Name: Doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia (Wideo) | JoVE Journal
Uploaded: 2023-10-27T13:50:00.000+00:00
Duration: 8 min 20 s
Description: Poznaj hybrydowy model głębokiego uczenia do automatycznej identyfikacji pasożytów trypanosomów z mikroskopowych obrazów krwi. Ta metoda umożliwia szybką i precyzyjną diagnostykę T. cruzi, T. brucei i T. evansi.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ta praca (Grant badawczy dla nowego uczonego, nr grantu. RGNS 65 - 212) był wspierany finansowo przez Biuro Stałego Sekretarza Ministerstwa Szkolnictwa Wyższego, Nauki, Badań i Innowacji (OPS MHESI), Tajlandzkie Badania Naukowe i Innowacje (TSRI) oraz Instytut Technologii Króla Mongkuta w Ladkrabang. Jesteśmy wdzięczni Narodowej Radzie ds. Badań Naukowych Tajlandii (NRCT) [NRCT5-RSA63001-10] za sfinansowanie projektu badawczego. Projekt M.K. został sfinansowany przez Tajlandzki Fundusz Badań i Innowacji Naukowych Uniwersytetu Chulalongkorn. Dziękujemy również College of Advanced Manufacturing Innovation, King Mongkut's Institute of Technology w Ladkrabang, który dostarczył platformę głębokiego uczenia i oprogramowanie wspierające projekt badawczy.

AI Program for Trypanosomiasis Detection and Classification

Wszyscy autorzy nie ujawniają informacji finansowych ani nie pozostają w konflikcie interesów.

Obserwacja mikroskopowa w kierunku zakażenia pierwotniakami Trypanosoma jest wczesna i powszechnie stosowana, zwłaszcza podczas nadzoru w odległych obszarach, gdzie brakuje wykwalifikowanych techników oraz pracochłonnych i czasochłonnych procesów, które są przeszkodą w terminowym zgłaszaniu organizacji zdrowia. Chociaż techniki biologii molekularnej, takie jak immunologia i reakcja łańcuchowa polimerazy (PCR), zostały zatwierdzone jako metody o wysokiej czułości w celu wspierania skuteczności wyników laboratoryjnych, do ...

