A convolutional neural network for common coordinate registration of high-resolution histology images.
A convolutional neural network for common coordinate registration of high-resolution histology images.
复制标题
DOI：
10.1093/bioinformatics/btab447
复制
发表时间：
2021-11-18
期刊：
影响因子：
5.8
通讯作者：
Bonneau, Richard A.
中科院分区：
文献类型：
--
作者：
Daly, Aidan C.;Geras, Krzysztof J.;Bonneau, Richard A.
在空间组学数据的大规模研究中，多源组织学图像的配准是一个亟待解决的问题。研究人员经常执行“共同坐标配准”，类似于分割，其中样本根据组织类型进行分割，以便对样本之间的相似区域进行定量比较。这种配准的准确性需要高图像分辨率和全局意识，这对于当代深度学习架构来说是一个难以平衡的问题。我们提出了一种新的卷积神经网络（CNN）架构，它结合了(i)从组织表面稀疏采样的图像斑块中提取特征的局部分类CNN和（ii）对这些提取的特征进行操作的全局分割CNN。这种混合网络可以以端到端方式进行训练，并且我们在参考组织学数据集以及两个已发表的空间转录组学数据集上展示了其相对于竞争方法的相对优点。我们相信，这种模式将大大提高我们处理空间组学数据的能力，并具有在商用gpu上处理高分辨率组织学图像的通用应用。所有代码都可以在https://github.com/flatironinstitute/st_gridnet上公开获得。补充数据可在生物信息学网站获得。
Registration of histology images from multiple sources is a pressing problem in large-scale studies of spatial -omics data. Researchers often perform ‘common coordinate registration’, akin to segmentation, in which samples are partitioned based on tissue type to allow for quantitative comparison of similar regions across samples. Accuracy in such registration requires both high image resolution and global awareness, which mark a difficult balancing act for contemporary deep learning architectures. We present a novel convolutional neural network (CNN) architecture that combines (i) a local classification CNN that extracts features from image patches sampled sparsely across the tissue surface and (ii) a global segmentation CNN that operates on these extracted features. This hybrid network can be trained in an end-to-end manner, and we demonstrate its relative merits over competing approaches on a reference histology dataset as well as two published spatial transcriptomics datasets. We believe that this paradigm will greatly enhance our ability to process spatial -omics data, and has general purpose applications for the processing of high-resolution histology images on commercially available GPUs. All code is publicly available at https://github.com/flatironinstitute/st_gridnet. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
25
作者：
Maynard KR;Collado-Torres L;Weber LM;Uytingco C;Barry BK;Williams SR;Catallini JL 2nd;Tran MN;Besich Z;Tippani M;Chew J;Yin Y;Kleinman JE;Hyde TM;Rao N;Hicks SC;Martinowich K;Jaffe AE
通讯作者：
Jaffe AE
影响因子：
3.4
作者：
Steppa, Constantin;Holch, Tim L.
通讯作者：
Holch, Tim L.
DOI：
10.1073/pnas.1912459116
发表时间：
2019-09-24
影响因子：
11.1
作者：
Xia, Chenglong;Fan, Jean;Zhuang, Xiaowei
通讯作者：
Zhuang, Xiaowei
影响因子：
56.9
作者：
Stahl, Patrik L.;Salmen, Fredrik;Frisen, Jonas
通讯作者：
Frisen, Jonas
影响因子：
56.9
作者：
Rodriques, Samuel G.;Stickels, Robert R.;Macosko, Evan Z.
通讯作者：
Macosko, Evan Z.