Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Auto-aprender algoritmos pode ajudar a analisar dados de imagem biológicos

As técnicas de imagem lactente permitem um olhar detalhado dentro de um organismo. Mas interpretar os dados é demorada e exige muita experiência. As redes neurais artificiais abrem possibilidades novas: Exigem apenas segundos para interpretar varreduras de todo o organismo dos ratos e para segmentar e descrever os órgãos nas cores, em vez nas várias máscaras do cinza. Isto facilita a análise consideravelmente.

Como grande é o fígado? Muda se a medicamentação é tomada? O rim é inflamado? Há um tumor no cérebro e as metástases já tornaram-se? A fim responder a tais perguntas, os bioscientists e os doutores até agora tiveram que seleccionar e interpretar uma riqueza dos dados.

“A análise de processos tridimensionais da imagem lactente é muito complicada,” explica Oliver Schoppe. Junto com uma equipa de investigação interdisciplinar, o pesquisador do TUM tem desenvolvido agora a auto-aprendizagem de algoritmos na ajuda futura analisa dados de imagem bioscientific.

No núcleo do software de AIMOS - a abreviatura representa a segmentação AI-baseada do órgão do rato - são as redes neurais artificiais que, como o cérebro humano, são capazes da aprendizagem.

Você usou-se para ter que dizer exactamente a programas informáticos o que você o quis fazer. As redes neurais não precisam tais instruções: “É suficiente treiná-los apresentando um problema e tempos de um múltiplo da solução. Gradualmente, os algoritmos começam reconhecer os testes padrões relevantes e podem encontrar as soluções direitas elas mesmas.”

Oliver Schoppe, pesquisador do TUM

Formação auto-aprendendo algoritmos

No projecto de AIMOS, os algoritmos foram treinados com a ajuda das imagens dos ratos. O objetivo era atribuir os pontos de imagem da varredura 3D de todo o organismo aos órgãos específicos, tais como o estômago, os rins, o fígado, o baço, ou o cérebro. Baseado nesta atribuição, o programa pode então mostrar a posição e a forma exactas.

“Nós éramos afortunados bastante ter o acesso aos várias centenas imagem dos ratos de um projecto de investigação diferente, que fosse interpretado já por dois biólogos,” avisos Schoppe. A equipe igualmente teve o acesso às varreduras 3D microscópicas da fluorescência do instituto para a engenharia do tecido e da medicina regenerativa no Helmholtz Zentrum München.

Com uma técnica especial, os pesquisadores podiam remover completamente a tintura dos ratos que eram já falecidos. Os corpos transparentes podiam ser imaged com um microscópio passo a passo e camada para a camada. As distâncias entre os pontos de medição eram somente seis micrômetros - que é equivalente ao tamanho de uma pilha. Os biólogos tinham localizado igualmente os órgãos nestes conjunto de dados.

A inteligência artificial melhora a precisão

No TranslaTUM as tecnologias da informação apresentaram os dados a seus algoritmos novos. E esta esperada mais ràpida do que instruída, relatórios de Schoppe: “Nós somente ao redor dez varreduras de todo o organismo necessários antes que o software puder analisar com sucesso os dados de imagem no seus próprios - e dentro de uma matéria dos segundos. Toma umas horas humanas para fazer esta.”

A equipe verificou então a confiança da inteligência artificial com a ajuda de 200 varreduras de todo o organismo mais adicionais dos ratos. “O resultado mostra que isso queaprende os algoritmos são não somente mais rápidos em analisar dados de imagem biológicos do que seres humanos, mas também mais exacto,” resume o professor Bjoern Menze, cabeça do grupo de modelagem biomedicável Imagem-Baseado em TranslaTUM na universidade de Munich técnica.

O software inteligente deve ser usada no futuro em particular na investigação básica: As “imagens dos ratos são vitais para, por exemplo, investigar os efeitos da medicamentação nova antes que estejam dadas aos seres humanos. Usar-se auto-aprendendo algoritmos analisar dados de imagem no futuro salvar muito tempo no futuro,” sublinha Menze.

A pesquisa foi conduzida em TranslaTUM, o centro para a investigação do cancro Translational, na universidade de Munich técnica. O instituto é parte do der Isar dos rechts do hospital da universidade do TUM e especializa-se em introspecções de transferência da investigação do cancro aos serviços pacientes práticos com a cooperação interdisciplinar. Ao usar a microscopia da novela 3D, os cientistas no TUM trabalharam pròxima com os peritos no Helmholtz Zentrum München.

O projecto de investigação foi financiado pelo Ministério da Educação e pela pesquisa federais alemães (BMBF) no âmbito da iniciativa do terreno do software, o Deutsche Forschungsgemeinschaft (DFG) através do conjunto de conjunto de Munich da excelência para a neurologia dos sistemas (sinergia), assim como um subsídio de investigação e pelo instituto do TUM para estudo avançado financiado pela iniciativa alemão da excelência e pela União Europeia. A pesquisa foi financiada igualmente pela fundação de Fritz Thyssen. NVIDIA apoiou o trabalho do programa 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.