Trypanosomatoza jest poważnym wyzwaniem dla globalnych problemów zdrowotnych ze względu na różnorodność gatunków odzwierzęcych powodujących choroby u ludzi o szerokim zasięgu geograficznym poza kontynentami afrykańskimi i amerykańskimi, takimi jak Azja Południowa i Południowo-Wschodnia1,2,3. Ludzka trypanosomatoza afrykańska (HAT) lub śpiączka jest wywoływana przez Trypanosoma brucei gambiense i T. b. rhodesiense, które wytwarzają odpowiednio formy przewlekłe i ostre, reprezentujące główne rozprzestrzenianie się w Afryce. Pasożyt sprawczy należy do grupy Salivaria ze względu na przenoszenie przez zakażoną ślinę much Tse-tse4. dobrze znana trypanosomatoza amerykańska (choroba Chagasa) wywoływana przez T. cruzi stanowi zagrożenie dla zdrowia publicznego w krajach nieendemicznych; w tym Kanada, USA, Europa, Australia i Japonia, ze względu na częstą migrację osobników z obszarów endemicznych5. Zakażenie trypanosomem należy do grupy Stercoraria, ponieważ jest przenoszone przez zakażony kał robaków reduviiid. Trypanosomatozy i trypanosomozy (choroba Surra) wywołane zakażeniem T. evansi są endemiczne w Afryce, Ameryce Południowej, Azji Zachodniej i Wschodniej oraz krajach Azji Południowej i Południowo-Wschodniej3,6. Chociaż zgłoszono ludzką trypanosomatozę wywołaną przez trypanosom3,4,7,8,9,10,11,12, Droga przenoszenia infekcji pasożytem jest dyskutowana: albo mechaniczna, albo zakażona krew przez owady hematofagiczne, takie jak muchy tse-tse i tabanidy lub muchy końskie6,7,8,9,10,12,13,14. W Tajlandii nie znaleziono żadnego opisu przypadku, jednak opublikowano wysoką częstość występowania infekcji T. evansi u psów15, koni wyścigowych i bawołów wodnych w regionie wschodnim16, co sugeruje, że mogło dojść do nabytej transmisji między zwierzętami domowymi. Zgłoszono kilka nietypowych zakażeń u ludzi wywołanych przez trypanosomy zwierzęce (T. vivax, T. b. brucei, T. congolense, T. lewisi i T. evansi), które nie są klasycznymi formami ludzkich trypanosomów17. Świadomość na temat nietypowych zakażeń u ludzi może być niedoszacowana, co podkreśla potrzebę ulepszonych testów diagnostycznych i badań terenowych w celu wykrywania i potwierdzania tych nietypowych przypadków oraz umożliwienia właściwej kontroli i leczenia chorób chorobotwórczych zwierząt, które mają wpływ na globalny inwentarz żywy, bezpieczeństwo żywnościowe18 i opiekę zdrowotną dla ludzi. Doprowadziło to do opracowania potencjalnej strategii zintegrowanej z istniejącą powszechnie stosowaną metodą (badanie mikroskopowe) w celu szybkiego badania przesiewowego próbek krwi w odległych obszarach podczas aktywnego nadzoru, umożliwiając identyfikację stref krytycznych w celu ograniczenia i kontroli choroby.
Sporadyczne występowanie choroby Surra u wielu zwierząt domowych, takich jak dromadery, bydło, konie i psy, które wywołują euryxeniczne T. evansi, może być odzwierzęce dla ludzi1,4,13,14. Zakażenie człowieka wydaje się niemożliwe, ponieważ czynnik trypanolityczny w ludzkiej surowicy, wyrażany przez gen podobny do , jest w stanie zapobiegać ludzkim T. brucei i T. congolense12,19. Ponadto, jak pokazuje pierwszy opis przypadku z Indii, choroba nie ma związku z pacjentami z HIV z obniżoną odpornością4. Jak opisano powyżej, możliwe zakażenie u ludzi może być związane z niedoborem lipoprotein o dużej gęstości z nieprawidłową funkcją czynnika litycznego trypanosomu, który jest rzadką autosomalną recesywną chorobą genetyczną, a mianowicie chorobą Tangeru4. W 2016 roku u pacjenta z Wietnamu odkryto dwa allele APOL1 typu dzikiego i stężenie APOL1 w surowicy w normalnym zakresie. Jednak teoria niedoboru APOL-1 nie jest już uważana za ważną12. Dlatego jednym z możliwych mechanizmów zakażenia trypanosomem jest bezpośredni kontakt rany z zakażoną krwią zwierzęcą podczas pracy w hodowli zwierząt4,12. Badania mikroskopowe ujawniają, że morfologia T. evansi jest monomorficzną formą trypomastigoty, w tym dominującym długim, smukłym, wiciowym i dzielącym się trypanosomem, który jest podobny do ich krewnego gatunku T. brucei1,12,13. Jądro znajduje się w pozycji centralnej z widocznym małym kinetoplastem w pozycji tylnej. Poprzednie badanie wykazało, że pasożyt może występować w dwóch porównywalnych formach, znanych jako forma klasyczna i skrócona. Konieczne jest jednak potwierdzenie ich patogennego wpływu na gospodarzy20. Przebieg objawów jest różny, począwszy od okresowej gorączki związanej z dreszczami i poceniem się. Suramin, na szczęście, jest skuteczną terapią pierwszego rzutu we wczesnym stadium ludzkiej trypanosomatozy afrykańskiej bez inwazji ośrodkowego układu nerwowego (OUN), lecząc pacjentów w Indiach i Wietnamie4,12,21.
