GemIdent - GemIdent

Логотип GemIdent

GemIdent это интерактивный распознавание изображений программа, которая определяет интересующие регионы в изображениях и фотографиях. Он специально разработан для изображений с небольшим количеством цветов, где интересующие объекты выглядят одинаково с небольшими вариациями. Например, цвет сегментация изображения из:

  • Апельсины с дерева
  • Окрашенные клетки с микроскопических изображений

GemIdent также включает инструменты анализа данных для исследования пространственных отношений между идентифицированными объектами.

История

GemIdent был разработан в Стэндфордский Университет Адам Капельнер с июня 2006 г. по январь 2007 г. в лаборатории доктора Питера Ли под руководством профессора Сьюзан Холмс.[1] Идея была вдохновлена ​​данными Kohrt et al.[2] кто проанализировал иммунные профили лимфатический узел у больных раком груди. Следовательно, GemIdent хорошо работает при идентификации ячеек в IHC -окрашенные ткани, полученные с помощью автоматизированного световая микроскопия когда окрашивание ядерного фона и окрашивание мембраны / цитоплазмы четко определены. В 2008 году он был адаптирован для поддержки мультиспектральная съемка техники.[3]

Методология

GemIdent использует контролируемое обучение для автоматического определения интересующих областей на изображениях. Следовательно, пользователь должен проделать значительный объем работы, сначала предоставив соответствующие цвета, а затем указав примеры самих объектов или областей, а также негативы (Обучающий набор творчество).

Когда пользователь нажимает на пиксель, многие оценки генерируются с использованием информации о цвете окружающей среды через Оценка кольца Махаланобиса генерация атрибутов (подробное описание см. в статье JSS). Эти оценки затем используются для построения случайный лес классификатор машинного обучения, который затем классифицирует пиксели в любом заданном изображении.

После классификации могут быть ошибки. Пользователь может вернуться к обучению и указать на конкретные ошибки, а затем изменить класс. Эти итерации обучения-классификации-переподготовки-переклассификации (считаются интерактивными повышение ) может привести к очень точной сегментации.

Недавние приложения

В 2010 году Setiadi et al.[4] проанализировали гистологические срезы лимфатических узлов, глядя на пространственную плотность В- и Т-клеток. «Числа клеток не отражают весь спектр информации, закодированной в тканях».

Исходный код

Ява исходный код теперь с открытым исходным кодом под GPL2.[5]

Примеры

GemIdent определяет апельсины в апельсиновой роще

Необработанная фотография (слева), наложенная маска, показывающая результаты классификации пикселей (в центре), и, наконец, фотография помечена центроидами интересующего объекта - апельсинами (справа)

GemIdent идентифицирует раковые клетки на микроскопическом изображении

Необработанное микроскопическое изображение окрашенного лимфатического узла (слева) из исследования Kohrt,[2] наложенная маска, показывающая результаты классификации пикселей (в центре), и, наконец, изображение помечается центроидами интересующего объекта - ядер рака (справа)

GemIdent идентифицирует раковые клетки, Т-клетки и фоновые ядра на микроскопическом изображении

Этот пример демонстрирует способность GemIdent находить несколько фенотипов на одном изображении: необработанное микроскопическое изображение окрашенного лимфатического узла (вверху слева) из исследования Kohrt,[2] наложенная маска, показывающая результаты классификации пикселей (вверху справа), и, наконец, изображение, отмеченное центроидами интересующих объектов - ядер рака (зелеными звездами), Т-клеток (желтыми звездами) и неспецифических фоновые ядра (в голубых звездах).

GemIdent анализирует результаты с помощью инструментов анализа и визуализации данных

Интерфейс анализа и визуализации данных командной строки в действии, анализирующий результаты классификации лимфатического узла из исследования Kohrt.[2] В гистограмма отображает распределение расстояний от Т-клеток до соседних раковых клеток. Бинарное изображение раковой мембраны является результатом классификации только пикселей. Открыто PDF документ представляет собой автоматически сгенерированный отчет об анализе, который включает в себя эскиз всего лимфатического узла, количество и частоту ошибок типа I для всех фенотипы, а также стенограмма выполненных анализов.

использованная литература

  1. ^ Капельнер, Адам; Питер П. Ли; Сьюзан Холмс (июль 2007 г.). «Интерактивная статистическая система сегментации и визуализации изображений». Медивис. Компьютерное общество IEEE. 0: 81–86. Дои:10.1109 / MEDIVIS.2007.5. ISBN  0-7695-2904-6. Архивировано из оригинал 15 апреля 2013 г.
  2. ^ а б c d Kohrt, Holbrook E; Навид Нури; Кент Новелс; Дениз Джонсон; Сьюзан Холмс; Питер П. Ли (сентябрь 2005 г.). «Профиль иммунных клеток в подмышечных лимфатических узлах предсказывает выживаемость без болезней при раке груди». PLOS Медицина. 2 (9): e284. Дои:10.1371 / journal.pmed.0020284. ISSN  1549-1676. ЧВК  1198041. PMID  16124834.
  3. ^ Холмс, Сьюзен; Адам Капельнер; Питер П. Ли (15 января 2009 г.). "Интерактивная система сегментации статистических изображений Java: GemIdent". Журнал статистического программного обеспечения. 30 (10): 1–20. ISSN  1548-7660.
  4. ^ Сетиади, Франческа; Нельсон С. Рей; Холбрук Э. Корт; Адам Капельнер; Валерия Каркамо-Кавасос; Эдина Б. Левич; Сина Ядегариня; Крис М. ван дер Лоос; Эрих Дж. Шварц; Сьюзан Холмс; Питер П. Ли (25 августа 2010 г.). «Количественный, архитектурный анализ субпопуляций иммунных клеток в лимфатических узлах, отводящих от опухоли от больных раком груди и здоровых лимфатических узлов». PLoS ONE. 5 (8): 1–20. Дои:10.1371 / journal.pone.0012420. ЧВК  2928294. PMID  20811638.
  5. ^ https://github.com/kapelner/GemIdent

внешние ссылки