MSInet:一个自主监督的CNN框架,整合全球和本地环境,实现强大的质谱成像细分

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 质谱成像 (MSI) 提供无标签的分子映射,但由于数据复杂性和组织异质性,在空间细分方面面临挑战.
• 现有的无监督集群方法往往无法整合空间信息,导致不准确和碎片化的细分结果.

研究的目的:

• 引入MSInet,一个自主监督的深度学习框架,旨在对质谱成像数据进行强大且无注释的空间细分.
• 通过整合全球和本地上下文信息来提高MSI细分的准确性和生物相关性.

主要方法:

• 开发了MSInet,这是一个卷积神经网络框架,用于全球关系的补丁智能对比学习和用于局部空间一致性的超像素引导精细化.
• 利用双重一致性培训策略,提高全球背景意识和地方边界精度.
• 在小鼠大脑的MALDI-MSI,瘤的DESI-MSI和合成数据集上评估MSInet.

主要成果:

• 在MSI数据集的多样化中,MSInet在细分精度和生物忠实性方面显著超过了最先进的方法.
• 在模拟数据上实现了高性能 (调整后的兰德指数=0.89,规范后的相互信息=0.86),与基线方法相比显著改善.
• 精确地划出了大脑组织中的复杂解剖结构,并在脏瘤中区分了关键区域,与组织学数据密切结合.
• 在MSI数据中表现出固有的对噪声的稳定性.

结论:

• 通过有效地整合全球和本地上下文建模,MSInet为准确,生物学上有意义的MSI细分提供了强大而可扩展的解决方案.
• MSInet的自我监督,无注释的性质使其广泛适用于空间学和各种生物医学研究领域.
• 这一框架在利用深度学习来进行复杂的生物数据分析方面取得了重大进展.