Z wyjątkiem badania objawów klinicznych, istnieje kilka metod diagnostycznych dla pasożytów T. evansi, w tym parazytologiczna obserwacja mikroskopowa4,9,12, serological4,8,9,10,12, oraz molekularne testy biologiczne4,12. Cienkie warstwy krwi barwione preparatem Giemsa są często używane do wizualizacji pasożyta obecnego pod mikroskopem, co jest rutynowo i powszechnie stosowane22. Procedura wydaje się jednak wykonalna; Niemniej jednak jest to czasochłonne i pracochłonne, ma zmienność oceny między oceniającymi, jest wrażliwe tylko na ostrą fazę i wymaga osobistego stażysty<klasa SUP="xref">23. Zarówno biologia molekularna, jak i badania serologiczne wymagały również wysoko wykwalifikowanego personelu do wykonywania wielu procesów przygotowania próbek, w tym ekstrakcji i oczyszczania próbek przed testowaniem ich za pomocą drogiej aparatury, która jest trudna do standaryzacji, ryzyka zanieczyszczenia materiałami pozapasożytniczymi i rozbieżności w wynikach24. W oparciu o przesłanki opisane powyżej, potrzebna jest technologia szybkich i wczesnych badań przesiewowych, aby wesprzeć badanie nadzoru terenowego i zapewnić, że wyniki ankiety zostaną przedstawione w odpowiednim czasie w celu zidentyfikowania strefy hotspotu do dalszej kontroli transmisji choroby1,8. Urządzenia komputerowe (CAD) zostały zaproponowane jako innowacyjna technologia dla dziedzin medycznych, w tym zadań histopatologicznych i cytopatologicznych25. Wspomniany powyżej CAD został wykonany z dużą prędkością i obliczony przy użyciu rozpoznawania wzorców, a mianowicie sztucznej inteligencji (AI). Metoda sztucznej inteligencji jest realizowana przy użyciu algorytmów konwolucyjnych sieci neuronowych, które można wykorzystać do radzenia sobie z dużą liczbą próbek zestawów danych, w szczególności podejścia opartego na uczeniu nadzorowanym, które trenuje dobrze wyszkolony model po zużyciu danych.
Ogólnie rzecz biorąc, sztuczna inteligencja to zdolność komputerów do rozwiązywania zadań wymagających specjalistycznej inteligencji, takich jak etykietowanie danych. Uczenie maszynowe (ML), poddziedzina sztucznej inteligencji, jest reprezentowane jako system komputerowy z dwoma różnymi procesami składającymi się z ekstrakcji cech i rozpoznawania wzorców. Głębokie uczenie (DL), czyli zaawansowane algorytmy uczenia maszynowego, odnosi się do rozwoju skomputeryzowanych programów i urządzeń porównujących wydajność podobną do ludzkiej z poziomami dokładności większymi i równymi tym, które osiągają profesjonaliści26. Obecnie rola DL w medycynie i weterynarii obiecująco rozszerza się i rewolucjonizuje profilaktykę chorób zakaźnych w celu niedawnej profilaktyki i kierowania jej do indywidualnego personelu medycznego22,27. Potencjalna aplikacja DL jest nieograniczona dzięki etykietom jakości i dużej liczbie rozszerzonych zbiorów danych, co uwalnia specjalistów do zarządzania zadaniem projektowym. W szczególności postęp w obrazie cyfrowym wraz z analizą wspomaganą komputerowo poprawił automatyczną diagnostykę i badania przesiewowe w pięciu kategoriach zgłaszanych patologii; w tym metody statyczne, dynamiczne, zrobotyzowane, obrazowania całych slajdów i metody hybrydowe<klasa sup="xref">28. Należy wziąć pod uwagę, że integracja podejść opartych na algorytmach DL i cyfrowych danych obrazowych może zachęcić lokalny personel do korzystania z tej technologii w codziennych praktykach.
Poprzednio udowodniono wzrost dokładności przewidywania wynikający z zastosowania modelu hybrydowego27. Aby zidentyfikować pasożyta trypanosomu na obrazach mikroskopowych, w badaniu przedstawiono dwa modele hybrydowe, wykorzystujące algorytmy YOLOv4-tiny (wykrywanie obiektów) i Densenet201 (klasyfikacja obiektów). Spośród kilku modeli detekcji, YOLOv4-tiny ze szkieletem CSPDarknet53 wykazał się wysoką wydajnością jako wynik predykcji pod względem lokalizacji i klasyfikacji29. Ponieważ detektor w czasie rzeczywistym zmodyfikował optymalną równowagę między rozdzielczością sieci wejściowej, ilością warstwy konwolucyjnej, całkowitym parametrem i liczbą wyjść warstwy, poprawił priorytetyzację dużych prędkości operacyjnych i optymalizację pod kątem obliczeń równoległych w porównaniu z poprzednimi wersjami. Gęsta sieć konwolucyjna (DenseNet) to kolejny popularny model, który osiąga najnowocześniejsze wyniki w konkurencyjnych zestawach danych. DenseNet201 przyniósł podobny błąd walidacji porównywalny do tego z ResNet101; jednak DenseNet201 ma mniej niż 20 milionów parametrów, czyli mniej niż ponad 40 milionów parametrów ResNet10130. W związku z tym model DenseNet może poprawić dokładność przewidywania przy rosnącej liczbie parametrów bez oznak nadmiernego dopasowania. W tym przypadku program sztucznej inteligencji (AI) wykorzystuje hybrydowy algorytm głębokiego uczenia z głębokim wykrywaniem i klasyfikacją sieci neuronowych na wewnętrznej platformie CiRA CORE. Opracowany program może zidentyfikować i sklasyfikować gatunki trypanosomów pierwotniaków, a mianowicie Trypanosoma cruzi, T. brucei i T. evansi, na podstawie obrazów mikroskopowych zanurzonych w oleju. Technologia ta może zrewolucjonizować nadzór i kontrolę chorób, zapewniając szybką, zautomatyzowaną i dokładną metodę badań przesiewowych. Może to pomóc lokalnemu personelowi w podejmowaniu bardziej świadomych decyzji dotyczących strategii blokowania transmisji w przypadku pasożytniczej choroby pierwotniaków.

