2017 Fiscal Year Annual Research Report
Noninvasive cell differentiation discrimination using depth learning
| Project/Area Number |
16K12526
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
新岡 宏彦 大阪大学, データビリティフロンティア機構, 特任准教授(常勤) (70552074)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
田川 聖一 大阪大学, 産業科学研究所, その他 (60592764)
|
|---|
| Project Period (FY) |
2016-04-01 – 2018-03-31
|
| Keywords | 深層学習 / 人工知能 / 画像解析 / 再生医療 / 細胞分化 / 位相差顕微鏡 / ラマン顕微鏡 / スペクトル解析 |
|---|
| Outline of Annual Research Achievements |
培養細胞の分化や、分化後の細胞の成熟度を蛍光分子等使わず非侵襲に判断することの出来る技術の構築を目指し、細胞の位相差画像 と深層学習を用いて非侵襲細胞分化判定システムを構築した。細胞試料としてC2C12細胞(マウス筋芽細胞)を用いた。C2C12細胞の分化 誘導を開始した日をDay0とし、Day0から3日目、6日目をそれぞれDay3、Day6とし、CNNにDay0、Day3、Day6の画像(各5700枚)を学習させ、Day0、Day3、Day6 までのテストデータ(各300枚)を分類させたところ平均91.3%の正答率であった。Day 0, Day 3, Day 6の比較的大きい細胞画像(4080x3072pixel)を用いて、画像内の各領域(200x200 pixel)の細胞をCNN(Concolutional Neura l Network)により識別し、Day 0と認識すれば青色、Dya 3あるいはDay 6と認識すればそれぞれ緑色、赤色というように色分けした。 分化度の違いを色で視覚的に表現できたと言える。iPS細胞を用い、分化前後の細胞を識別したところ、90%以上の正答率で分類することに成功した。また、生体組織由来のラマンスペクトルデータ解析をDNN(Deep Neural Network) により行い分類を行ったところ、それぞれの組織に由来するラマンスペクトルデータをおよそ90%程度の精度で分類することに成功した。ラマン散乱の信号は微弱であり、データ取得に時間がかかる欠点があるため、非線形ラマン散乱(SRS)を用いることでデータ取得のスピードを大幅に向上させた。また、上記と同様のCNNを病理画像解析へ応用したところ、がん細胞と正常組織だけでなく、がん細胞の周辺組織までも分類することに成功した。
|
