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.

De “o encanamento novo da análise imagem” fornece a introspecção em como a doença muda o corpo

De “um encanamento novo da análise imagem” está dando a cientistas a introspecção nova rápida como a doença ou ferimento mudaram o corpo, em para baixo à pilha individual.

Chamou TDAExplore, que toma a imagem lactente detalhada fornecida pela microscopia, emparelha-a com uma área quente da topologia chamada matemática, que fornece a introspecção em como as coisas são arranjadas, e da potência analítica da inteligência artificial dar, por exemplo, de uma nova perspectiva em mudanças em uma pilha resultando do ALS e onde na pilha acontecem, di-lo o Dr. Eric Vitríolo, o biólogo de pilha e o neurocientista na faculdade médica de Geórgia.

É “uma opção acessível, poderosa” para usar um computador pessoal para gerar quantitativo -; mensurável e conseqüentemente objetivo -; informação das imagens microscópicas que provavelmente poderiam ser aplicadas também a outras técnicas de imagem lactente padrão como raios X e o ANIMAL DE ESTIMAÇÃO faz a varredura, relatam nos testes padrões do jornal.

Nós pensamos que este é progresso emocionante em usar computadores para nos dar a informação nova sobre como os grupos de imagem são diferentes de se. O que são as mudanças biológicas reais que são acontecer, incluindo que eu não pude poder ver, porque são demasiado minúsculos, ou porque eu tenho algum tipo da polarização sobre onde eu devo olhar.”

Dr. Eric Vitríolo, biólogo de pilha e neurocientista, faculdade médica de Geórgia

Pelo menos em analisando dados departamento, os computadores têm nossa batida dos cérebros, o neurocientista diz, não apenas em sua objectividade mas na quantidade de dados podem avaliar. A visão de computador, que permite computadores de puxar a informação das imagens digitais, é um tipo de aprendizagem de máquina que estêve ao redor por décadas, assim que ele e seu colega e Dr. correspondente companheiro Peter Bubenik do autor, um matemático na universidade de Florida e um perito na análise de dados topológica, decidida partner o detalhe de microscopia com a ciência da topologia e do poder analítico do AI. A topologia e Bubenik eram chaves, o vitríolo diz.

A topologia é “aperfeiçoa” para a análise de imagem porque as imagens consistem em testes padrões, dos objetos arranjados no espaço, ele dizem, e as ajudas topológicas da análise de dados (o TDA em TDAExplore) o computador igualmente reconhecem a configuração da terra, neste caso onde actínio -; uma proteína e um bloco de apartamentos essencial das fibras, ou uns filamentos, que ajudem a dar pilhas para dar forma e movimento -; moveu-se ou densidade mudada. É um sistema eficiente, de que em vez de tomar literalmente centenas de imagens para treinar o computador como reconhecer e para classificá-las, pode aprender em 20 a 25 imagens.

A parte da mágica é o computador está aprendendo agora as imagens nas partes que chamam correcções de programa. Quebrar imagens da microscopia para baixo nestas partes permite uma classificação mais exacta, menos treinamento do computador no que o “normal” olha como, e finalmente a extracção de dados significativos, escrevem.

Nenhuma microscopia da dúvida, que permite o exame próximo das coisas nao visíveis ao olho humano, produz as imagens bonitas, detalhadas e o vídeo dinâmico que são um essencial para muitos cientistas. “Você não pode ter uma faculdade da medicina sem facilidades sofisticadas da microscopia,” diz.

Mas a primeiramente compreenda o que são normal e o que acontece em estados da doença, análise detalhada das necessidades do vitríolo das imagens, como o número de filamentos; onde os filamentos estão nas pilhas -; perto da borda, o centro, dispersado por toda parte -; e se algumas regiões da pilha têm mais.

Os testes padrões que emergem neste caso dizem-lhe onde o actínio está e como organizou -; um factor principal em sua função -; e onde, como e se mudou com doença ou dano.

Como ele olha se aglomerando de actínio em torno borda de central nervoso sistema pilha, por exemplo, a reunião diz-lhe que a pilha está espalhando para fora, se movendo aproximadamente e mandando as projecções que se transformam sua vanguarda. Neste caso, a pilha, que foi essencialmente dormente em um prato, pode espalhar para fora e esticar seus pés.

