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.

Le « pipeline d'analyse d'image » neuf fournit l'analyse dans la façon dont la maladie change le fuselage

Un « pipeline d'analyse d'image » neuf donne à des scientifiques l'analyse neuve rapide dans comment la maladie ou les blessures ont changé le fuselage, vers le bas à la cellule individuelle.

Il a TDAExplore appelé, qui prend la représentation détaillée fournie par microscopie, l'appareille avec une zone sensible de la topologie appelée de mathématiques, qui fournit l'analyse sur la façon dont des choses sont arrangées, et du pouvoir analytique de l'artificial intelligence de donner, par exemple, d'un point de vue neuf sur des changements d'une cellule résultant des ALS et où dans la cellule elles se produisent, indique M. Éric Vitriol, biologiste de cellules et neurologiste à la faculté de médecine de la Géorgie.

Il est un « accessible, puissante option » pour l'usage d'un PC pour produire de quantitatif - ; mesurable et par conséquent objectif - ; l'information des images microscopiques qui vraisemblablement pourraient être aussi bien appliquées à d'autres techniques d'imagerie normales comme des rayons X et des échographies d'ANIMAL FAMILIER, ils enregistrent dans les configurations de tourillon.

Nous pensons que ceci excite le progrès dans utiliser des ordinateurs pour nous fournir des informations neuves sur la façon dont les jeux d'image sont différents entre eux. Ce qui sont les modifications biologiques réelles qui se produisent, y compris ceux que je ne pourrais pas pouvoir voir, parce qu'elles sont trop minuscules, ou parce que j'ai un certain genre de polarisation au sujet d'où je devrais examiner. »

M. Éric Vitriol, biologiste de cellules et neurologiste, faculté de médecine de la Géorgie

Au moins dans analysant caractéristique service, les ordinateurs ont notre battement de cerveaux, le neurologiste dit, pas simplement dans leur objectivité mais dans la quantité de caractéristiques ils peuvent évaluer. La visibilité d'ordinateur, qui permet à des ordinateurs de tirer l'information des images numériques, est un type d'apprentissage automatique qui a été autour pendant des décennies, ainsi lui et son collègue et M. correspondant semblable Peter Bubenik d'auteur, un mathématicien à l'université de la Floride et un expert en analyse de caractéristiques topologique, décidée pour partner le détail de la microscopie avec la science de la topologie et de la force analytique de l'AI. La topologie et le Bubenik étaient principaux, le vitriol indique.

La topologie est « se perfectionnent » pour l'analyse d'image parce que les images se composent des configurations, des objectifs disposés dans l'espace, il dit, et l'analyse de caractéristiques topologique (le TDA dans TDAExplore) aide l'ordinateur également pour identifier la configuration du cordon, dans ce cas où actine - ; une protéine et un synthon d'essentiel des fibres, ou filaments, qui aident à donner les cellules pour former et le mouvement - ; a déménagé ou densité changée. C'est un système efficace, celui au lieu de prendre littéralement des centaines d'images pour former l'ordinateur comment déceler et les classifier, il peut apprendre sur 20 à 25 images.

Une partie de la magie est l'ordinateur apprend maintenant les images dans les pièces qu'ils appellent des corrections. Diviser des images de microscopie vers le bas en ces pièces active une catégorie plus précise, moins de formation de l'ordinateur sur à ce que la « normale » ressemble, et éventuel l'extraction des caractéristiques signicatives, ils écrivent.

Aucune microscopie de doute, qui active l'examen minutieux des choses non visibles à l'oeil humain, ne produit les belles, détaillées images et le vidéo dynamique qui sont un soutien principal pour beaucoup de scientifiques. « Vous ne pouvez pas avoir une université de médicament sans installations sophistiquées de microscopie, » il dit.

Mais à d'abord comprenez ce qui est normal et ce qui se produit dans des conditions de la maladie, analyse détaillée des besoins de vitriol des images, comme le nombre de filaments ; là où les filaments sont dans les cellules - ; près de l'arête, le centre, dispersé partout - ; et si quelques régions de cellules ont plus.

Les configurations qui apparaissent dans ce cas lui indiquent où l'actine est et comment elle a dispensé - ; un facteur important dans son fonctionnement - ; et où, comment et s'il a changé avec la maladie ou les dégâts.

Comme il regarde groupant de actine autour de arête de système nerveux central cellule, par exemple, l'assemblage lui dit que la cellule étend, déménageant environ et envoyant les projections qui deviennent son bord d'attaque. Dans ce cas, la cellule, qui a été essentiellement en sommeil dans une assiette, peut étendre et étirer ses pattes.

