Change-t-il si le médicament est pris ? Le rein est-il enflammé ? Y a-t-il une tumeur dans le cerveau et les métastases se sont-elles déjà développées ? Afin de répondre à de telles questions, les bioscientists et les médecins jusqu'à présent ont dû examiner et interpréter une quantité de caractéristiques.

« L'analyse des procédés en trois dimensions de représentation est très compliquée, » explique Oliver Schoppe. En même temps qu'une équipe de recherche interdisciplinaire, le chercheur de VENTRE a maintenant développé des algorithmes autoprogrammés à dans la future aide analysent des caractéristiques d'image bioscientific.

Au faisceau du logiciel d'AIMOS - l'abréviation représente la segmentation basée sur AI d'organe de souris - sont les réseaux neuronaux artificiels qui, comme l'esprit humain, sont capables d'apprendre.

Vous aviez l'habitude de devoir dire à des programmes informatiques exact ce que vous avez voulu qu'elles font. Les réseaux neuronaux n'ont pas besoin de telles directives : « Il est suffisant de les former en présentant un problème et des temps d'un multiple de solution. Graduellement, les algorithmes commencent à identifier les configurations appropriées et peuvent trouver les solutions correctes elles-mêmes. »

Oliver Schoppe, chercheur de VENTRE

Algorithmes autoprogrammés s'exerçants

Dans le projet d'AIMOS, les algorithmes ont été formés avec l'aide des images des souris. L'objectif était d'affecter les remarques d'image de l'échographie 3D du corps entier aux organes spécifiques, tels que l'estomac, les reins, le foie, la rate, ou le cerveau. Basé sur ce bureau d'attribution, le programme peut alors montrer la position et la forme exactes.

« Nous étions assez chanceux pour avoir accès aux plusieurs centaines image des souris d'un projet de recherche différent, qui avait été déjà interprété par deux biologistes, » des rappels Schoppe. L'équipe a également eu accès aux échographies 3D microscopiques de fluorescence de l'institut pour le bureau d'études de tissu et du médicament régénérateur chez le Helmholtz Zentrum München.

Par une technique spéciale, les chercheurs pouvaient retirer complet la teinture des souris qui étaient déjà décédées. Les fuselages transparents ont pu être imagés avec un microscope par étages et la couche pour la couche. Les distances entre les postes de mesure étaient seulement six micromètres - qui est équivalent à la taille d'une cellule. Les biologistes avaient également localisé les organes dans ces ensembles de données.

L'artificial intelligence améliore l'exactitude

Chez le TranslaTUM les techs de l'information ont présenté les caractéristiques à leurs algorithmes neufs. Et ces plus rapide que prévue instruite, états de Schoppe : « Nous avons seulement eu besoin d'environ dix échographies du corps entier avant que le logiciel ait pu analyser avec succès les caractéristiques d'image seule - et dans une question des secondes. Cela prend des heures humaines pour faire ceci. »

L'équipe a alors vérifié la fiabilité de l'artificial intelligence avec l'aide encore de 200 échographies du corps entier des souris. « Le résultat prouve que les algorithmes autoprogrammés sont non seulement plus rapides à analyser des caractéristiques d'image biologiques que des êtres humains, mais également plus précis, » résume professeur Bjoern Menze, chef du groupe biomédical Basé sur image de modélisation chez TranslaTUM à l'université de Munich technique.

Le logiciel intelligent doit être employé à l'avenir en particulier dans la recherche fondamentale : Les « images des souris sont indispensables pour, par exemple, vérifier les effets du médicament neuf avant qu'elles soient données aux êtres humains. Utilisant des algorithmes autoprogrammés analyser des caractéristiques d'image à l'avenir sauvegardera beaucoup de temps à l'avenir, » met l'accent sur Menze.

La recherche a été conduite chez TranslaTUM, le centre pour la cancérologie de translation, à l'université de Munich technique. L'institut fait partie du der Isar de rechts de centre hospitalier universitaire de VENTRE et se spécialise dans des analyses de transfert de cancérologie aux services patients pratiques par la coopération interdisciplinaire. En employant la microscopie du roman 3D, les scientifiques au VENTRE ont travaillé attentivement avec des experts chez le Helmholtz Zentrum München.

Le projet de recherche a été financé par le ministère de l'éducation fédéral allemand et la recherche (BMBF) à portée de l'initiative de campus de logiciel, le Deutsche Forschungsgemeinschaft (DFG) par l'intermédiaire du boîtier du boîtier de Munich d'excellence pour la neurologie de systèmes (synergie), ainsi qu'une bourse de recherche et par l'institut de VENTRE pour des études supérieures financées par l'initiative allemande d'excellence et l'Union européenne. La recherche a été également financée par la fondation de Fritz Thyssen. NVIDIA a supporté le travail du programme de GPU Grant.

Source:
Journal reference:

Schoppe, O., et al. (2020) Deep learning-enabled multi-organ segmentation in whole-body mouse scans. Nature Communications. doi.org/10.1038/s41467-020-19449-7.