成年线虫高分辨率图像的自动标注.ppt

成年线虫高分辨率图像的自动标注 什么是秀丽隐杆线虫 秀丽隐杆线虫（Caenorhabditis elegans）是一种能够在温和环境中独立生存的土壤线虫，以微生物如大肠杆菌（E. coli）等为食，有雄性及雌雄同体（hermaphrodite）两种性别。自然界中，绝大多数个体为雌雄同体，雄性仅占0.05% 秀丽隐杆线虫的优势 线虫是一种非常简单多细胞真核生物。线虫结构简单且通身透明 体细胞数目恒定，雌雄同体的成虫含有959个体细胞和约2000个生殖细胞；雄性成虫有1031个体细胞和约1000个生殖细胞 线虫生命周期短，从一个受精卵发育成可以产卵的成虫只需要两三天，节约了实验所消耗的时间 由于具有雄性和雌雄同体这两种性别，线虫在遗传研究上具有无可比拟的优势 秀丽隐杆线虫的生命周期 研究秀丽隐杆线虫的意义 线虫在生命科学的各个领域，包括胚胎发育、性别决定、细胞凋亡、行为与神经生物学等的研究中得到广泛应用。在MAPK信号传导、细胞程序性死亡、TGF-β信号传递途径、RNAi干扰和small RNA、衰老和寿命及脂肪代谢等方面取得了重大突破。可见线虫作为模式生物对于生命科学领域具有非凡的意义。 组合优化问题介绍 三要素：变量，约束和目标函数 变量：求解过程中选定的基本参数 约束：对变量取值的限制 目标函数：可行方案衡量标准的函数 目标：从组合问题的可行解集中求出最优解 组合优化问题介绍 组合优化问题是在给定的约束条件下，求目标函数最优值(最小值或最大值)的问题。组合优化问题的一个实例可以表示为一个对偶(S, f)，其中解空间S为可行解集，目标函数f是一个映射，定义为 f : S-R 求目标函数最小值的问题称为最小化向题，记为 min f(i) , i 属于 S 同理，求目标函数最大值的同题称为最大化间题，记为 max f(i) , i 属于 S 算法提出的意义 过去标定秀丽隐杆线虫图像上的细胞是手动分割的，这非常的单调并且耗时 之前偶匹配算法是适用于L1状态（第一幼虫时期），它是基于位置的算法，L1时期细胞位置和数目是相对固定的。但是到成虫期，细胞数目急剧增长，细胞种类和空间位置也发生明显变化，故在成虫期不适用 本文算法介绍 本文作者将成年线虫的细胞标定问题转为为组合优化问题，该算法基于先前的偶匹配算法，但丰富了评价函数。加入了诸如细胞尺寸，邻里密度等特征 然后，作者介绍了利用最小损失最大流来解决组合优化问题，并且运用一种基于交叉熵–基学习算法来调节模型的参数，提高匹配正确率 上图是成年线虫在Z轴上的投影，蓝色部分有由DAPI染色，代表细胞中的DNA，绿色是由绿色荧光蛋白（GFP)染色，代表细胞核 算法的表示 将细胞标定问题转化为组合优化问题 假设图像中有p个细胞 （它们的位置和边界已经在预处理中提取）。 表示我们希望预测每个细胞所对应的标签， 表示 的候选标签 代表那些没有被标定细胞， 等代表训练集中q种由专业人员标定的不同细胞。 于是给每个细胞决定的任务就变成了如下组合优化问题： (i)每个细胞只分配一个来自 的标签 (ii)每个标签 只分配给每个细胞 (iii)这个未指定的标签 可能对应了多个细胞 算法的表示 是一个矩阵，当细胞 和标签 相匹配时，将 置1，否则置0。同样的， 是由可能的细胞标签分配所组成的损失函数，最后，问题可表示为： subject to 注：上面的这些限制确保了每个细胞只能分配惟一的标签，反过来也是一样 损失矩阵的定义 众所周知损失值 是算法重要因素。所以我们相对之前的算法考虑了更多的特征，列举如下： （1）细胞位置 （2）细胞尺寸 （3）GFP表达水平 （4）DAPI强度 （5）附近细胞 （6）细胞形状 所有上面的因素都是专业标定师在标定成熟线虫所考虑的特征 损失矩阵的定义 这里，我们先单独考虑细胞的位置（其他的特征的损失矩阵类似）。假设我们已经得到了线虫图像的训练集 我们用 表示在标准虫坐标空间的3D向量坐标，每一维都是零均值和方差。损失矩阵的一种表示方法是马氏距离：