Массовое улучшение качества изображений с помощью модели машинного обучения

Масс-спектрометрия (МС) с использованием лазерной десорбции/ионизации с помощью матрицы (MALDI) в последние годы находит все более широкое применение в различных областях. Метод мягкой ионизации MALDI позволяет визуализировать локализацию различных молекул. Однако MALDI-МСИ страдает от низкого отношения сигнал/шум в извлеченных масс-изображениях, главным образом по двум причинам: I) Неравномерность кристаллической морфологии матрицы, распыленной на поверхность образца. II) Каждый пиксель представляет собой локальный анализ примерно нескольких десятков микрометров в квадрате, что приводит к получению небольшого количества ионов из этой области. Эти проблемы особенно выражены в извлеченных масс-изображениях следовых компонентов с низкой интенсивностью пика. Поэтому в данном исследовании мы попытались улучшить качество изображения извлеченных масс-изображений с помощью фильтра FINE-AI, разработанного путем применения модели машинного обучения для фильтрации шума — первоначально созданной на основе изображений вторичных электронов, полученных с помощью сканирующей электронной микроскопии (СЭМ) — к MALDI-МСИ.

Эксперимент

Модель машинного обучения, использующая изображения вторичных электронов, полученные с помощью сканирующего электронного микроскопа (СЭМ), была создана с использованием следующей процедуры. Для обучения использовался метод контролируемого машинного обучения — условная генеративно-состязательная сеть (cGAN). Сначала было подготовлено приблизительно 3000 высококачественных изображений вторичных электронов в качестве обучающих данных. Затем к этим высококачественным изображениям были добавлены низкокачественные изображения путем добавления дробового шума, подчиняющегося распределению Пуассона, при нескольких различных значениях отношения сигнал/шум. Когда низкокачественное изображение вторичных электронов подается на вход генератора, показанного на рисунке 1, генерируется высококачественное изображение вторичных электронов. Обучение проводилось многократно путем сравнения измеренного высококачественного изображения вторичных электронов с высококачественным изображением, сгенерированным моделью машинного обучения.
Хотя для улучшения извлеченных изображений масс использовался обученный генератор, поле зрения в СЭМ фиксировано, тогда как поле зрения в МАЛДИ-МСИ может быть установлено произвольно, поэтому фильтр FINE-AI использует несколько стратегий преобразования. Методы корректировки размера изображения следующие: (i) Когда изображение массы меньше размера изображения СЭМ, создаются несколько копий, которые затем преобразуются, а затем часть результата вырезается (рис. 2, слева). (ii) В качестве варианта метода (i) изображение массы увеличивается относительно полученного размера путем выбора увеличения x1, x2 или x3 перед выполнением улучшения качества изображения (рис. 2, в центре). (iii) Когда изображение массы больше размера изображения СЭМ, оно делится на несколько частей, преобразуется отдельно, а затем объединяется (рис. 2, справа).

Рисунок 1. Разработка модели улучшения качества изображения с использованием изображений, полученных с помощью сканирующего электронного микроскопа.

Черная рамка указывает размер изображения SEM (фиксированный), а синяя рамка — размер изображения MSI (переменный).

Рисунок 2. Коррекция размера изображения при применении моделей машинного обучения, созданных на основе изображений СЭМ, к масс-спектрометрическим изображениям.

Результаты

В качестве образцов использовались замороженные срезы ткани головного мозга мышей, а в качестве матрицы распылялся DHB. Измерения проводились в режиме положительных ионов SpiralTOF на приборе NewSpiralTOF™. Размер пикселя составлял 40 мкм, а размер изображения — 125×169 пикселей. На рисунке 3 в верхнем левом углу показан усредненный масс-спектр. Между ними наблюдались различные липиды (в основном фосфатидилхолин, фосфатидилэтаноламин и галактозилцерамид). м / г 700-1000. В правом верхнем углу показан увеличенный спектр масс в районе 700-1000. м / г 820. Использование NewSpiralTOF™ позволило разделить изобары, что затруднительно при использовании обычных времяпролетных масс-спектрометров рефлекторного типа. Многие из наблюдаемых ионов липидов имели относительно низкую интенсивность, что приводило к низкому качеству изображения. Поэтому мы сравнили методы улучшения изображения с использованием фильтра FINE-AI, гауссова фильтра и биннинга. Фильтр FINE-AI улучшил качество изображения, сохранив при этом контуры, по сравнению с обычно используемыми гауссовыми фильтрами и биннингом. При изменении увеличения фильтра FINE-AI было обнаружено, что мелкие детали теряются при меньшем увеличении, в то время как шумоподавление оказывается недостаточным при большем увеличении. Для результатов этого измерения, x2 представляется подходящим. Увеличение следует выбирать в соответствии со структурой образца и размером пикселя.

Заключение

Для улучшения качества изображений масс-спектрометрии мы попытались применить модель машинного обучения для фильтрации шума, созданную с использованием сканирующего электронного микроскопа. Мы также исследовали методы обработки, позволяющие применять эту модель к изображениям масс-спектрометрии. Было установлено, что этот метод улучшает качество изображений масс-спектрометрии с низким отношением сигнал/шум, например, изображений очень маленьких пиков или изображений, сильно подверженных влиянию матрицы.