基于深度学习的成像技术FLI-Net

2019年11月16日由 KING 发表 652169 0

2019年11月13日，伦斯勒理工学院的研究人员开发了一种称为FLI-Net的深度神经网络新技术，该技术运用深度学习对荧光寿命成像产生的图像进行量化。

长期以来，分子成像一直是研究人员了解可能导致临床应用的生物学基本成分的有效工具。具体而言，荧光寿命成像（FLI）提供了一种无创检查样品的方法，以获得对细胞微环境的独特见解。FLI可用于量化体内的蛋白质之间的相互作用以及生物传感器活性配体与受体的结合。但是，这种间接成像方法需要采用迭代优化的后期收集处理来分析数据集。这极大的增加了系统的局限性。

传统上，分析这些数据需要大量时间和复杂的数学工具，这些工具严重依赖于用户，这使得难以生成一致且可重现的图像。这些困难已成为在临床环境中使用该技术的障碍。研究团队开发了3D卷积神经网络（CNN），专门用于处理FLI系统的数据。该系统不需要任何用户定义的参数输入。

此外，可以使用合成数据生成器有效地对其进行训练，并通过实验数据集进行验证，从而无需通过实验获取大量的训练数据集。CNN可以处理通过时间相关单光子计数（TCSCP）或基于门控ICCD的仪器（最常见的FLI技术）获得的实验荧光衰减。3D CNN“ FLI-Net”旨在模拟使用卷积运算和非线性激活函数层的曲线拟合方法，使得在3D数据立方体（x，y，t）中输入时间和空间分辨的荧光衰减，并在每个像素处估计双指数参数（两个寿命和一个分数幅度），以提供输出与输入（x，y）尺寸相同的图像。

为了测试FLI-Net，研究人员使用FLI对癌细胞进行成像以可视化活细胞的代谢状态，并利用福斯特共振能量转移（FRET）以测量细胞中受体的参与水平。研究小组发现，深度神经网络的性能与目前使用的商业软件一样好，并且在某些情况下要优于商业软件。此外，他们还发现，该技术需要较少的光才能生成详细的图像。伦斯勒（Rensselaer）领导这项研究的生物医学工程学教授Xavier Intes说：“我们提供的工具将更加适合最终用户，这不仅是生物学家，还包括外科医生。”

研究人员发现，FLI-Net体系结构非常适合图像形成范例。因此，他们的深度学习框架可以用作复杂荧光寿命成像过程的免拟合分析的通用新工具。

伦斯勒（Rensselaer）生物医学工程学助理教授潘平坤说：该研究的目的是将FLI的益处作为精确医学的关键工具带入临床，这是许多临床应用中的技术。例如，它可用于体内实时成像肿瘤，这可以帮助外科医生在手术过程中看到病变，从而使他们能够以最小的损害来完全清除癌组织健康组织”。

标签：

行业深度学习成像技术

0 评论

欢迎关注ATYUN官方公众号

商务合作及内容投稿请联系邮箱:bd@atyun.com

上一篇利用深度学习为2D动画生成实时同步口型

下一篇深度神经网络加快了天气模型模拟的速度

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

Sam Altman离职事件时间线