<table><tbody><tr><td>Darknet19, Darknet53 i Densenet201</td><td>Gao Huang, Z. L., Laurens van der Maaten. Gęsto połączone sieci konwolucyjne. arXiv:1608.06993 [cs. CV]. (2016)</td><td>https://github.com/liuzhuang13/DenseNet&nbsp;</td><td>Głęboki konwolucyjny model sieci neuronowej, który może funkcjonować do&nbsp; klasyfikacja <silny>Nazwa ogólna</silny>: model YOLO/model detekcji?</td></tr><tr><td>Model Olympus CX31 CX31RRBSFA</td><td>&nbsp; Olympus, Tokio, Japonia</td><td>SN 4G42178&nbsp;</td><td>Mikroskop świetlny&nbsp;</td></tr><tr><td>Olympus DP21-SAL U-TV0.5XC-3</td><td>&nbsp; Olympus, Tokio, Japonia</td><td>SN 3D03838</td><td>Aparat cyfrowy Nazwa ogólna: Modele klasyfikacyjne/ gęsto CNNs</td></tr><tr><td>Window 10</td><td>Microsoft</td><td>Window 10</td><td>System operacyjny w komputerach</td></tr><tr><td>YOLO v4-tiny&nbsp;</td><td>Naing, KM i wsp. Automatyczne rozpoznawanie produktów pasożytniczych w badaniu kału przy użyciu podejścia do wykrywania obiektów. PeerJ Comput Sci. 8 e1065, (2022).</td><td>https://git.cira-lab.com/users/sign_in</td><td>Głęboki konwolucyjny model sieci neuronowej, który może działać zarówno do lokalizacji, jak i klasyfikacji&nbsp;</td></tr><tr><td></td><td></td><td></td><td></td>https://git.cira-lab.com/users/sign_in</tr></tbody></table>

doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model

Trypanosomatoza jest poważnym problemem zdrowia publicznego w kilku regionach świata, w tym w Azji Południowej i Azji Południowo-Wschodniej. Identyfikacja obszarów hotspotów objętych aktywnym nadzorem jest podstawową procedurą kontroli przenoszenia choroby. Badanie mikroskopowe jest powszechnie stosowaną metodą diagnostyczną. Opiera się jednak przede wszystkim na wykwalifikowanym i doświadczonym personelu. Aby rozwiązać ten problem, wprowadzono program sztucznej inteligencji (AI), który wykorzystuje hybrydową technikę głębokiego uczenia się szkieletów sieci neuronowych do identyfikacji obiektów i klasyfikacji obiektów na wewnętrznej platformie sztucznej inteligencji o niskim kodzie (CiRA CORE). Program może identyfikować i klasyfikować gatunki trypanosomów pierwotniaków, a mianowicie Trypanosoma cruzi, T. brucei i T. evansi, na podstawie obrazów mikroskopowych zanurzonych w oleju. Program sztucznej inteligencji wykorzystuje rozpoznawanie wzorców do obserwacji i analizy wielu pierwotniaków w jednej próbce krwi i podkreśla jądro i kinetoplast każdego pasożyta jako specyficzne cechy charakterystyczne za pomocą mapy uwagi.
Aby ocenić wydajność programu AI, tworzone są dwa unikalne moduły, które dostarczają różnorodnych miar statystycznych, takich jak dokładność, kompletność, specyficzność, precyzja, wynik F1, wskaźnik błędnej klasyfikacji, krzywe charakterystyki operacyjnej odbiornika (ROC) oraz krzywe precyzji w porównaniu z pamięcią (PR). Wyniki oceny pokazują, że algorytm sztucznej inteligencji jest skuteczny w identyfikowaniu i kategoryzowaniu pasożytów. Dostarczając szybkie, zautomatyzowane i dokładne narzędzie do badań przesiewowych, technologia ta ma potencjał, aby przekształcić nadzór i kontrolę chorób. Mogłoby to również pomóc lokalnym urzędnikom w podejmowaniu bardziej świadomych decyzji dotyczących strategii blokowania przenoszenia chorób.

W niniejszym badaniu zaproponowano hybrydowe algorytmy głębokiego uczenia, aby pomóc w automatycznym przewidywaniu pozytywności próbki krwi pod kątem zakażenia pasożytem z rodzaju trypanosom. Zarchiwizowane, barwione giemsą rozmazy krwi zostały poddane segregacji w celu lokalizacji i klasyfikacji komórek zarażonych oraz niezarażonych przy użyciu algorytmu detekcji obiektów opartego na sieci neuronowej z głównym szkieletem darknet. W obrębie każdego prostokątnego pola predykcji uzyskanego z poprzedniego modelu opracowano ...

Na całym świecie medyczne pasożyty krwi były automatycznie badane za pomocą prostych kroków na niskokodowej platformie AI. Udoskonalono prospektywną diagnostykę filmów krwi dzięki zastosowaniu metody wykrywania i klasyfikacji obiektów w hybrydowym modelu głębokiego uczenia. Współpraca aktywnego monitorowania i dobrze wyszkolonych modeli pomaga zidentyfikować punkty zapalne transmisji trypanosomów.

Doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia

Trypanosomiasis is a significant public health problem in several regions across the world, including South Asia and Southeast Asia. The identification of ...

