显微镜学术界：谷歌的细胞论文：光学显微

大家好，这里是老上光显微镜知识课堂，在这里你可以学到所有关于显微镜知识，好的，请看下面文章： 用户1915008103 2018—04-19 10:21
    
     受两种显微镜技术——透射光显微镜和荧光显微镜的启发，Google在《细胞》杂志上发表了一篇论文，该论文利用深入学习用分色荧光标记显微镜细胞图像。
    
     人工智能技术评论：在生物学和医学中，研究人员经常使用显微镜来观察肉眼无法获得的细胞细节。尽管透射式光学显微镜（生物样品的单侧辐射成像）相对来说观察起来比较简单，而且在vi中也能很好地耐受。在荧光显微镜中，荧光分子被用来对需要观察的物体（如细胞核）进行染色。这简化了分析过程，但是仍然需要复杂的样品制备。随着机器学习技术，包括自动图像质量评估算法和辅助病理学家诊断癌组织，在显微镜领域变得越来越流行，Google正在考虑是否可以开发一个结合透射光显微镜和荧光显微镜的深度学习系统来更大化其能力。
    
     4月12日，谷歌发表了一篇关于使用深度学习的彩色细胞分裂荧光标记的研究博客文章，它将透射光显微镜和荧光显微镜结合在一起。
    
     在《硅标记：预测未标记图像中的荧光标记》一书中，Google在4月12日出版的《细胞》杂志上发表的一篇论文显示，深层神经网络能够从荧光图像中预测荧光图像，而无需修改细胞以产生标记的、有用的图像。对未修饰的细胞进行长期随访分析，使细胞治疗中的侵袭性细胞试验最小化，并使用大量标签同时分析。
    
     虽然透射光显微镜技术易于使用，但是也产生难以区分的图像。例如，下面的图像是由相差显微镜获得的图像，其中像素的颜色深度表示光通过时相变的程度。样品。
    
     上述图像是在透射电镜下从自体多能干细胞的人运动神经元培养物中获得的（使用相差法）。图1显示它可能是神经元。例2：观察图像缺陷以遮盖下面的细胞。例3：神经突起。图4：可能是死细胞。上层是40微米。这些图像和图像来自石研究所芬克贝纳实验室。
    
     在上面的图中，很难区分图1的细胞群中的细胞数量，或者例如图4中细胞的位置和状态（提示：在上部的中部有一个几乎不可见的扁平细胞）。时间，如图3中的神经树突。
    
     通过拍摄不同Z高度的图像，我们可以在透射式光学显微镜下捕捉到更多的信息：一组关于(x，y)位置的图像，其中Z(距照相机的距离)系统变化。这导致细胞的不同部分聚焦或散焦，从而提供3D扫描。不幸的是，通常只有经验丰富的分析人员才能理解图像的不同高度，并且如何分析图像的不同高度在自动化分析过程中也是一个巨大的挑战。e.
    
     相同的单元相衬Z叠加。注意当焦点移动时单元的外观将如何变化是很重要的。现在我们可以看到图1右下角的模糊形状是单个椭圆形单元，并且图4中的更高单元高于顶部单元，其中可能表明它已经经历了程序性细胞死亡。
    
     与上面的荧光图像相比，在荧光显微镜下看到的图像更容易分析，因为研究人员仔细地用荧光标记他们想要看到的东西。例如，大多数人类细胞只有一个核，所以它们可以被标记（如蓝色所示），这使得可以使用简单的工具来计算图像中的单元格数量。
    
     上图是荧光显微镜下同一细胞的图像。蓝色荧光标记DNA以突出细胞核。绿色荧光标记只存在于树突中蛋白质的树突结构中。红色荧光标记只存在于轴突中另一个神经亚结构蛋白中。颜色分离荧光标记帮助研究人员更容易理解样品。例如，通过使用图1中的绿色和红色荧光标记，我们可以确认这是一个神经簇。图3中的红色荧光标记代表轴突而不是树突。蓝色荧光图4左上角的发光标记显示细胞核以前在光学显微镜下很难观察到，并且左边的细胞缺少蓝色荧光标记，因此它是一个无DNA的片段。
    
