形态模拟测试了在3D图像分析中发现表型的极限

科学领域:

• * 计算生物学和生物信息学
• * 发育生物学和进化形态测量学
• * 医学成像和图像分析

背景情况:

• *3D成像技术的进步使得新的基因查方法成为可能,产生了大量的基因淘汰数据集.
• *需要高通量计算方法来识别和描述这些数据集中的表型.
• * 验证探索性图像分析管道是具有挑战性的,因为预期结果的未知性质.

研究的目的:

• * 提出一种新的3D形态模拟方法,用于验证基因屏幕中的图像分析.
• *使用开源工具 (3D Slicer,SlicerMorph,ANTsR) 来创建模拟的形态变异.
• * 测试表型的敏感性,可重现性和检测性,使用基于张量形态测量 (TBM).

主要方法:

• *基于参考图像生成模拟变形,并使用逆变换传播给受试者.
• * 该方法应用于扩散性对比度增强的微型CT图像 (diceCT),可适应任何体积数据.
• *测试TBM恢复模拟形态差异的能力,并评估效应大小和样本大小的影响.

主要成果:

• * TBM成功恢复了模拟数据集中引入的形态差异.
• *表型的检测性取决于效应大小,样本大小和感兴趣的区域 (ROI).
• * 增加样本大小和使用特定的ROI提高了微妙表型的检测.

结论:

• *3D形态模拟是区分现实表型差异与随机变化的有价值工具.
• * 系统地使用ROI增强了TBM检测微妙表型的能力,特别是当增加样本大小是不可行的时.
• *模拟方法在形态测量学中具有广泛的应用,可以增强基于人工智能的监督学习数据集.