Une partie du problème avec des scientifiques analysant les images directement et prévoir ce qu'elles voient comprendre qu'il est long et la réalité que même les scientifiques ont des polarisations.

Comme exemple, et en particulier avec tellement l'action se produisant, leurs yeux peuvent mettre à terre sur le familier, dans le cas du vitriol, cette actine au bord d'attaque d'une cellule. Car il regarde de nouveau le bâti foncé autour de la périphérie des cellules indiquant clairement l'actine groupant là, elle pourrait impliquer qui est le principal point d'action.

« Comment je sais que quand je décide ce qui est différent que ce soit la chose la plus différente ou est qu'au juste ce que j'ai voulu voir ? » il dit. « Nous voulons lui porter l'objectivité d'ordinateur et nous voulons introduire un degré plus élevé de reconnaissance des formes dans l'analyse des images. »

L'AI est connue pour pouvoir « classifient » des choses, comme identifier un crabot ou un chat chaque fois, même si l'illustration est brouillée, en apprenant d'abord beaucoup de millions de variables liées à chaque animal jusqu'à ce qu'il connaisse un crabot quand il voit un, mais il ne peut pas enregistrer pourquoi c'est un crabot. Cette approche, qui exige tant d'images pour l'exercer et ne fournit pas toujours beaucoup des statistiques d'image, ne fonctionne pas réellement pour ses buts, qui est pourquoi lui et ses collègues ont effectué un classificateur neuf qui a été limité à l'analyse de caractéristiques topologique.

La ligne inférieure est que le seul couplage utilisé dans TDAExplore efficacement et indique objectivement aux scientifiques où et combien l'image perturbée de cellules diffère de la formation, ou normale, image, l'information ce qui fournit également des idées et des sens neufs de recherches, il dit.

De nouveau à l'image de cellules qui montre l'actine groupant le long de son périmètre, alors que « le bord d'attaque » était clairement différent avec des perturbations, TDAExplore a prouvé que certaines des plus grandes modifications étaient réellement à l'intérieur de la cellule.

« Beaucoup de ma fonction essaye de trouver des configurations dans les images il est difficile de voir que, » vitriol dit, « puisque je dois recenser ces configurations ainsi je peut trouver une certaine voie d'obtenir des numéros hors de ces images. » Ses lignes inférieures comprennent figurer à l'extérieur comment le cytosquelette d'actine, lequel les filaments fournissent l'échafaudage pour et lequel fournit consécutivement le support pour des neurones, travaux et ce qui va mal en conditions comme des ALS.

Certains de ces modèles d'apprentissage automatique qui exigent des centaines d'images de former et classifier des images ne décrivent pas qu'une partie de l'image contribuée à la catégorie, les chercheurs écrivent. De tels montants considérables de caractéristiques qui ont besoin analyser et pourraient comprendre comme 20 millions de variables, exigent un ordinateur superbe. Le système neuf au lieu a besoin de comparativement peu d'images haute résolution et caractérise « corrige » cela a mené à la catégorie sélectée. Dans une poignée de minutes, le PC normal du scientifique peut compléter le pipeline neuf d'analyse d'image.

La seule approche utilisée dans TDAExplore indique objectivement aux scientifiques où et combien l'image perturbée diffère de l'image de formation, l'information ce qui fournit également des idées et des sens neufs de recherches, il dit.

La capacité d'obtenir plus et la meilleure information des images signifie éventuel que l'information produite par les scientifiques fondamentaux aiment le vitriol, qui change souvent éventuel ce qui est considéré les faits d'une maladie et comment il a traité, est plus précise. Cela pourrait comprendre pouvoir identifier des modifications, comme ceux le système neuf précisé à l'intérieur de la cellule, qui ont été précédemment donnés sur.

Actuel les scientifiques appliquent des souillures pour activer un meilleur contraste puis emploient le logiciel pour retirer les informations sur ce qu'ils voient dans les images, comme la façon dont l'actine est dispensée en plus grande structure, il dit.

« Nous avons dû proposer une voie neuve d'obtenir des caractéristiques appropriées des images et est c'au sujet de ce que cet article est. »

L'étude publiée fournit toutes les pièces pour que d'autres scientifiques emploient TDAExplore.

La recherche a été supportée par les instituts de la santé nationaux.

Source:
Journal reference:

Edwards, P., et al. (2021) TDAExplore: Quantitative analysis of fluorescence microscopy images through topology-based machine learning. Patterns. doi.org/10.1016/j.patter.2021.100367.