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.

La nueva “tubería del análisis de imagen” ofrece discernimiento en cómo la enfermedad cambia la carrocería

Una nueva “tubería del análisis de imagen” está dando a científicos nuevo discernimiento rápido en cómo la enfermedad o el daño ha cambiado la carrocería, hacia abajo a la célula individual.

Ha llamado TDAExplore, que toma la proyección de imagen detallada ofrecida por la microscopia, la empareja con un área caliente de la topología llamada las matemáticas, que ofrece discernimiento en cómo se arreglan las cosas, y de la potencia analítica de la inteligencia artificial de dar, por ejemplo, de una nueva perspectiva en cambios en una célula resultando del ALS y donde en la célula suceso, dice el Dr. Eric Vitriol, el biólogo de célula y al neurólogo en la universidad médica de Georgia.

Es “una opción accesible, potente” para usar un de computadora personal para generar cuantitativo -; mensurable y por lo tanto objetivo -; información de las imágenes microscópicas que se podrían aplicar probablemente también a otras técnicas de proyección de imagen estándar como radiografías y el ANIMAL DOMÉSTICO explora, denuncian en las configuraciones del gorrón.

Pensamos que éste es progreso emocionante en usar las computadores para darnos la nueva información sobre cómo los equipos de imagen son diferentes de uno a. Cuáles son los cambios biológicos reales que están suceso, incluyendo unos que puede ser que no pueda ver, porque son demasiado minuciosos, o porque tengo cierta clase de polarización negativa sobre donde debo observar.”

El Dr. Eric Vitriol, biólogo de célula y neurólogo, universidad médica de Georgia

Por lo menos en analizando dato departamento, las computadores tienen nuestra batido de los cerebros, el neurólogo dice, no apenas en su objetividad pero en la cantidad de datos pueden fijar. La visión de computador, que permite a las computadores tirar de la información de imágenes digitales, es un tipo de aprendizaje de máquina que ha estado alrededor por décadas, así que él y su colega y Dr. correspondiente compañero Peter Bubenik del autor, matemático en la universidad de la Florida y un experto en análisis de datos topológico, decidida para partner el detalle de la microscopia con la ciencia de la topología y de la fuerza analítica del AI. La topología y Bubenik eran dominantes, el vitriolo dice.

La topología es “perfecciona” para el análisis de imagen porque las imágenes consisten en configuraciones, de los objetos dispuestos en espacio, él dicen, y las ayudas topológicas del análisis de datos (el TDA en TDAExplore) la computador también reconocen la endecha de la tierra, en este caso donde actinia -; una proteína y un bloque hueco esencial de las fibras, o filamentos, que ayudan a dar las células para dar forma y el movimiento -; se ha movido o densidad cambiada. Es un sistema eficiente, de que en vez de tomar literalmente centenares de imágenes para entrenar a la computador cómo reconocer y clasificarlas, puede aprender en 20 a 25 imágenes.

La parte de la magia es la computador ahora está aprendiendo las imágenes en pedazos que llaman remiendos. La fractura de imágenes de la microscopia hacia abajo en estos pedazos habilita una clasificación más exacta, menos entrenamiento de la computador en de lo que tienen gusto las miradas “normales”, y final la extracción de datos significativos, escriben.

Ninguna microscopia de la duda, que habilita el examen cercano de las cosas no visibles al aro humano, produce las imágenes hermosas, detalladas y el vídeo dinámico que son un apoyo principal para muchos científicos. “Usted no puede tener una universidad del remedio sin instalaciones sofisticadas de la microscopia,” él dice.

Pero a primero entienda cuál es normal y qué suceso en estados de la enfermedad, análisis detallado de las necesidades del vitriolo de las imágenes, como el número de filamentos; donde están los filamentos en las células -; cerca del filo, el centro, disperso en todas partes -; y si algunas regiones de la célula tienen más.

Las configuraciones que emergen en este caso le informan donde está la actinia y cómo ha ordenado -; un factor principal en su función -; y donde, cómo y si ha cambiado con enfermedad o daño.

Como él observa agrupándose de actinia alrededor filo de central nervioso sistema célula, por ejemplo, la reunión le informa que la célula se está extendiendo fuera, moviéndose alrededor y enviando las proyecciones que se convierten en su borde delantero. En este caso, la célula, que ha estado esencialmente inactiva en un plato, puede extenderse fuera y estirar los tramos.

