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.

La nuova “conduttura di analisi sulla base di immagini„ fornisce la comprensione in come la malattia cambia l'organismo

Una nuova “conduttura di analisi sulla base di immagini„ sta dando a scienziati la nuova comprensione rapida come la malattia o la ferita ha cambiato l'organismo, in giù alla cella determinata.

Ha chiamato TDAExplore, che cattura la rappresentazione dettagliata fornita da microscopia, la accoppia con un'area calda di topologia chiamata matematica, che fornisce la comprensione su come le cose sono sistemate e della potenza analitica di intelligenza artificiale dare, per esempio, di una nuova prospettiva sui cambiamenti in una cella derivando dal ALS e dove nella cella accadono, dice il Dott. Eric Vitriol, il biologo delle cellule ed il neuroscenziato all'istituto universitario medico della Georgia.

È “un'opzione accessibile e potente„ per mezzo di un personal computer per generare quantitativo -; misurabile e conseguentemente obiettivo -; informazioni dalle immagini microscopiche che probabilmente potrebbero applicarsi pure ad altre tecniche di rappresentazione standard come i raggi x e le scansioni dell'ANIMALE DOMESTICO, riferiscono nei reticoli del giornale.

Pensiamo che questo sia progresso emozionante nel per mezzo dei computer per fornirci le nuove informazioni su come gli insiemi di immagine sono differenti l'uno dall'altro. Che cosa sono i cambiamenti biologici reali che stanno accadendo, compreso un che non potrei potere vedere, perché sono troppo minuscole, o perché ho certo genere di tendenziosità circa dove dovrei guardare.„

Dott. Eric Vitriol, biologo delle cellule e neuroscenziato, istituto universitario medico di Georgia

Almeno in analizzando dato dipartimento, i computer hanno nostro battimento dei cervelli, il neuroscenziato dice, non appena nella loro obiettività ma nella quantità di dati possono valutare. Il dispositivo ottico del computer, che permette ai computer di tirare le informazioni dalle immagini digitali, è un tipo di apprendimento automatico che è stato intorno per le decadi, in modo da lui ed il suo collega e collega Dott. corrispondente Peter Bubenik dell'autore, un matematico all'università di Florida e un esperto sull'analisi di dati topologica, decisiva per partner il dettaglio di microscopia con la scienza di topologia e della forza analitica di AI. La topologia e Bubenik erano chiave, il sarcasmo dice.

La topologia è “perfeziona„ per analisi sulla base di immagini perché le immagini consistono dei reticoli, degli oggetti sistemati nello spazio, lui dice e le guide topologiche dell'analisi di dati (il TDA in TDAExplore) il computer egualmente riconoscono la disposizione dello sbarco, in questo caso dove actina -; una proteina e una particella elementare essenziale delle fibre, o i filamenti, che contribuiscono a dare le celle per modellare ed il movimento -; si è mosso o densità variabile. È un sistema efficiente, quello invece di cattura letteralmente delle centinaia di immagini per preparare il computer come riconoscere e classificarle, può imparare su 20 - 25 immagini.

La parte della magia è il computer ora sta imparando le immagini nei pezzi che chiamano le toppe. Rompendo le immagini di microscopia giù in questi pezzi permette alla classificazione più accurata, meno addestramento del computer su cui “il normale„ assomiglia ed infine l'estrazione dei dati significativi, scrivono.

Senza microscopia di dubbio, che permette all'esame vicino delle cose non visibili all'occhio umano, produce le belle, immagini dettagliate ed il video dinamico che sono un sostegno per molti scienziati. “Non potete avere un istituto universitario di medicina senza impianti specializzati di microscopia,„ dice.

Ma ad in primo luogo capisca che cosa è normale e che cosa accade negli stati di malattia, l'analisi dettagliata di bisogni del sarcasmo delle immagini, come il numero dei filamenti; dove i filamenti sono nelle celle -; vicino alla barriera, il centro, sparso interamente -; e se alcune regioni delle cellule hanno più.

I reticoli che emergono in questo caso gli dicono dove l'actina è e come ha organizzato -; un fattore principale nella sua funzione -; e dove, come e se è cambiato con la malattia o il danno.

Come lui esamina ragruppando di actina intorno barriera di sistema nervoso centrale cella, per esempio, il raduno gli dice che la cella sta spargendosi fuori, muovendosi circa e spedendo le proiezioni che si trasformano nel suo bordo di attacco. In questo caso, la cella, che è stata essenzialmente dormiente in un piatto, può spandere fuori ed allungare i sui cosciotti.

