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

点击翻译按钮获取中文摘要

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。