具深度學習之超高像素顯微術於活細胞抗癌藥物治療之高通量動態影像分析系統研製

專案詳細資料

Description

高通量顯微術(High-throughput microscopy, HTM)是癌症研究的一項深具潛力的分析和診斷工具[1]。其特點在於可擷取大面積的影像進而取得於多種生理條件與環境下之巨量的細胞結構以及其行為動力學的時間與空間資訊[2,3],再經由這些資訊達到無偏見及可系統化的生物過程並進行計算評估[4,5],並有機會取得傳統生物顯微無法量測與估算的大量或群體細胞生物過程之隱藏特徵。近年來HTM技術在癌症研究方面取得了重大突破,尤其是在篩選抗癌藥物和鑑定耐藥機制方面,但為了建構同時具有大視場(Field of View, FOV)與高分辨率影像的系統,通常需要裝載高倍率顯微鏡與機械掃描裝置組合構建,不僅增加系統的複雜性和成本,同時限制圖像採集速度,因此在一般實驗室環境下仍無法有廣泛使用度。此外,在分析HTM所採集之大量的圖像數據上也是一項艱鉅而耗時的工作,因此在分析多維圖像和自動化特徵提取仍存在迫切的需求[6-9]。本研究項目將發展一種新穎性的HTM方法,稱為深度學習顯微術(Deep Learning Microscopy, DLM)。將採用計算光學與深度學習此兩項新穎技術進行結合,解決當前HTM面臨的技術挑戰。於計算光學系統為使用傅立葉疊層成像顯微術(Fourier ptychographic microscopy, FPM)[10-12],經由調變不同的照明角度產生具有不同空間移位的光學信息,收集這些低分辨率圖像序列後,重建空間高頻分量之資訊,進而同時取得大視場與高分辨率影像。深度學習(Deep Learning, DL)技術方面,近年來在由大型數據集中獲取與分析信息的能力方面有著令人矚目的進展[13,14]. 尤其在分析高維數據集中複雜的隱藏結構方面成果特別顯著,可有效的使用於高通量影像之分析。本研究計畫將建立一套深度學習顯微系統,利用DL分析來自FPM的大數據圖像資訊,進行癌細胞之篩選抗癌藥物和鑑定耐藥機制之研究[15]。
狀態已完成
有效的開始/結束日期1/04/1830/06/19

聯合國永續發展目標

聯合國會員國於 2015 年同意 17 項全球永續發展目標 (SDG),以終結貧困、保護地球並確保全體的興盛繁榮。此專案有助於以下永續發展目標:

  • SDG 3 - 良好的健康和福祉
  • SDG 8 - 體面的工作和經濟增長
  • SDG 17 - 為永續目標構建夥伴關係

Keywords

  • 顯微術
  • 計算成像
  • 癌細胞
  • 診斷
  • 深度學習
  • 抗藥性

指紋

探索此專案觸及的研究主題。這些標籤是根據基礎獎勵/補助款而產生。共同形成了獨特的指紋。