Zakres badań polega na opracowaniu modelu sztucznej inteligencji AI, który wykorzystuje hybrydową technikę głębokiego uczenia się szkieletów wykrywania i klasyfikacji obiektów do definiowania gatunku trypanosomów pierwotniaków, a mianowicie trypanosoma cruzi, T.brucei i T.evansi, na podstawie immersji olejowej, obrazów mikroskopowych na wewnętrznej, niskokodowej platformie AI CiRA CORE. Najnowszym osiągnięciem w naszej dziedzinie badań jest opracowanie algorytmów uczących się, które mogą identyfikować i klasyfikować gatunki trypanosomów na podstawie obrazów mikroskopowych. Program ten ma potencjał, aby zrewolucjonizować nadzór i kontrolę, zapewniając szybką, zautomatyzowaną i dokładną metodę badań przesiewowych, która może być używana przez lokalny personel w odległych obszarach.Wykorzystanie zmodyfikowanych i hybrydowych algorytmów między dwoma różnymi modelami głębokiego uczenia się w ramach programu sztucznej inteligencji może przezwyciężyć wiele wyzwań. Identyfikacja wspólnej morfologii, infekcji mieszanej i niedojrzałej oraz precyzyjna charakterystyka gatunków umożliwia automatyczną standardową taksonomię. Aby rozpocząć, przenieś funkcję DeepTrain z ogólnego paska narzędzi na ekran, aby zainicjować etykietowanie danych i trenowanie.Kliknij przycisk Załaduj obrazy w ustawieniach narzędzia DeepTrain i przejdź do katalogu zawierającego obrazy, aby zaimportować i oznaczyć obrazy. Następnie kliknij i przytrzymaj lewy przycisk myszy, aby oznaczyć obiekty i przypisać nazwy wybranym obiektom. Kliknij Zapisz GT, aby zapisać plik gt w tym samym katalogu.Przed rozpoczęciem trenowania modelu kliknij przycisk Ustawienia generacji, aby uzyskać dostęp do funkcji rozszerzania danych. Wykorzystaj cztery rodzaje rozszerzeń, a mianowicie obrót, kontrast, szum i rozmycie, aby wzbogacić zestaw danych. Aby rozpocząć trenowanie modelu, kliknij przycisk Trenowanie znajdujący się w narzędziu DeepTrain.W funkcji Generuj pliki treningowe wybierz modele, rozmiar partii i podpodziały. Kliknij przycisk Generuj, aby wygenerować dane i zapisać je w katalogu. Po skonfigurowaniu wszystkich ustawień kliknij przycisk Train (Trenuj), aby zainicjować trenowanie modelu.Program automatycznie wykona i dostosuje wagę zestawu danych podczas oceny utraty wytrenowania. Po osiągnięciu optymalnej straty kliknij przycisk Eksportuj i zapisz plik wagi w katalogu. Aby kontynuować ocenę modelu wykrywania obiektów, wybierz opcję Evaluate na pasku narzędzi wtyczki i przenieś funkcję EvalDetect na ekran.Następnie kliknij przycisk Ustawienia. Poczekaj, aż pojawią się trzy funkcje: Wykrywanie, Ocena i Wykres. Aby rozpocząć ocenę modelu, kliknij przycisk Załaduj konfigurację i zaimportuj plik wytrenowanej wagi z katalogu.Aby zaimportować obrazy testowe z katalogu plików obrazów, kliknij przycisk Przeglądaj. Następnie kliknij przycisk Załaduj GT, aby zaimportować plik gt. Następnie kliknij przycisk Ocena, aby ocenić model wykrywania w katalogu.Po zakończeniu wyniki zostaną automatycznie zapisane jako plik csv w tym samym katalogu posortowanym według nazwy klasy, zawierającym kluczowe parametry, takie jak wynik prawdziwie dodatni, fałszywie dodatni, fałszywie ujemny, kompletność i precyzja dla każdej klasy. Aby wygenerować krzywą dokładności lub PR, przejdź do funkcji Wykres. Kliknij przycisk Przeglądaj, aby zaimportować pliki csv z katalogu.Wybierz żądane klasy z listy i kliknij przycisk Kreśl, aby wyświetlić krzywą PR. Kliknij przycisk Zapisz, aby zapisać obraz z wartościami AUC krzywej PR w wymaganym formacie obrazu w wybranym katalogu. Aby wybrać funkcję Trenowanie modelu klasyfikacji obrazów, przejdź do paska narzędzi obrazu, wybierz pozycję DeepClassif i przenieś pozycję ClassifTrain na ekran.Aby zaimportować obrazy do trenowania, kliknij przycisk otwierania folderu w ustawieniach narzędzia ClassifTrain i przejdź do katalogu zawierającego obrazy. Przed trenowaniem wzbogać zestaw danych, klikając przycisk Augmentation (Rozszerzenie) i stosując techniki, takie jak obrót, kontrast, odwracanie, szum i rozmycie. Aby zainicjować proces trenowania modelu, kliknij przycisk GenTrain w narzędziu ClassifTrain.W obszarze GenTrain wybierz żądane modele, rozmiar partii i podpodziały. Przypisz katalog, w którym chcesz zapisać wygenerowane dane, a następnie kliknij przycisk Generuj. Po zakończeniu wszystkich konfiguracji kliknij przycisk Start.Program będzie działał w sposób ciągły, oceniając straty treningowe i dostosowując wagę zestawu danych w razie potrzeby. Po osiągnięciu żądanego poziomu strat kliknij przycisk Eksportuj i zapisz plik wagi w określonym katalogu. Aby rozpocząć, przejdź do paska narzędzi wtyczki.Następnie przeciągnij i upuść funkcję EvaluateClassif na ekran. Kliknij przycisk Oceń znajdujący się w narzędziu EvaluateClassif. Kliknij przycisk Załaduj obraz folderu, aby zaimportować obrazy testowe i Załaduj konfigurację, aby zaimportować plik wytrenowanej wagi z katalogu.Następnie kliknij przycisk Start, aby ocenić model klasyfikacji. Po ocenie kliknij przycisk Eksportuj do pliku CSV, aby zapisać wyniki jako plik csv w katalogu. Aby ocenić dane przy każdym progu, kliknij próg Rozpocznij wszystko, aby zapisać plik csv w katalogu z nazwami klas, w tym parametrami, takimi jak kompletność, wskaźnik wyników prawdziwie dodatnich, wskaźnik wyników fałszywie dodatnich i precyzja dla każdej klasy.Aby wykreślić krzywą charakterystyki operacyjnej odbiornika, kliknij przycisk Kreśl ROC znajdujący się w narzędziu EvaluateClassif. Kliknij przycisk Przeglądaj i zaimportuj pliki csv z katalogu. Sprawdź zaimportowaną listę klas i wybierz każdą etykietę klasy, aby wykreślić krzywą ROC.Następnie, aby wyświetlić krzywą ROC, kliknij przycisk Wykres. Wprowadź dowolne zmiany we właściwościach obrazu, takich jak rozmiar czcionki, kolory czcionek, zaokrąglanie miejsc dziesiętnych, style linii i kolory linii. Na koniec kliknij przycisk Zapisz, aby zapisać obraz krzywej ROC z wartościami AUC w wymaganym formacie obrazu w katalogu.Aby rozpocząć, przejdź do ogólnego paska narzędzi, kliknij ButtonRun, a następnie kliknij Debuguj, aby uruchomić model testowania hybrydowego. Następnie przejdź do paska narzędzi obrazu, wybierz Pobieranie i wybierz ImageSlide. Przejdź do DeepComposite i kliknij DeepD-C.Przed rozpoczęciem fazy testowania obrazów kliknij opcję Ustawienia dostępną w narzędziu ImageSlide i zaimportuj obrazy testowe. Następnie kliknij opcję Ustawienia w narzędziu DeepD-C, aby zaimportować dwa zapisane pliki wytrenowanej wagi. Aby uzyskać funkcję Wykryj, kliknij przycisk Config, przycisk Plus i wybierz backend CUDA lub CPU.Podaj nazwę i kliknij przycisk OK. Wybierz katalog z plikiem wagi i kliknij przycisk Wybierz. W przypadku funkcji Classif kliknij przycisk Config, a następnie przycisk Plus, a następnie wybierz zaplecze. Podaj nazwę i kliknij przycisk OK. Następnie wybierz katalog dla pliku wagi i kliknij Wybierz.Aby wyświetlić wyniki obrazu testowego, kliknij funkcję Obraz dostępną w narzędziu Debug. Na koniec, aby ocenić przewidywane wyniki dla każdego obrazu, kliknij przycisk Uruchom znajdujący się w narzędziu ButtonRun.

