Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los algoritmos autodidácticos pueden ayudar a analizar datos de imagen biológicos

Las técnicas de proyección de imagen habilitan una mirada detallada dentro de un organismo. Pero la interpretación de los datos es que toma tiempo y requiere mucha experiencia. Las redes neuronales artificiales abren nuevas posibilidades: Requieren apenas segundos para interpretar exploraciones de la entero-carrocería de ratones y para dividir y para representar los órganos en segmentos en colores, en vez en de varios tonos del gris. Esto facilita el análisis considerablemente.

¿Cómo grande es el hígado? ¿Cambia si se toma la medicación? ¿Se inflama el riñón? ¿Hay un tumor en el cerebro y las metástasis se convirtieron ya? Para contestar a tales preguntas, los bioscientists y los doctores hasta la fecha tuvieron que revisar e interpretar una gran cantidad de datos.

“El análisis de los procesos tridimensionales de la proyección de imagen es muy complicado,” explica a Oliverio Schoppe. Así como un equipo de investigación interdisciplinario, el investigador del TUM ahora ha desarrollado algoritmos autodidácticos en a la ayuda futura analiza datos de imagen bioscientific.

En la base del software de AIMOS - la abreviatura representa la segmentación AI-basada del órgano del ratón - son las redes neuronales artificiales que, como el cerebro humano, son capaces del aprendizaje.

Usted tenía que informar a programas de computadora exactamente lo que usted quisiera que él hiciera. Las redes neuronales no necesitan tales instrucciones: “Es suficiente entrenarles presentando un problema y tiempos de un múltiplo de la solución. Gradualmente, los algoritmos comienzan a reconocer las configuraciones relevantes y pueden encontrar las soluciones correctas ellos mismos.”

Oliverio Schoppe, investigador del TUM

Algoritmos autodidácticos de entrenamiento

En el proyecto de AIMOS, los algoritmos fueron entrenados con la ayuda de imágenes de ratones. El objetivo era destinar los puntos de imagen de la exploración de la entero-carrocería 3D a los órganos específicos, tales como estómago, riñones, hígado, bazo, o cerebro. De acuerdo con esta asignación, el programa puede entonces mostrar la posición y la forma exactas.

“Éramos bastante afortunados tener acceso a varios cientos imagen de ratones de un diverso proyecto de investigación, que había sido interpretado ya por dos biólogos,” las llamadas Schoppe. Las personas también tenían acceso a las exploraciones microscópicas 3D de la fluorescencia del instituto para la ingeniería del tejido y del remedio regenerador en el Helmholtz Zentrum München.

Con una técnica especial, los investigadores podían quitar totalmente el tinte de los ratones que eran ya difuntos. Las carrocerías transparentes podían ser reflejadas con un microscopio gradual y la capa para la capa. Las distancias entre los puntos de medición eran solamente seis micrómetros - que es equivalente a la talla de una célula. Los biólogos también habían localizado los órganos en estos grupos de datos.

La inteligencia artificial perfecciona exactitud

En el TranslaTUM las tecnologías de la información presentaron los datos a sus nuevos algoritmos. Y este más rápido que haber preveído docto, partes de Schoppe: “Necesitamos solamente alrededor diez exploraciones de la entero-carrocería antes de que el software pudiera analizar con éxito los datos de imagen sobre sus los propio - y dentro de una cuestión de segundos. Tarda horas humanas para hacer esto.”

Las personas entonces verificaron la confiabilidad de la inteligencia artificial con la ayuda de 200 exploraciones más de la entero-carrocería de ratones. “El resultado muestra que los algoritmos autodidácticos son no sólo más rápidos en analizar datos de imagen biológicos que seres humanos, pero también más exacto,” resume a profesor Bjoern Menze, culata de cilindro del grupo de modelado biomédico Imagen-Basado en TranslaTUM en la universidad de Munich técnica.

El software inteligente debe ser utilizado en el futuro particularmente en la investigación básica: Las “imágenes de ratones son vitales para, por ejemplo, investigar los efectos de la nueva medicación antes de que se den a los seres humanos. Usando algoritmos autodidácticos analizar datos de imagen en el futuro salvará mucho tiempo en el futuro,” acentúa Menze.

La investigación conducto en TranslaTUM, el centro para la investigación de cáncer de translación, en la universidad de Munich técnica. El instituto es parte del der Isar de los rechts del hospital de la universidad del TUM y se especializa en discernimientos de traslación de la investigación de cáncer a los servicios pacientes prácticos con la cooperación interdisciplinaria. Al usar la microscopia de la novela 3D, los científicos en el TUM trabajaron de cerca con los expertos en el Helmholtz Zentrum München.

El proyecto de investigación fue financiado por el Ministerio de Educación y la investigación federales alemanes (BMBF) dentro del ámbito de la iniciativa del campus del software, el Deutsche Forschungsgemeinschaft (DFG) vía el atado del atado de Munich de la excelencia para la neurología de los sistemas (sinergia), así como una beca de investigación y por el instituto del TUM para el estudio avanzado financiado por la iniciativa alemana de la excelencia y la unión europea. La investigación también fue financiada por el asiento de Fritz Thyssen. NVIDIA soportó el trabajo del 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.