携手健康网携手健康网

自学习算法可以帮助分析生物图像数据

成像技术可以使生物内部更细致入微。但是解释数据非常耗时,并且需要大量经验。人工神经网络开辟了新的可能性:它们只需几秒钟即可解释对小鼠的全身扫描,并用颜色而不是用各种灰色阴影来分割和描绘器官。这极大地方便了分析。

肝脏有多大?如果服药会改变吗?肾脏发炎了吗?脑中是否有肿瘤,是否已经转移?为了回答这些问题,迄今为止,生物科学家和医生不得不筛选和解释大量数据。

“三维成像过程的分析非常复杂,” Oliver Schoppe解释说。TUM研究人员现在与跨学科研究团队一起开发了自学习算法,以在将来帮助分析生物科学图像数据。

AIMOS软件的核心-缩写表示基于AI的鼠标器官分段-是像人脑一样能够学习的人工神经网络。

过去,您不得不准确地告诉计算机程序您想要它们做什么。神经网络不需要这样的指令:“通过多次提出问题和解决方案来训练它们就足够了。逐渐地,算法开始识别相关模式并能够自己找到正确的解决方案。”

在AIMOS项目中,借助鼠标图像对算法进行了训练。目的是将3D全身扫描的图像点分配给特定器官,例如胃,肾,肝,脾或脑。根据此分配,程序可以显示精确的位置和形状。

肖普回忆说:“我们很幸运能够获得来自不同研究项目的数百只小鼠的图像,所有这些图像都已经由两位生物学家进行了解释。” 该团队还可以从Helmholtz ZentrumMünchen的组织工程与再生医学研究所获得荧光显微3D扫描。

通过一种特殊的技术,研究人员能够从已经死亡的小鼠中完全去除染料。透明体可以用显微镜逐步成像并逐层成像。测量点之间的距离只有6微米-相当于一个单元的大小。生物学家还对这些数据集中的器官进行了定位。

在TranslaTUM上,信息技术人员将数据呈现给他们的新算法。这些信息的学习速度比预期的要快,Schoppe报告说:“在该软件能够自行成功分析图像数据之前,我们只需要进行大约十次全身扫描-只需几秒钟即可完成。 。”

然后,研究小组在200次小鼠全身扫描的帮助下,检查了人工智能的可靠性。慕尼黑工业大学TranslaTUM基于图像的生物医学建模小组负责人Bjoern Menze教授总结道:“结果表明,自学习算法不仅比人类更快地分析了生物图像数据,而且更加准确。” 。

该智能软件将在未来特别是在基础研究中使用:“小鼠的图像对于,例如,在将新药物应用于人类之前研究其作用至关重要。使用自学习算法来分析小鼠体内的图像数据未来将节省很多时间。”

该研究是在慕尼黑工业大学的转化癌症研究中心TranslaTUM上进行的。该研究所是伊萨姆大学医学院的一部分,专门致力于通过跨学科合作将癌症研究的见识转化为实际的患者服务。使用新颖的3D显微镜时,TUM的科学家与Helmholtz ZentrumMünchen的专家密切合作。

该研究项目由德国联邦教育和研究部(BMBF)通过“卓越的系统神经病学慕尼黑系统集群”(SyNergy)以及“软件校园计划”,“德国科学基金会”(DFG)的资助。由德国卓越计划和欧盟资助的TUM高级研究所提供研究经费。该研究也由弗里茨·蒂森基金会资助。NVIDIA支持GPU Grant Program的工作。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。