Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Gli algoritmi autodidattici possono contribuire ad analizzare i dati di immagine biologici

Le tecniche di rappresentazione permettono ad uno sguardo dettagliato dentro un organismo. Ma interpretare i dati è che richiede tempo e richiede moltissima esperienza. Le reti neurali artificiali aprono le nuove possibilità: Richiedono appena i secondi per interpretare le scansioni dell'intero-organismo dei mouse e per segmentare e descrivere gli organi a colori, invece in di varie tonalità di gray. Ciò facilita considerevolmente l'analisi.

Quanto grande è il fegato? Cambia se il farmaco è catturato? Il rene è infiammato? C'è un tumore nel cervello e le metastasi già si sono sviluppate? Per rispondere a tali domande, i bioscientists e medici fin qui hanno dovuto schermare ed interpretare una ricchezza dei dati.

“L'analisi dei trattamenti tridimensionali della rappresentazione è molto complicata,„ spiega Oliver Schoppe. Insieme ad un gruppo di ricerca interdisciplinare, il ricercatore di TUM ora ha sviluppato gli algoritmi autodidattici in guida futura analizza i dati di immagine bioscientific.

Alla memoria del software di AIMOS - l'abbreviazione corrisponde alla segmentazione AI basata dell'organo del mouse - sono le reti neurali artificiali che, come il cervello umano, sono capaci dell'apprendimento.

Avete usato per dovere dire a programmi informatici esattamente che cosa le avete voluta fare. Le reti neurali non hanno bisogno di tali istruzioni: “È sufficiente prepararle presentando un problema ed i tempi di un multiplo della soluzione. Gradualmente, gli algoritmi cominciano riconoscere i reticoli pertinenti e possono trovare le giuste soluzioni stesse.„

Oliver Schoppe, ricercatore di TUM

Algoritmi autodidattici di formazione

Nel progetto di AIMOS, gli algoritmi sono stati preparati con l'aiuto delle immagini dei mouse. L'obiettivo era di definire i punti di immagine dalla scansione dell'intero-organismo 3D agli organi specifici, quali lo stomaco, i reni, il fegato, la milza, o il cervello. Sulla base di questa assegnazione, il programma può poi mostrare la posizione e la forma esatte.

“Eravamo abbastanza fortunati avere accesso ai diverse centinaia immagine dei mouse da un progetto di ricerca differente, che già era stato interpretato da due biologi,„ richiami Schoppe. Il gruppo egualmente ha avuto accesso alle scansioni microscopiche 3D della fluorescenza dall'istituto per assistenza tecnica del tessuto e dalla medicina a ricupero al Helmholtz Zentrum München.

Con una tecnica speciale, i ricercatori potevano completamente eliminare la tintura dai mouse che erano già deceduti. I corpi trasparenti potrebbero essere imaged con un microscopio graduale e mettere a strati per il livello. Le distanze fra i punti buoni erano soltanto sei micrometri - che è equivalente alla dimensione di una cella. I biologi egualmente avevano localizzato gli organi in questi gruppi di dati.

L'intelligenza artificiale migliora l'accuratezza

Al TranslaTUM le tecnologie di informazioni hanno presentato i dati ai loro nuovi algoritmi. E questa più veloce di quanto preveduta istruita, rapporti di Schoppe: “Abbiamo avuto bisogno soltanto di intorno dieci scansioni dell'intero-organismo prima che il software potesse analizzare con successo i dati di immagine da sè - ed all'interno di un aspetto dei secondi. Richiede le ore umane per fare questo.„

Il gruppo poi ha controllato l'affidabilità dell'intelligenza artificiale con l'aiuto di 200 ulteriori scansioni dell'intero-organismo dei mouse. “Il risultato indica che gli algoritmi autodidattici sono non solo più veloci ad analizzare i dati di immagine biologici che gli esseri umani, ma anche più accurato,„ riassume il professor Bjoern Menze, testa al del gruppo di modellistica biomedico Basato a immagine a TranslaTUM all'università di Monaco di Baviera tecnica.

Il software intelligente deve essere utilizzato in futuro in particolare nella ricerca di base: “Le immagini dei mouse sono vitali per, per esempio, lo studio degli effetti di nuovo farmaco prima che siano date agli esseri umani. Facendo uso degli algoritmi autodidattici analizzare i dati di immagine in futuro risparmierà molto tempo in futuro,„ sottolinea Menze.

La ricerca è stata condotta a TranslaTUM, il centro per ricerca sul cancro di traduzione, all'università di Monaco di Baviera tecnica. L'istituto fa parte del der Isar dei rechts dell'ospedale universitario di TUM e si specializza nelle comprensioni di trasferimento di ricerca sul cancro ai servizi pazienti pratici con la cooperazione interdisciplinare. Nel usando la microscopia del romanzo 3D, gli scienziati al TUM hanno lavorato molto attentamente con gli esperti al Helmholtz Zentrum München.

Il progetto di ricerca è stato costituito un fondo per tramite il ministero della pubblica istruzione e la ricerca federali tedeschi (BMBF) nell'ambito dell'iniziativa della città universitaria del software, il Deutsche Forschungsgemeinschaft (DFG) via il cluster del cluster di Monaco di Baviera di eccellenza per la neurologia dei sistemi (sinergia) come pure un sussidio per la ricerca e dall'istituto di TUM per lo studio avanzato costituito un fondo per dall'iniziativa tedesca di eccellenza e dall'Unione Europea. La ricerca egualmente è stata costituita un fondo per dalle fondamenta di Fritz Thyssen. NVIDIA ha supportato il lavoro del programma di 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.