Alcuno del problema con gli scienziati che analizzano direttamente le immagini e calcolare che cosa vedono includere che è che richiede tempo e la realtà che anche gli scienziati hanno tendenziosità.

Come esempio e specialmente con così tanto atto che accade, i loro occhi possono sbarcare sul familiare, nel caso del sarcasmo, quell'actina al bordo di attacco di una cella. Poichè osserva ancora il fotogramma scuro intorno alla periferia delle cellule che indica chiaramente l'actina che ragruppa là, potrebbe implicare che è il punto principale di atto.

“Come so che quando decido che cosa è differente che è la cosa più differente o è che appena che cosa ho voluto vedere?„ dice. “Vogliamo portare l'obiettività del computer e vogliamo introdurre un più alto grado di riconoscimento di forme nell'analisi delle immagini.„

Il AI è conosciuto per potere “classifica„ le cose, come il riconoscimento un cane o del capone ogni volta, anche se la maschera è sfocata, in primo luogo imparando molti milioni di variabili connesse con ogni animale finché non conosca un cane quando vede uno, ma non può riferire perché è un cane. Quell'approccio, che richiede tante immagini per gli scopi di formazione ed ancora non fornisce molte statistiche di immagine, realmente non funziona per i suoi scopi, che è perché lui ed i suoi colleghi hanno fatto un nuovo classificatore che si è limitato all'analisi di dati topologica.

La riga inferiore è che l'accoppiamento unico utilizzato efficientemente in TDAExplore ed obiettivamente dice agli scienziati dove e quanto l'immagine perturbata delle cellule differisce dall'addestramento, o normale, immagine, informazioni quale egualmente forniscono le nuove idee e direzioni della ricerca, dice.

Di nuovo all'immagine delle cellule che mostra l'actina che ragruppa lungo il suo perimetro, mentre “il bordo di attacco„ era chiaramente differente con le perturbazioni, TDAExplore ha indicato che alcuni di più grandi cambiamenti realmente erano dentro la cella.

“Molto mio processo sta provando a trovare i reticoli nelle immagini che sono dure da vedere,„ sarcasmo dice, “Poiché devo identificare quei reticoli in modo da io può trovare un certo modo ottenere i numeri da quelle immagini.„ Le sue righe inferiori comprendono capire come il citoscheletro dell'actina, cui i filamenti forniscono l'armatura per e cui a loro volta fornisce il supporto per i neuroni, impianti e che cosa va male nei termini come ALS.

Alcuni di quei modelli di apprendimento automatico che richiedono le centinaia di immagini di preparare e classificare le immagini non descrivono che la parte dell'immagine contribuita alla classificazione, i ricercatori scrive. Tali gran quantità dei dati che devono analizzare e potrebbero includere come 20 milione variabili, richiedono un computer eccellente. Il nuovo sistema invece ha bisogno di comparativamente poche immagini ad alta definizione e caratterizza “rattoppa„ quello piombo alla classificazione selezionata. In una manciata di minuti, il personal computer standard dello scienziato può completare la nuova conduttura di analisi sulla base di immagini.

L'approccio unico utilizzato in TDAExplore obiettivamente dice agli scienziati dove e quanto l'immagine perturbata differisce dall'immagine di addestramento, informazioni quale egualmente fornisce le nuove idee e direzioni della ricerca, dice.

La capacità di ottenere più e le migliori informazioni dalle immagini infine significa che le informazioni generate dagli scienziati di base gradiscono il sarcasmo, che spesso infine cambia che cosa è considerato i fatti di una malattia e come ha trattato, è più accurata. Quello potrebbe comprendere potere riconoscere i cambiamenti, come quelli il nuovo sistema precisato dentro la cella, che precedentemente sono stati trascurati.

Corrente gli scienziati applicano le macchie per permettere al migliore contrasto quindi usano il software per estrarre le informazioni su cui stanno vedendo nelle immagini, come come l'actina è organizzata nella più grande struttura, dice.

“Abbiamo dovuto fornire un nuovo modo ottenere i dati pertinenti dalle immagini e quello è cui questo documento è circa.„

Lo studio pubblicato fornisce tutti i pezzi affinchè altri scienziati usi TDAExplore.

La ricerca è stata supportata dagli istituti della sanità nazionali.

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.