机器学习在显微技术领域的应用.doc

《机器学习在显微技术领域的应用.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、机器学习在显微技术领域的应用　　在生物学和医学领域，研究人员通常利用显微技术观察肉眼无法看到的细胞和分子的细节。透射光显微技术的原理是对生物样本单侧照射并生成图像，操作相对简单且活体培养样本耐受度高，但通过这种方式生成的图像难以正确评估。而荧光显微技术可以使用荧光分子将需要观察的生物目标（如细胞核）标上颜色，这种做法简化了分析，但需要繁琐的样本制备。　　随着机器学习（包括用于自动评估图像质量和协助病理学家诊断癌组织的算法）在显微技术领域的应用日益增多，我们想知道是否可以开发一种能够结合两种显微技术的优点，同时最大限度减少缺点的深度学习系统。　　在“InSili

2、coLabeling:PredictingFluorescentLabelsinUnlabeledImages”一文（今日刊登于《Cell》杂志）中，我们展示了一个新的深度神经网络，这个网络能够通过透射光图像预测荧光图像，无需修改细胞就可以生成带标记的有用图像，从而允许对未修改的细胞作纵向研究、在细胞治疗中实现微创细胞筛查，以及同时运用大量标记进行调查。我们也开源了网络，并提供了完整的训练与测试数据、训练模型检查点和示例代码。　　背景　　透射光显微技术操作简单，但生成的图像难以分辨。以下图为例，这是通过相衬显微镜获得的一个图像，其中的像素强度表示光线穿过样本时

3、相位变化的程度。　　　　利用诱导性多能干细胞培养的人体运动神经元的透射光（相衬显微镜）图像。图样1显示的是疑似神经元的一组细胞。图样2显示图像有缺损，底层细胞模糊不清。图样3显示的是神经突。图样4显示的内容疑似死细胞。比例尺：40微米。这一组图像和以下图片均来自Gladstone研究所的Finkbeiner实验室。　　在上图中，很难判断图样1的神经元簇中的细胞数量，也无法看出图样4中细胞的位置和状态（提示：在中上方位置有一个非常不明显的扁平细胞）。同时也很难始终让精细结构保持在对焦范围内，如图样3中的神经突。　　我们可以通过在z堆栈中获取图像，利用透射光显微技

4、术获得更多信息：在(x,y)中配准图像，而z（与相机的距离）会系统地发生变化。这会使细胞的不同部分对焦或脱焦，从而提供样本的3D结构信息。遗憾的是，通常只有有经验的分析人员才能看懂z堆栈，而此类z堆栈的分析目前在很大程度上还无法实现自动化。下面是一个z堆栈示例。　　　　相同细胞的相衬显微镜z堆栈。注意焦点移动时表象的相应变化。现在我们可以看出，图样1右下方的模糊形状是单个椭圆形细胞，图样4中最右边的细胞比最上面的细胞还要长，这表明它可能经历了细胞程序性死亡。　　在用荧光显微技术观察到的图像中，研究人员用荧光对要观察的内容进行了精心标记，因而，相比之下分析起来更

5、加容易。例如，大多数人类细胞只有一个细胞核，因此可以进行细胞核标记（如下图的蓝色标记），这就使得利用简单工具查找图像中的细胞和统计细胞数量成为可能。　　　　相同细胞的荧光显微图像。蓝色荧光标记集中于DNA，突出了细胞核。绿色荧光标记集中于仅存在于树突（一种神经子结构）中的蛋白质。红色荧光标记集中于仅存在于轴突（另一种神经子结构）中的蛋白质。通过这些标记，可以更轻松地了解样本中发生的情况。例如，图样1中的绿色和红色标记确认这是神经元簇。图样3中的红色标记显示神经突是轴突而不是树突。图样4中左上方的蓝点显示出之前难以辨认的细胞核，而左侧细胞缺失蓝点，表明它是无DN

6、A的细胞碎片。　　不过，荧光显微技术存在严重的缺陷。首先，样本制备和荧光标记本身增加了复杂程度和变数。其次，如果样本中存在许多不同的荧光标记，光谱重叠会使人很难分辨出哪一种颜色属于哪个标记，因此，研究人员通常只能在一个样本中同时使用3到4个标记。再次，荧光标记可能对细胞有害，有时还可能直接杀死细胞，这样一来，在需要随着时间推移跟踪细胞的纵向研究中很难使用标记。　　利用深度学习发现更多信息　　在论文中，我们展示深度神经网络可以根据透射光z堆栈预测荧光图像。为此，我们创建了一个与荧光图像匹配的透射光z堆栈数据集，并训练了一个神经网络来根据z堆栈预测荧光图像。具体过

7、程如下图所示。　　　　我们系统的概览。(A)训练示例的数据集：z堆栈的透射光图像对与同一场景下像素配准的荧光图像集。使用几种不同的荧光标记生成荧光图像，并且不同训练示例中所用的标记也各不相同；棋盘格图像表示没有为给定示例获取的荧光标记。(B)未训练的深度网络使用数据A训练(C)。(D)新场景下图像的z堆栈。(E)训练的网络C用于为新图像D中的每个像素预测从A中学习的荧光标记。　　在研究过程中，受到Inception模块化设计的启发，我们开发了一种新型神经网络，此网络由以下三种基本构建块组成：in-scale配置（不改变特征的空间缩放）、down-scale配置

8、（将空间缩放加倍）以及up-scale