Deep Learning Approach for Dynamic Sampling for Multichannel Mass Spectrometry Imaging

要約

従来の直線スキャンを使用する質量分析イメージング (MSI) では、高空間分解能の取得に数時間から数日かかります。
サンプルの視野内のほとんどのピクセルは、多くの場合、基礎となる生物学的構造に関連しておらず、化学的にも有益ではないことを考えると、MSI はスパースおよび動的サンプリング アルゴリズムとの統合の最有力候補として提示されます。
スキャン中、確率モデルは、低エラー再構成の生成に重要な情報を確率的に含む場所を特定します。
必要な物理測定の数を減らすことで、全体の取得時間を最小限に抑えることができます。
畳み込みニューラル ネットワーク (CNN) を利用し、分子量強度分布を 3 次元内にカプセル化するダイナミック サンプリング (DLADS) のディープ ラーニング アプローチは、Nanospray Desorption Electrospray Ionization (nano-DESI) MSI 組織のスループットが 70% 向上することをシミュレーションで示しています。
評価は、最小二乗回帰 (SLADS-LS) および多層パーセプトロン (MLP) ネットワーク (SLADS-Net) を使用して、DLADS と動的サンプリングのための教師あり学習アプローチの間で実施されます。
単一の m/z チャネルに限定された SLADS-LS、マルチチャネル SLADS-LS および SLADS-Net と比較すると、DLADS は回帰性能をそれぞれ 36.7%、7.0%、および 6.2% 向上させ、再構成品質を向上させます。
ターゲットの m/z を取得するための 6.0%、2.1%、および 3.4%。

要約(オリジナル)

Mass Spectrometry Imaging (MSI), using traditional rectilinear scanning, takes hours to days for high spatial resolution acquisitions. Given that most pixels within a sample’s field of view are often neither relevant to underlying biological structures nor chemically informative, MSI presents as a prime candidate for integration with sparse and dynamic sampling algorithms. During a scan, stochastic models determine which locations probabilistically contain information critical to the generation of low-error reconstructions. Decreasing the number of required physical measurements thereby minimizes overall acquisition times. A Deep Learning Approach for Dynamic Sampling (DLADS), utilizing a Convolutional Neural Network (CNN) and encapsulating molecular mass intensity distributions within a third dimension, demonstrates a simulated 70% throughput improvement for Nanospray Desorption Electrospray Ionization (nano-DESI) MSI tissues. Evaluations are conducted between DLADS and a Supervised Learning Approach for Dynamic Sampling, with Least-Squares regression (SLADS-LS) and a Multi-Layer Perceptron (MLP) network (SLADS-Net). When compared with SLADS-LS, limited to a single m/z channel, as well as multichannel SLADS-LS and SLADS-Net, DLADS respectively improves regression performance by 36.7%, 7.0%, and 6.2%, resulting in gains to reconstruction quality of 6.0%, 2.1%, and 3.4% for acquisition of targeted m/z.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google