superior-auto-identification-trypanosome-parasites-using-hybrid-deep

Research

JoVE Journal

Bioengineering

Bioinżynieria

Ten manuskrypt opisuje użycie bioluminescencyjnego szczepu afrykańskich trypanosomów do śledzenia późnych stadiów infekcji i pokazuje, jak obrazowanie na żywo in vivo może być wykorzystane do wizualizacji infekcji w ośrodkowym układzie nerwowym w czasie rzeczywistym.

Obrazowanie bioluminescencyjne w celu wykrycia późnego stadium zakażenia trypanosomatozą afrykańską

Aspiracja cienkoigłowa to technika, dzięki której komórki są uzyskiwane z uszkodzenia lub narządu za pomocą cienkiej igły. Odessany materiał jest rozmazywany, barwiony i badany pod mikroskopem w celu diagnozy lub wykorzystywany do biologii molekularnej, cytometrii lub analizy in vitro. Jest tani, prosty, szybki i powoduje minimalną traumę.

Wykrywanie pasożytów trypanosoma zewnątrznaczyniowego za pomocą aspiracji cienkoigłowej

Opisujemy metodę pomiaru energii wiązania, wyrażonej jako napięcie powierzchniowe tkanki, pomiędzy komórkami wewnątrz trójwymiarowych agregatów przypominających tkankę. Wykazano, że różnice w napięciu powierzchniowym tkanki korelują z inwazyjnością nowotworów płuc, mięśni i mózgu oraz są fundamentalnymi czynnikami determinującymi ustanawianie relacji przestrzennych między różnymi typami komórek.

