权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

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。

The 1000-degree learning process in ImageNet (CNN) is the first step in the development of the ResNet18's output layer. The classification of the tissue is specified, and the image of the electron microscope is cut out. The classification of the tissue is prepared. In real time, the electron microscope image was obtained by three kinds of images (100 pieces each). 70 images are processed in the image processing (cutting and returning), and the same image is shaped in the image processing (learning), and the image processing (learning) is shifted to learning. CNN is used to classify the remaining 30 images (evaluation) with a certain accuracy. CNN's construction of Python language is mechanical learning. The image is cut out from the original image, and the CNN is applied to the image. The classification accuracy of a given category is very high. The classification accuracy of a given category is very high. The classification accuracy of a given category is very high. Classification results are referenced to learning, classification, and optimization. The same electronic micro-mirror image learning and classification, a plurality of electronic micro-mirror image learning and acquisition, electronic micro-mirror image classification and classification The classification of micro-mirror images can be achieved by color segmentation, classification of micro-mirror images, and classification of micro-mirror images.