Google transmis la microscopie optique et la fluorescence les microscopes inspiré techniquement, a publié un document sur l'utilisation de l'image de séparation à l'apprentissage en profondeur couleur de microscope des cellules marquées par fluorescence sur « Cell ».
AI Technology Review par: En biologie et de la médecine, les chercheurs utilisent souvent un microscope pour observer la cellule oeil nu ne peut pas obtenir les détails. Bien que l'utilisation du microscope optique transmise (image échantillon biologique pour générer une irradiation à sens unique), observation relativement simple du corps vivant et l'incubation de l'échantillon bien toléré, mais il est difficile d'évaluer correctement l'image générée. cible de microscopie par fluorescence (comme le noyau) devra observer une coloration avec une molécule fluorescente, cette approche permet de simplifier l'analyse, il faut encore la préparation d'échantillon complexe. Avec l'apprentissage des techniques de la machine, y compris les algorithmes d'évaluation de la qualité d'image automatique et aider les pathologistes cancer diagnostiquent, y compris les applications dans le domaine du microscope est de plus en plus largement, alors pensez si Google peut être combiné avec des techniques transmises microscopie optique et de fluorescence pour développer à la fois microscope un système d'apprentissage en profondeur, réduisant ainsi au minimum les inconvénients des deux.
12 avril Google a publié un combiné lumière transmise et microscopie par fluorescence à la fois la microscopie et l'apprentissage de la profondeur à utiliser la séparation des couleurs recherche sur les cellules marquées par fluorescence image microscope Bowen, AI Technology Review recherches compilées comme suit:
Avril 12 exemplaire de « Cell », publié dans le Journal du papier Google « In Silico étiquetage: Prédire fluorescent étiquettes dans Unlabeled Images », qui montre le réseau de neurones profond est capable de prédire ses images fluorescentes dans la perspective d'une image lumineuse, sans modifier les cellules il peut y avoir des étiquettes générées, l'image utile, qui permettent aux cellules de faire suivre à long terme l'analyse non modifiée, ce qui réduit la thérapie cellulaire invasive d'inspection des cellules dans le plus haut degré, et tandis que l'utilisation d'un grand nombre d'analyses des étiquettes possibles. Pour cette étude, la conception Google réseau open source, la formation complète et les données d'essai, après les postes de contrôle du modèle de formation et un exemple de code.
fond
Transmis microscopie optique, bien que facile à utiliser, mais il génère aussi une indiscernables d'image. Par exemple, la figure est une image de microscope en contraste de phase obtenues, dans lequel le pixel représente un changement de phase de mesure de la profondeur de couleur lorsque la lumière passe à travers l'échantillon.
Les images ci-dessus sont des cellules souches pluripotentes à partir de cultures de neurones ont été le mouvement humain en microscopie optique transmise (en utilisant contraste de phase) image observée. Exemple 1: montre les possibilités pour les cellules neuronales. Exemple 2: observation du défaut de l'image masquée cellulaire induite par application. Exemple 3: Image de la projection. Exemple 4: peut-être les cellules mortes. L'échelle de la carte: 40 pm. L'image et les chiffres sont Finkbeiner laboratoire de Stone Institute.
Sur la figure, le nombre de cellules est difficile de distinguer la population de cellules dans l'exemple de la figure 1, ou la position et l'état des cellules dans l'exemple de la figure 4 (NB: une position centrale supérieure comporte une cellules plates presque invisibles).. En même temps, il est difficile de faire toujours la structure fine est maintenue dans la plage de mise au point, tels que dendrites nerveuses dans la figure 3 par exemple.
