|
術者のバイアスや裁量に依存することなく、最小限の画像処理パラメータの設定で蛍光顕微鏡画像を定量解析する方法を開発した。具体的には、蛍光顕微鏡画像を一定の大きさのマス目(以下gridと呼ぶ)で区切り、それぞれのgridを構成する画素の蛍光強度の要約統計量 (中央値など) を計算する。この要約統計量がgridを表現する数値であり、画像定量の基本データとした。次に、細胞核に一致するgridのみを要約統計量の組み合わせを利用して分類する機械学習のアルゴリズムを開発し、細胞核に存在する分子の定量に成功した。また、gridの要約統計量からgridをクラス分類するアルゴリズムの改良ではgridの画像内での位置情報を利用し、ノイズやアーチファクトに属するgridを効率良く、かつ非裁量的に排除する仕組みを開発した。
以上の一連の画像処理方法をGBIQ (GridBasedImageQuantification) と名付け、理論の詳細を論文発表すると共に、GBIQのソースコードを研究者コミュニティに公開 (https://github.com/yo-ninomy/DemoScripts) した。
生物試料の調製日時が異なると、利用する試薬のロットや染色手技・条件のばらつき、個体差などの要因により、同じ生命現象を観察しても染色性やバックグラウンドなどの出方が異なる。このように染色結果にばらつきのある生物試料をまとめて定量化することは難しく、術者の定性的観察による結果の解釈・記述を行うしかなかった。そこで、GBIQの方法で定量化した異なる生物試料の複数の結果を統合し、ベイズモデルによって染色性のばらつきやバックグラウンドノイズ、個体差をモデル化した。その結果、GBIQによる複数の定量結果を非裁量的に処理し、定性的観察に頼らない定量的な結果の記述や解釈が可能となった。
|