Pomiar kohezji agregatów metodą tensjometrii powierzchni tkanek

Polipy fałdów głosowych mogą zakłócać dynamikę fałdów głosowych, a tym samym mogą mieć katastrofalne konsekwencje dla zdolności pacjenta do komunikowania się. Trójwymiarowa separacja przepływu indukowana przez naścienny polip modelowy i jego wpływ na obciążenie ciśnieniowe ściany jest badana za pomocą prędkości obrazu cząstek, wizualizacji linii tarcia skóry i pomiarów ciśnienia w ścianie.

Badanie trójwymiarowej separacji przepływu indukowanej przez modelowy polip fałdu głosowego

Opisujemy protokół obrazowania hybrydowego, łączący tomografię za pośrednictwem fluorescencji (FMT) z mikrotomografią komputerową (μCT). Po fuzji i rekonstrukcji przeprowadzamy interaktywną segmentację narządów w celu wyodrębnienia ilościowych pomiarów rozkładu fluorescencji.

Hybrydowe obrazowanie μCT-FMT i analiza obrazu

Ulepszona mikroskopia ciemnego pola i obrazowanie hiperspektralne z mapowaniem spektralnym umożliwiają badania, lokalizację i identyfikację materiałów w skali nano w próbkach histologicznych z większą szybkością i dokładnością w porównaniu z tradycyjnymi metodami. Celem niniejszej pracy jest przedstawienie metod obrazowania w ciemnym polu i mapowania hiperspektralnego nanocząstek tlenków metali w próbkach histologicznych.

Identyfikacja nanocząstek tlenków metali w próbkach histologicznych za pomocą ulepszonej mikroskopii ciemnego pola i mapowania hiperspektralnego

Przedstawiamy łatwą metodę wytwarzania biodegradowalnej platformy uwalniania leków na bazie żelatyny, która reaguje magnetotermicznie. Udało się to osiągnąć poprzez włączenie superparamagnetycznych nanocząstek tlenku żelaza i poli(N-izopropylacyloamidu-ko-akrylamidu) do sferycznej mikrosieci żelatynowej usieciowanej za pomocą genipiny, w połączeniu z systemem aplikacji zmiennego pola magnetycznego.

Naprzemiennie reagujące na pole magnetyczne hybrydowe mikrożele żelatynowe do kontrolowanego uwalniania leków

Ten protokół wykorzystuje stereo z wieloma widokami do generowania trójwymiarowych (3D) modeli z nieskalibrowanych sekwencji zdjęć, dzięki czemu jest przystępny cenowo i można go dostosować do warunków chirurgicznych. Mapy odkształceń między modelami 3D są określane ilościowo za pomocą kinematyki izogeometrycznej opartej na splajnach, która ułatwia odwzorowanie gładkich powierzchni na grubych oczkach o tej samej parametryzacji.

Kwantyfikacja odkształcenia w świńskim modelu rozszerzania się skóry przy użyciu kinematyki stereoskopowej i izogeometrycznej Multi-View

Proszek bambusowy został wstępnie potraktowany NaOH i enzymatycznie hydrolizowany. Hydrolizat bambusa został wykorzystany jako surowiec do produkcji 2,3-butanodiolu, R-acetoiny, kwasu 2-ketoglukonowego i kwasu ksylonowego przez Klebsiella pneumoniae.

Produkcja chemikaliów przez Klebsiella pneumoniae z wykorzystaniem hydrolizatu bambusa jako surowca

Wykrywanie endotoksyn w nanomateriałach inżynieryjnych stanowi jedno z największych wyzwań w dziedzinie nanomedycyny. W tym miejscu przedstawiamy studium przypadku, które opisuje ramy składające się z trzech różnych formatów LAL w celu oszacowania potencjalnego zanieczyszczenia endotoksynami w nanocząstkach.

Wykrywanie endotoksyn w nanopreparatach za pomocą testów lizatu amebocytów limulusa (LAL)

Poznaj hybrydowy model głębokiego uczenia do automatycznej identyfikacji pasożytów trypanosomów z mikroskopowych obrazów krwi. Ta metoda umożliwia szybką i precyzyjną diagnostykę T. cruzi, T. brucei i T. evansi.

Doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia

Przeglądaj więcej filmów