Data processing methods to elucidate the multifactorial genetic background of spatial phenotypes

阐明空间表型多因素遗传背景的数据处理方法

基本信息

批准号：
22K06190
负责人：
中谷明弘
金额：
$ 2.75万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

ラベル付きの画像データセットとして公開されているImageNetの中の1000クラスを学習済みの畳み込みニューラルネットワーク（CNN）であるResNet18の出力層のみを差し替えて再学習（転移学習）することにより心筋の電子顕微鏡画像から切り出した画像パッチを分類する手法の開発を進めた。これまでに、組織の分類クラスを指定して電子顕微鏡画像からの画像パッチの切り出しを行うユーザインターフェースとデータセット管理システムを整備した。実際の電子顕微鏡画像からミトコンドリア粒子と筋原繊維および背景が写った3種類の画像パッチ（各100枚）を取得し、その内の70枚ずつから画像処理（切抜や回転）によって加工して同一サイズに定形化した画像パッチ（学習データ）で転移学習したCNNを用いて残りの30枚ずつ（評価データ）の分類を行って一定の精度が達成できることを確認した。CNNの構築はPython言語用の機械学習ライブラリであるPyTorchを用いて行った。画像パッチを切り出した原画像に学習したCNNを適用することによって電子顕微鏡画像の全域にわたって分類ができることを確認した。その際には、特定の分類クラスであることの確からしさ（確率）が数値的に得られるため、分類精度が十分ではない領域やいずれの分類クラスにも該当しない領域を抽出することも可能となっている。分類結果を参照しながら学習データの追加と分類クラスの増減を繰り返してCNNの最適化を行うことも可能である。同一の電子顕微鏡画像を対象とした学習と分類のみではなく、複数の電子顕微鏡画像を用いた学習や学習データを取得した電子顕微鏡画像とは別の新規の画像での分類も可能である。分類クラスそれぞれに色を割り当て、分類の確からしさに応じて彩度を割り当てることによって電子顕微鏡画像を分類クラスごとに塗り分けた信頼度付きの擬似カラー化処理が可能になっている。

我们已经开发了一种方法，可以使用1000类在Imagenet中使用1000类RESNET18的输出层来对心肌的电子显微镜图像进行分类，这些方法使用标记的图像数据集和重新学习（转移学习）。到目前为止，已经建立了用户界面和数据集管理系统，以指定组织的分类类别并从电子显微镜图像中删除图像贴片。从实际电子显微镜图像中获得了三种类型的线粒体颗粒，肌原纤维和背景，并使用图像处理（切割和旋转）处理的CNN将其中70个分类为30张图像（评估数据），并将其用于相同的大小，并可以确定该图像，以确保该图像确保30个图像（以确保该图像），以确保该数据均为该图像的数据）。 CNN是使用Pytorch构建的，Pytorch是Python语言的机器学习库。可以通过将学习的CNN应用于从图像贴片中提取的原始图像来确认在整个电子显微镜图像中实现分类。在这种情况下，可以从数值上获得特定分类类的概率（概率），从而可以提取分类准确性不够的区域，或者不属于任何分类类别的区域。也可以通过反复添加培训数据并增加或减少分类类别的同时，在参考分类结果时增加或减少分类类别，从而优化CNN。不仅可以学习和分类相同的电子显微镜图像，而且还可以使用多个电子显微镜图像学习，并分类与获得学习数据的电子显微镜图像不同的新图像。通过为每个分类类分配颜色并根据分类的准确性分配饱和度，可以置信者执行伪色过程，其中为每个分类类绘制了电子显微镜图像。