Algo del problema con los científicos que analizan las imágenes directamente y cálculo de lo que ven incluir que es que toma tiempo y la realidad que incluso los científicos tienen polarizaciones negativas.

Como un ejemplo, y determinado con tanto la acción suceso, sus aros pueden aterrizar en el familiar, en el caso del vitriolo, esa actinia en el borde delantero de una célula. Pues él mira otra vez el marco oscuro alrededor de la periferia de la célula que indica sin obstrucción la actinia que se agrupa allí, puede ser que implique que es el punto mayor de la acción.

“Cómo sé que cuando decido cuál es diferente que es la cosa más diversa o es que apenas qué quise ver?” él dice. “Queremos traerle objetividad de la computador y queremos traer un grado más alto de reconocimiento de patrones en el análisis de imágenes.”

El AI se sabe para poder “clasifica” cosas, como el reconocimiento de un perro o de un gato cada vez, incluso si el retrato es confuso, primero aprendiendo muchos millones de variables asociadas a cada animal hasta que conozca un perro cuando ve uno, pero no puede denunciar porqué es un perro. Esa aproximación, que requiere tan muchas imágenes para los propósitos de entrenamiento y todavía no ofrece muchas estadísticas de la imagen, no trabaja realmente para sus propósitos, que es porqué él y sus colegas hicieron un nuevo clasificador que fue restringido al análisis de datos topológico.

El fondo es que el acoplamiento único usado en TDAExplore eficientemente y objetivo informa a científicos dónde y cuánto la imagen perturbada de la célula difiere del entrenamiento, o normal, imagen, la información cuál también ofrece nuevas ideas y direcciones de la investigación, él dice.

De nuevo a la imagen de la célula que muestra la actinia que se agrupa a lo largo de su perímetro, mientras que el “borde delantero” era sin obstrucción diferente con perturbaciones, TDAExplore mostró que algunos de los cambios más grandes estaban real dentro de la célula.

“Mucho mi trabajo está intentando encontrar configuraciones en las imágenes que son duras de considerar,” vitriolo dice, “porque necesito determinar esas configuraciones así que yo puede encontrar una cierta manera de salir números de esas imágenes.” Sus fondos incluyen imaginar cómo el citoesqueleto de la actinia, el cual los filamentos ofrecen el andamio para y el cual a su vez proporciona el apoyo para las neuronas, trabajos y qué sale mal en condiciones como el ALS.

Algunos de esos modelos del aprendizaje de máquina que requieran centenares de imágenes entrenar y clasificar a imágenes no describen que la parte de la imagen contribuida a la clasificación, los investigadores escribe. Tales enormes cantidades de datos que necesiten analizar y pudieron incluir como 20 millones de variables, requieren una computador estupenda. El nuevo sistema en lugar de otro necesita comparativamente pocas imágenes de alta resolución y caracteriza “remienda” eso llevó a la clasificación seleccionada. En un puñado de minutos, la poder de computadora personal estándar del científico termina la nueva tubería del análisis de imagen.

La aproximación única usada en TDAExplore objetivo informa a científicos dónde y cuánto la imagen perturbada difiere de la imagen del entrenamiento, información cuál también ofrece nuevas ideas y direcciones de la investigación, él dice.

La capacidad de conseguir más y una mejor información de imágenes significa final que la información generada por los científicos básicos tenga gusto del vitriolo, que cambia a menudo final qué se considera los hechos de una enfermedad y cómo él ha tratado, es más exacta. Eso pudo incluir poder reconocer cambios, como los el nuevo sistema señalado dentro de la célula, que se han pasado por alto previamente.

Los científicos aplican manchas de óxido para habilitar un mejor contraste después utilizan actualmente software para sacar la información sobre lo que están viendo en las imágenes, como cómo la actinia se ordena en una estructura más grande, él dice.

“Tuvimos que subir con una nueva manera de conseguir datos relevantes de imágenes y eso es sobre cuál está este papel.”

El estudio publicado ofrece todos los pedazos para que otros científicos utilicen TDAExplore.

La investigación fue soportada por los institutos de la salud nacionales.

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.