Алгоритм и начальный раунд тестирования описаны по своей природе Научные Отчеты.Когда нейроны растут, они расширяют волокнистые придатки, названные neurites, которые формируют критические связи с соседними клетками.
Эти сети нейронов и neurites важны для здоровой функции нервной системы, и ученые интересуются нахождением новых способов поощрить рост нейрона через наркотики, электрическую стимуляцию или другие средства. Чтобы проверить эффекты тех усилий, ученые выращивают нейроны в лаборатории и применяют другие отношения, чтобы видеть, стимулируют ли они рост.
Это обычно включает взятие сотни картин микроскопа нейронов, когда они растут в течение часов или дней.«Вас оставляют с этой гигантской стопкой фотографий», сказал Тейхас Пэлмор, преподаватель разработки в Брауне и новом ведущем авторе газеты. «Вы должны проанализировать изменения от одного изображения до следующего, и это может быть действительно трудно».Детали по тем изображениям очень важны.
Neurites – крошечные структуры, которые трудно видеть под микроскопом во время отображения живой клетки. Но точно измерение их длины и толщины важно в оценке стимулируемого роста клеток. Есть несколько алгоритмов, доступных, которые автоматизируют анализ изображения, но они не делают ужасно хорошей работы.
Они обычно работают, смотря на отдельные пиксели по изображению и применяя однородный фильтр, который выбирает пиксели с самой высокой интенсивностью. Те пиксели высокой интенсивности, как предполагается, являются нейроном и neurite структурами.Проблема – изображения микроскопа, часто не высококачественные, будучи сложно различать структуры клетки от случайных экспонатов, которые могут присутствовать по изображению. В результате фильтры часто включают пиксели, которые не относятся к структурам нейрона и вырезают пиксели, которые важны.
Это – особенно проблема в измерении крошечных neurite придатков. Фильтры часто не измеряют в полной мере neurite рост.Kwang-минута Ким, бывший аспирант в лаборатории Пэлмора и теперь постдокторский исследователь в Стэнфорде, требуемом, чтобы найти лучшее решение.
Вдохновленный предыдущей работой Килхо Сона, аспиранта в компьютерном видении и co-first автора на бумаге, Ким разработал новый метод, который обходится без однородных фильтров, используемых в других подходах. Вместо этого новый подход, названный Neuron Image Analyzer (NIA), принимает во внимание, как пиксели связаны с соседними пикселями.«Мы только ищем пиксели высокой интенсивности», сказал Ким. «Мы смотрим на относительную информацию между пикселями. Таким образом, мы можем проследить пиксели, которые связаны друг с другом, который помогает нам проследить всю структуру нейрона».
Другая техника, используемая алгоритмом, использует конкретный статистический тест, который способен выбирать круглые или эллиптические структуры. Тот тест используется, чтобы точно определить местонахождение и измерить сома, основную часть, имеющую форму капли нейрона.
Исследователи проверили NIA против существующих алгоритмов, используя ручную аннотацию изображений оценки. Результаты показали NIA, чтобы быть на 80 процентов столь же точными, как ручное кодирование, в то время как другие алгоритмы составляли только 50 – 60 процентов как точные.
Команда надеется, что другие исследователи используют новый подход. Это могло быть особенно полезно в лабораториях, которые испытывают недостаток в современном и дорогом оборудовании, чтобы взять чрезвычайно высококачественные изображения нейрона.«Мы хотим сделать этот подход доступным для любого, кто интересуется анализом изображений нейрона, независимо от качества их изображений», сказал Ким.
Ким и Сын планируют продолжить развивать NIA в надежде на дальнейшее улучшение ее точности и скорости.