Algum do problema com os cientistas que analisam as imagens directamente e cálculo do que vêem incluir que é demorado e a realidade que mesmo os cientistas têm polarizações.

Como um exemplo, e particularmente com tanto a acção que acontece, seus olhos podem aterrar no familiar, no caso do vitríolo, esse actínio na vanguarda de uma pilha. Porque examina outra vez o quadro escuro em torno da periferia da pilha que indica claramente o actínio que se aglomera lá, pôde implicar que é o ponto principal da acção.

“Como eu sei que quando eu decidir o que é diferente que é a coisa a mais diferente ou é que apenas o que eu quis ver?” diz. “Nós queremos trazer-lhe a objectividade do computador e nós queremos trazer um grau mais alto de reconhecimento de padrões na análise das imagens.”

O AI é sabido para poder “classifica” coisas, como o reconhecimento de um cão ou de um gato todas as vezes, mesmo se a imagem é distorcido, primeiramente aprendendo muitos milhões de variáveis associadas com cada animal até que conheça um cão quando vê um, mas não pode relatar porque é um cão. Essa aproximação, que exige tão muitas imagens para finalidades de formação e ainda não fornece muitas estatísticas da imagem, não trabalha realmente para suas finalidades, que é porque e seus colegas fizeram um classificador novo que seja restringido à análise de dados topológica.

Os ganhos líquidos são que o acoplamento original usado em TDAExplore eficientemente e dizem objetiva aos cientistas onde e quanto a imagem molestada da pilha difere do treinamento, ou normal, imagem, a informação qual igualmente fornece ideias e sentidos novos da pesquisa, diz.

De volta à imagem da pilha que mostra o actínio que se aglomera ao longo de seu perímetro, quando a “vanguarda” era claramente diferente com perturbação, TDAExplore mostrou que algumas das mudanças as mais grandes eram realmente dentro da pilha.

“Muito meu trabalho está tentando encontrar testes padrões nas imagens que são duras de considerar,” vitríolo diz, “porque eu preciso de identificar aqueles testes padrões assim que mim pode encontrar alguma maneira de obter números fora daquelas imagens.” Seus ganhos líquidos incluem a figuração para fora de como o cytoskeleton do actínio, que os filamentos fornecem o andaime para e que fornece por sua vez o apoio para os neurônios, trabalhos e o que vai mal nas condições como o ALS.

Alguns daqueles modelos da aprendizagem de máquina que exigem centenas de imagens treinar e classificar imagens não descrevem que a parte da imagem contribuída à classificação, os investigador escreve. Tais enormes quantidade dos dados que precisam de analisar e puderam incluir como 20 milhão variáveis, exigem um computador super. O sistema novo pelo contrário precisa comparativamente poucas imagens de alta resolução e caracteriza “remenda” isso conduziu à classificação selecionada. Em um punhado das actas, o computador pessoal padrão do cientista pode terminar o encanamento novo da análise de imagem.

A aproximação original usada em TDAExplore diz objetiva aos cientistas onde e quanto a imagem molestada difere da imagem do treinamento, informação qual igualmente fornece ideias e sentidos novos da pesquisa, diz.

A capacidade para obter mais e a melhor informação das imagens significa finalmente que a informação gerada por cientistas básicos gosta do vitríolo, que muda frequentemente finalmente o que são considerados os factos de uma doença e como ele tratou, é mais exacta. Isso pôde incluir poder reconhecer mudanças, como aqueles o sistema novo indicado dentro da pilha, que têm sido negligenciadas previamente.

Actualmente os cientistas aplicam manchas para permitir o melhor contraste a seguir usam o software para retirar a informação sobre o que estão vendo nas imagens, como como o actínio é organizado em uma estrutura mais grande, diz.

“Nós tivemos que vir acima com uma maneira nova de obter dados relevantes das imagens e aquele é o que este papel é sobre.”

O estudo publicado fornece todas as partes para que outros cientistas usem TDAExplore.

A pesquisa foi apoiada pelos institutos de saúde nacionais.

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.