相关实验视频
Updated: Jul 15, 2026
10:11
Imaging of Extracellular Vesicles by Atomic Force Microscopy
Published on: September 11, 2019
13.3K
用卷积神经网络从扫描电子显微镜图像中提取制药助剂的粒子形态特征
Hiroaki Iwata1, Yoshihiro Hayashi2, Takuto Koyama1
1Graduate School of Medicine, Kyoto University, 53 Shogoin-kawaharacho, Sakyo-ku, Kyoto 606-8507, Japan.
International journal of pharmaceutics
|February 9, 2024
概括
卷积神经网络 (CNN) 从扫描电子显微镜 (SEM) 图像中有效地提取粒子形态特征. 这种方法准确地分类制药辅助剂,并揭示粒子形态的相似性,克服了传统的定量评估挑战.
科学领域:
- 材料科学 材料科学 材料科学
- 制药科学 制药科学
- 计算化学计算化学
背景情况:
- 从扫描电子显微镜 (SEM) 图像中对粒子形态的定量评估至关重要,但耗时.
- 分析制药辅助剂的SEM图像的传统方法通常由于其劳动密集型性而被忽视.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型,从SEM图像中自动提取制药辅助剂颗粒形态的特征.
- 评估CNN衍生特征对分类助剂和识别形态相似性的有用性.
主要方法:
- 获取67种制药辅助剂的SEM图像.
- 构建一个分类CNN模型用于辅助剂的识别.
- 从CNN的中间层提取特征,然后使用统一的多元近似和投影 (UMAP) 减少维度.
- 层次聚类分析 (HCA) 根据提取的形态特征对辅助剂进行分组.
主要成果:
- 该CNN分类模型在识别单个辅助剂方面取得了很高的准确性.
- 层次集群分析 (HCA) 成功将67种辅助剂分为七个不同的集群.
- 同一个集群内的辅助物体表现出非常相似的粒子形态,正如提取的特征所示.
结论:
- CNN模型提供了一种强大而有效的方法,可以从SEM图像中提取有关粒子形态的有意义信息.
- 这种自动化方法有助于准确地分类和识别药物辅助剂之间的相似性,克服手工分析的局限性.
- 该研究表明,深度学习在推进制药科学中微观结构特征的定量分析方面具有潜力.
