使用无监督机器学习进行皮下组织结构特征识别

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 皮肤病学 皮肤病学

背景情况:

• 精确量化皮下 (SC) 组织结构对于理解皮肤生理学和开发计算模型至关重要.
• 对SC组织进行手动图像细分是劳动密集型,用户依赖的,并且缺乏可重现性.
• 目前没有用于SC组织结构识别的强大的自动化算法,监督机器学习 (ML) 方法需要广泛的标记数据集.

研究的目的:

• 介绍一种新的无监督机器学习方法,用于自动识别从染色组织学幻灯片上的SC组织结构特征.
• 为了解决SC组织分析缺乏标记数据集的问题,这是监督ML方法的常见局限性.

主要方法:

• 开发了一种新的2D图像转换,以生成近距离强度图,表示每个像素的辐射强度值.
• 将近位强度图缩小为一个低维特征向量空间.
• 采用基于计算的特征向量进行像素分类的K-means集群,使用客观方法进行最佳搜索半径选择.

主要成果:

• 成功证明了猪皮肤SC组织样本中的脂肪组织空间内的原网络的自动化和强大的分类和识别.
• 靠近强度图和特征空间减少使得SC组织结构的有效聚类成为可能.
• 建立了选择最佳搜索半径的客观基础,以尽量减少噪音和特征分离.

结论:

• 提出的无监督ML方法为自动识别SC组织结构提供了一种新的方法.
• 这一进步有助于理解皮肤生理学和开发改进的体外组织模型.
• 该方法为SC组织分析提供了可复制和高效的替代手动细分方法.