Nous pouvons être acquises par l'acquisition d'images de différentes hauteurs z transmissive plus sous microscope optique: un ensemble d'images sur (x, y) la position, dans lequel le contrôle des modifications du système z (distance de la caméra). Il en résulte des différentes parties de la mise au point ou à l'extérieur de la cellule de mise au point, fournissant ainsi une information structurelle en 3D des cellules d'échantillon. Malheureusement, les analystes expérimentés habituellement ne peuvent comprendre ce différentes hauteurs d'images, comment analyser les grands défis de ces images différentes sont également processus d'analyse hautement automatisés. Ci-dessous l'exemple d'une pile de z sur la Fig.
contraste de phase Z du même empilement de piles. Notez que lorsque les quarts de travail de mise au point sur la façon de modifier l'apparence des cellules. Floue Nous pouvons maintenant observer la forme de l'exemple de la figure. 1 est une unité unique elliptique bas à droite, une partie de la plus haute supérieure 4 cellules que l'exemple des cellules FIG, ce qui peut indiquer qu'elle a subi la mort cellulaire programmée.
vue en perspective figure de l'image lumineuse, une image observée dans l'analyse du microscope à fluorescence plus facilement, parce que les chercheurs veut voir le contenu du conteneur ont été marqués par une comparaison minutieuse fluorescente. Par exemple, la plupart des cellules humaines ont un seul noyau, il Repérable noyaux (de marqueur bleu dans la figure ci-dessous), ce qui signifie que le nombre de cellules avec de simples outils statistiques image possible.
Ce qui précède est l'image des mêmes cellules au microscope à fluorescence. Projection d'ADN marqué par fluorescence bleue dans le noyau. la protéine fluorescente verte marqué sous-structure neurale il n'y a que des dendrites. protéine marqueur fluorescent rouge autre sous-structure neurale il n'y a que des axones. Les marqueurs fluorescents dichroïques pour aider les chercheurs à comprendre plus facilement l'échantillon. Par exemple, le mode de réalisation. La figure 1 par étiquette fluorescente verte et rouge, il a été confirmé que c'est un cluster de nerf. Axon dendrites est pas représentatif de l'étiquette fluorescente rouge dans l'exemple 3 de la Fig. 4 dans le coin supérieur gauche de la figure a révélé marqueur fluorescent bleu, au microscope à rayons nucléaire avant difficile à observer, et des cellules dépourvues de marqueur fluorescent bleu à gauche, il est un débris de cellules sans ADN.
Pendant ce temps, il y a un microscope à fluorescence évidente viciée. Tout d'abord, un échantillon et soumis à un marqueur fluorescent lui-même apporte la complexité et de la variabilité. D'autre part, quand il est présent dans l'échantillon et si un certain nombre de différents marqueurs fluorescents, le chevauchement spectral va conduire à ce qui est difficile à distinguer la couleur correspondant à la marque. Donc, limite habituellement les chercheurs ont utilisé simultanément trois ou quatre marqueurs dans le même échantillon afin d'éviter toute confusion. En troisième lieu, l'échantillon marqué par fluorescence peut avoir cytotoxicité, et parfois causé la mort, les défauts des marqueurs fluorescents observés dans des études longitudinales nécessite une longue période est difficile d'obtenir des cellules.
homologues étude approfondie, voir probablement plus
Dans l'article de Google, les auteurs ont démontré la profondeur du réseau de neurones peut être prédite sur la base de son image de fluorescence de la séparation des couleurs transmis pile lumière z. A cet effet, nous avons créé une image de fluorescence données de projection de pile dichroïque lumière z ensembles correspondent, et le réseau de neurones est formé pour prédire une image de fluorescence en fonction de la pile z projetée dichroïque lumière. Voici le schéma décrit le processus de formation.
Ce système d'entraînement est une vue d'ensemble: (A) un ensemble de données d'exemples de formation: image de lumière transmise et des marqueurs fluorescents dans les images d'écran échantillon de la même pile de jeu de mise en correspondance de pixel z. Utilisation différente image marqueur fluorescent marqué par fluorescence de couleur générée avec différents exemples de formation de commutation de changement de changement de couleur, dans lequel l'image en damier similaire au résultat d'une instance donnée est pas sans marqueur fluorescent. profondeur de réseau non formé (B) dans la prédiction des données A, les données A nouveau après la formation devient une prédiction (C). A la lumière des données de projection d'image z de la pile (D). (E): en utilisant les informations de pixel profondeur de neurones, chaque nouvelle image formée (D) A données prédit une lampe fluorescente données marquées (C) selon l'une.
