Исследователь из Сколтеха предложил новый метод обнаружения объектов на микрофотографиях
Следи за успехами России в Телеграм @sdelanounas_ru
Пример работы метода (справа) на сложном для анализа флюоресцентном изображении (слева): зеленые регионы соответствуют (по мнению метода) отдельным клеткам, синие — группам из двух клеток, фиолетовые из трех, голубые — из пяти.
Виктор Лемпицкий, ученый из Сколтеха, вместе с коллегами Карлосом Артетой, Алисон Ноубл и Эндрю Зиссерманом из Оксфордского Университета разработал новый метод высокоточного обнаружения объектов на микроскопических изображениях. Результаты их исследования были опубликованы в журнале Medical Image Analysis.
Распознавание объектов на микрофотографиях является важным этапом многих экспериментов в биологии и медицине. Такой анализ особенно интересен в задачах распознавания биологических объектов, например, клеток, клеточных колоний или ядер. При этом обнаружение объектов (например, раковых клеток) может быть как отдельной задачей, так и основой для последующих экспериментов и более глубокого анализа результатов.
Новый метод нацелен на анализ сложных изображений, содержащих плотно расположенные и частично перекрывающиеся объекты. Большинство методов компьютерного зрения, которые применяют в таких случаях, принадлежат к одной из двух категорий. К первой категории относятся методы, основанные на обнаружении отдельных объектов и отделении их друг от друга, а ко второй — методы анализа, не пытающиеся «разделить» близлежащие клетки. Выбор наиболее подходящего метода зависит от конкретного изображения. При низкой плотности объектов и малом количестве наложений, обнаружение отдельных объектов более эффективно и, кроме этого, позволяет определить размер и форму объектов, а также проследить за их перемещениями. Однако, для изображений с высокой плотностью объектов такие методы неприменимы, и необходимо использовать один из методов второй группы.
Лемпицкий и его коллеги предложили высокоэффективный метод распознавания объектов на микрофотографиях, который применим для изображений, содержащих одновременно участки низкой и высокой плотности клеток. Метод основан на древовидной дискретной графической модели, которая позволяет выбрать и промаркировать набор непересекающихся участков изображения с помощью глобальной оптимизации. Каждый регион маркируется в соответствии с количеством объектов, которые он содержит. В условиях низкой плотности объектов метод, как правило, находит и выделяет отдельные клетки, а в местах, где клетки перекрываются, предложенный метод выделяет группы клеток (и оценивает размер этих групп). Подобное адаптивное поведение, управляемое оптимизационным процессом, является уникальным для данного метода.
Кроме того, ученые разработали специальный модуль, позволяющий провести предварительную обработку «шумных» микрофотографий. Тестирование метода было проведено на шести различных наборах изображений, включающих изображения флуоресцентной микроскопии, молекулярные изображения слабой флуоресценции, изображения фазово-контрастной микроскопии и гистологические изображения. Было показано, что представленный в работе метод превосходит предложенные ранее.
- Arteta, V. Lempitsky, J. A. Noble, and A. Zisserman, «Detecting overlapping instances in microscopy images using extremal region trees," Med. Image Anal., vol. 27, pp. 3-16, Jan. 2016.
* Сколковский институт науки и технологий (Сколтех) — негосударственное научно-образовательное учреждение в Сколково (Россия, Московская область). Созданный в 2011 году при участии Массачусетского технологического института (МТИ), институт готовит новые поколения исследователей и предпринимателей, развивает научные знания и содействует технологическим инновациям с целью решения важнейших проблем, стоящих перед Россией и миром в новом тысячелетии. Сколтех строит свою работу, опираясь на опыт лучших российских и международных образовательных и исследовательских институтов. При этом особый акцент делается на преподавание навыков предпринимательской и инновационной деятельности.
Кстати, а вы знали, что на «Сделано у нас» статьи публикуют посетители, такие же как и вы? И никакой премодерации, согласований и разрешений! Любой может добавить новость. А лучшие попадут в телеграмм @sdelanounas_ru. Подробнее о том как работает наш сайт здесь👈
