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。

心肌的电子显微镜检查是通过仅替换 ResNet18 的输出层来进行的，ResNet18 是一种卷积神经网络 (CNN)，已在 ImageNet 中训练了 1000 个类别，并以标记图像数据集的形式发布，并重新学习（迁移学习）。开发了一种对从图像中提取的图像块进行分类的方法。到目前为止，我们已经开发了一个用户界面和数据集管理系统，允许指定组织分类类别并从电子显微镜图像中提取图像块。从实际的电子显微镜图像中获得显示线粒体颗粒、肌原纤维和背景的三种类型的图像块（各 100 个），并且通过图像处理（裁剪和旋转）对其中的 70 个进行处理，以使其具有一定的相同性。通过使用 CNN 对剩余 30 个图像（评估数据）中的每一个进行分类，可以达到一定的准确度，该 CNN 使用尺寸标准化的图像块（学习数据）进行了迁移学习。 CNN 是使用 PyTorch（Python 语言的机器学习库）构建的。我们确认，通过将经过训练的 CNN 应用于提取图像块的原始图像，可以对电子显微镜图像的整个区域进行分类。在这种情况下，由于可以数值地获得属于特定分类类别的确定性（概率），因此还可以提取分类精度不足的区域或者不属于任何分类类别的区域。还可以通过参考分类结果重复添加训练数据和增加/减少分类类别来优化 CNN。除了使用相同电子显微镜图像的学习和分类之外，还可以使用多个电子显微镜图像进行学习和使用除获取学习数据的电子显微镜图像之外的新图像进行分类。通过对每个分类类别分配颜色并根据分类的确定性分配饱和度，可以通过对每个分类类别对电子显微镜图像进行着色来可靠地执行伪着色处理。