Le cours de l'étude, obtenue à partir de l'inspiration Google création conception modulaire, une sorte de point un nouveau réseau neuronal est composé de trois éléments de base: la première, en maintenant le rapport de répartition de module, il ne modifie pas les caractéristiques de la taille de l'échelle spatiale et, deuxièmement, la configuration du module à échelle réduite, il sera mise à l'échelle spatiale est de 2 fois, le troisième, sur une échelle agrandie, ce sera la moitié de la mise à l'échelle spatiale. Cela rend le problème de la conception de l'architecture de réseau en deux problèmes plus simples: des blocs de construction disposés partie (architecture macro) et les blocs de construction eux-mêmes (microarchitecture) partie de la conception. Google utilise les principes de conception évoquées plus haut dans cet article pour se débarrasser de la première question, la deuxième question est d'utiliser la recherche automatique Google Hypertune pour atteindre.
Afin d'assurer une méthode raisonnable de cette étude, en utilisant les données de laboratoire Google Alphabet et deux partenaires externes du modèle est vérifiée: Gladstone Institute of Harvard et Steve laboratoire Finkbeiner laboratoire Rubin. Les caches de données trois modes de formation d'images transmettant la lumière (champ lumineux, la différence de contraste d'interférence différentiel et de phase) et trois types de cultures (cellules souches pluripotentes induites à partir des neurones moteurs humaines, des cultures de cortex de rat et de cellules de cancer du sein humain). Google a constaté que cette méthode peut prédire avec précision inclure un noyau, les types de cellules (comme nerf) et de l'état des cellules, y compris (comme la mort cellulaire) de plusieurs marqueurs fluorescents. La figure suivante montre le modèle après l'exemple des neurones d'entrée de lumière transmise, un marqueur fluorescent dichroïque obtenus résultat de prédiction.
Exemple de saisie des neurones de la lumière transmise - résultat de prédiction de l'étiquette fluorescente de sortie, le montre l'illustration d'une projection de lumière et la fluorescence des cellules marquées pour l'imagerie de la même image, et à générer un modèle de prédiction Google son label fluorescent. Malgré la présence d'artefact (symbole 2 image) est entrée, le modèle de prédiction génère toujours le marqueur fluorescent approprié. (3) les images des symboles estimés en fonction de ces axones distance la plus proche entre les cellules. (Symbole Image 4) montre cellule difficile de trouver le haut, et le côté gauche de l'objet identifié correctement étiquetés débris cellulaires sans ADN.
Leurs propres mains pour l'essayer!
Google a ouvert le code source du modèle, l'ensemble complet de données, la formation, le raisonnement et un exemple du code. Google aussi réclamations signifie simplement une formation supplémentaire minimale sera en mesure de générer de nouvelles données marquage / étiquette: les documents pertinents et des exemples de code, Google montre que vous pouvez apprendre à générer selon marqué par fluorescence d'une seule image. Cela est dû à l'apprentissage de transfert: Si le modèle a déjà tâche similaire, le modèle peut apprendre rapidement de nouvelles tâches, et utiliser moins de données de formation.
Google espère générer sans modification de cellules marquées, image utile, il permettra également de créer un nouveau type de biologie expérimentale et de la recherche médicale. Si vous voulez essayer cette technique dans vos propres recherches, vous pouvez lire le « In Silico étiquetage: Prédire des marqueurs fluorescents en images sans étiquette » papier ou aller à la page github pour voir le code modèle!
via Google Blog, rapporte AI Technology Review.
Oui, nous recrutons des gens, pour savoir?
En Avril AI saison de recherche d'emploi
8 Big Star Enterprise
10 jeux partagent la fête
20 heures Cheats uniques
04.10 à 04.19, nous rencontrons à l'heure!
(^ 0 ^) partage de bienvenue, à demain!
