技术文章和通讯

加速神经与MATLAB图像分析,这里大脑科学研究所

理研大脑科学研究所,小林徐怀钰,穆罕默德Muquit MathWorks


理研脑科学研究所,我们正在调查受到高度监管哺乳动物中枢神经系统是如何建立,以及它是如何受到环境和遗传因素的影响。作为这项研究的一部分,我们使用标准遗传程序开发基因突变小鼠,并研究这些老鼠的行为表型。使用这个实验数据我们通过分析特定基因与行为的大脑区域如何应对外界刺激如气味、声音和光线。一个目标是更好的理解分子和细胞机制关注和冲动,并推进相关行为障碍的治疗。

量化的活动在一个特定的大脑区域,我们用大脑切片成像和标准enzyme-antibody染色检测c-Fos的表达水平,蛋白质被认为是神经活动的一项指标。染料是活性细胞黑暗,使他们能够被识别并统计在大脑的显微图像(图1)。

图1所示。大脑图像显示黑暗的斑点表明c-Fos的存在,因此,神经活动。
图1所示。大脑图像显示黑暗的斑点表明c-Fos的存在,因此,神经活动。

在图像分析中,我们遇到了一个神经科学和生物学实验室中经常出现的挑战:检测和计数点的成千上万的图片。我们的团队与MathWorks顾问合作,开发一个MATLAB®应用程序自动化相关点的检测和简化了过程用于管理图像数据在实验室里。这个应用程序分析单个图像所需的时间减少了100倍,增加的数量样品实验室分析,识别那些错过的地方在手动检查,并简化数据管理。

分析图像手动

因为一个典型图像处理实验室包含从300年到400年,日本研究人员经常花了15分钟以上分析每个图像。大约有100张图片必须为每个测试分析主题,所以花了几天来处理图像只有一个鼠标。的工作是单调的,结果容易受到偏见和主体性。例如,我们发现,当图像有许多斑点,研究人员倾向于计算某些黑暗领域,用更少的斑点会忽略图像。

除了工作需要处理一个单一的形象,我们的团队花了大量的时间管理和跟踪的所有图像的数据处理。有时,文件都暂时放错了地方,很难跟踪的图像,需要进一步分析。

理研MathWorks顾问联系,解决这些挑战,提出发展与MATLAB的应用,图像处理工具箱™自动检测和计数点和帮助我们简化实验结果数据管理的工作流程。

开发算法来确定阈值

确定点在图像的关键一步是找到一个像素亮度阈值,高于任何黑暗的区域被认为是一个点。一旦建立了这个阈值,它用于原始灰度图像转换成一个二进制版本,每个点是完全白色,背景全黑,分别用1和0表示。这个阈值,然而,从图像到图像。更重要的是,最有效的技术来识别阈值也可能从图像到图像。

MathWorks咨询团队实现四个不同算法寻找阈值。第一个使用graythresh函数在图像处理工具箱应用大津的方法,确定一个阈值,将黑白像素的组合方差最小化。第二个算法选择阈值基于全球像素密度,这样两边的像素比例全球强度阈值是一个函数的方差。第二第三个使用相同的方法,但是是基于局部强度方差而不是全球性的。第四个使用相同的方法作为第三,但一个额外的步骤适用于单独的点连接起来,给一个更准确的计数在许多图像点触摸彼此。

图像预处理和后处理

除了算法为设置一个阈值,开发MathWorks顾问也实现预处理和后处理措施改善整个过程的有效性。

预处理步骤包括减少晕光的效果通过调整对比度和强度,减少噪声通过一个低通滤波器,平滑边缘与形态学操作。应用于二进制图像后处理步骤包括中值滤波和形态学操作区分斑点噪声和边缘无关。

后处理后,blob分析在图像上执行计算黑点和消除任何剩余的数量大黑暗区域或背景噪音。

顾问测试预处理、阈值、后处理和blob分析操作数以百计的图像细化算法和调整参数。

构建一个图形界面

日本研究人员更容易利用图像处理算法,咨询团队开发了一种基于MATLAB的界面(图2)。

图2。图形界面进行处理大脑细胞图像。
图2。图形界面进行处理大脑细胞图像。

加载图像处理后,我们使用接口来标记一个感兴趣的区域(ROI)的图像(图3)。

图3。感兴趣的区域用一个多边形,用于识别图像的面积,研究人员希望分析。
图3。感兴趣的区域用多边形(上),用于识别图像的面积,研究人员希望分析(底部)。

然后我们选择所需的阈值算法和调用图像处理算法。点确定的算法计算,提出在屏幕上进行审核。我们有时会立即再处理图像使用不同的阈值方法在使用最有效的方法产生的结果,特定的形象。

作为最后一步,我们指定一个MATLAB或微软®Excel文件中保存的结果,其中包括点的数量,以及数量,日期,阈值方法,使用和投资回报率。

加速研究

使用新的MATLAB图像处理应用程序中,我们可以分析一个图像在seconds-significantly比15分钟之前需要更少的时间。在过去,我们的团队很少执行大脑的神经影像学分析整个区域图像(约100),因为它需要太多的时间和精力。相反的,这一分析现在与MATLAB在几分钟内完成。同样重要的是,我们取得更好的结果,因为检测算法识别肉眼不能察觉的地方。

自动MATLAB系统到位,我们花更少的时间在冗长的计算任务,让我们集中更多的注意力和专业知识在至关重要的研究活动。这额外的时间,再加上处理能力比以前更多的图像,使得这里之前没有考虑探索一些新的研究路径,并促成了我们组的研究进展。例如,我们现在可以屏幕整个大脑区域找到ROI对于给定的刺激,比较不同组的转基因科目。

我们计划实施与MATLAB图像处理自动化类似的研究项目,包括一个用于钙指标突出一个活细胞的响应某些刺激在一个染色体图像,另一个涉及在活的有机体内信号分析。

关于作者

小林徐怀钰博士是一个科学家在行为遗传学实验室,日本理研大脑科学研究所。他目前正在调查精神疾病病理机制使用基于分子遗传学方法。他收到了从研究生院医学科学博士学位,九州大学,2013年。

穆罕默德Muquit是MathWorks高级咨询工程师。他持有计算机工程专业,系统信息科学硕士学位和博士学位从东北大学计算机和数学科学,日本。他的研究兴趣包括计算机视觉、医学图像分析、生物识别技术。

2014 - 92179 v00出版

查看相关文章的能力

为相关行业观点文章