     同时，荧光显微镜也显示出明显的损伤。首先，样品本身的制备和荧光标记带来了复杂性和可变性。其次，当样品中存在许多不同的荧光标记物时，光谱的重叠将导致困难。因此，研究人员通常只限于在同一样品中同时使用三到四个标记，以避免混淆。第三，荧光标记可能对样品细胞有毒，有时甚至致命，这种缺陷使得在需要长期观察细胞的纵向研究中获得荧光标记。
    
     随着研究的深入，以及Google论文中更多的可能性，作者表明深度神经网络可以基于透射光的Z层叠预测分色荧光图像。分色荧光图像，并训练神经网络，根据投影Z层叠预测分色荧光图像。
    
     这是训练系统的概述：（A）训练示例的数据集：Z层透射图像和荧光标记图像在同一样本屏幕中的像素匹配集。用不同颜色的荧光标记产生的荧光标记图像随着开关改变颜色对不同的训练实例进行排序，其中相似的棋盘图像由于没有给定实例而没有荧光标记。未经训练的深度网络(B)预测数据A，然后在训练后预测数据A变成(C)。数据A(E)的投影光Z堆栈图像(D)：使用经过训练的深度网络(B)。根据数据的每一个新的图像像素信息（D）预测深度神经，数据的荧光标记（C）。
    
     受Inception的模块化设计的启发，Google开发了一个新的神经网络，它由三个基本构建块组成：，保持规模的模块配置，它不改变特征的空间规模；第二，缩小规模的模块配置，它扩展了空间。对于2倍，第三倍，放大率，它将空间比例缩小到一半，这使得更容易将网络架构难题设计成两个更简单的问题：构建块（宏体系结构）的设计和构建块（微架构）的设计。E解决了本文前面讨论的设计原则的个问题，第二个问题是谷歌HyrTune的自动搜索。
    
     为了确保方法的合理性，Google使用来自Alphabet实验室和两个外部合作伙伴：Gladstone研究所的Steve Finkbeiner实验室和哈佛鲁宾实验室的数据验证了模型。干扰对比)和三种培养类型(来自诱导多能干细胞、大鼠皮层培养和人乳腺癌细胞的人类运动神经元)。Google发现该方法能够准确预测几种荧光标记，包括细胞核、细胞类型(如神经)和细胞sta。下图显示了输入神经元实例的透射光后由模型获得的有色荧光标记的预测结果。
    
     输入神经元实例的透射光输出荧光标记预测结果，该示例图显示了相同的细胞图像投影光和荧光标记成像，以及Google模型生成荧光标记用于其预测。rk 2图像)模型预测产生正确的荧光标记。(Mark 3图像)基于细胞之间的最近距离，这些细胞被认为是轴突。(Mark 4图像)显示顶部难以发现的细胞，并且正确地标记左侧的物体以识别为无DNA。细胞碎片。
    
     自己做。Google已经打开了模型、完整的数据集、培训、推理代码以及一个示例。Google还声称能够以最少的额外数据培训生成新的标签：在相关的论文和示例代码中，它已经表明它能够学习生成fluo。这是因为转移学习：如果模型已经掌握了类似的任务，它可以更快地学习新任务，并且使用更少的训练数据。
    
     Google希望能够在不改变细胞的情况下生成标记的、有用的图像，这也将为生物学和医学开辟新的实验类型。转到GITHUB页面查看模型代码！
    
     网站网友点击量更高的文献目录排行榜： 点此链接 关注页面底部公众号，开通以下权限： 一、获得问题咨询权限。 二、获得工程师维修技术指导。 三、获得软件工程师在线指导 toupview,imageview,OLD-SG等软件技术支持。 四、请使用微信扫描首页底部官主账号！