天游线路检测中心 FINE-AI Filter 的机器学习模型提高海量图像的图像质量 |应用说明|日本日本株式会社

天游线路检测中心基质辅助激光解吸电离（MALDI）的质量成像（MSI）技术近年来在各个领域得到越来越多的应用。通过天游线路检测中心 MALDI（一种软电离方法），可以可视化各种分子的定位。另一方面，MALDI-MSI存在提取的海量图像信噪比较低的问题，主要是由于以下两个原因。 I) 喷射到样品表面的电离促进剂（基质）的晶体出现不均匀性。 II) 由于每个像素是几十微米见方的局部分析，因此从该区域获得的离子量很少。这些被认为在提取的具有低峰值强度的痕量成分的质量图像中特别明显。因此，在本报告中，我们将报告天游线路检测中心 FINE-AI Filter 来提高提取的大量图像的图像质量的尝试，该过滤器是通过应用从扫描电子显微镜图像 (SEM) 的二次电子图像到 MALDI-MSI 创建的噪声滤波器的机器学习模型而开发的。

实验

天游线路检测中心 SEM 二次电子图像的机器学习模型是通过以下步骤创建的。对于机器学习，我们天游线路检测中心了条件生成对抗网络（cGAN），这是一种监督机器学习方法。首先，准备了约 3,000 张高质量二次电子图像作为训练数据。接下来，通过天游线路检测中心多个级别的信噪比设置将遵循泊松分布的散粒噪声添加到高质量图像中来创建低质量图像。当低质量的二次电子图像输入到图1中的发生器时，就会生成高质量的二次电子图像。通过反复比较测量的高质量二次电子图像与机器学习模型创建的高质量二次电子图像来进行学习。为了提高提取的海量图像的图像质量，我们天游线路检测中心经过训练的生成器，但由于SEM的视角是固定的，而MALDI-MSI的视角可以任意设置，因此我们设计了FINE-AI Filter的转换方法。 (i) 如果质量图像小于 SEM 图像尺寸，请并排转换多个图像并剪切一部分。（图2左），（ii）通过修改（i），我们能够通过从数据采集时的尺寸中选择x1、x2和x3来扩大质量图像后提高图像质量。（图2中心），（iii）如果质量图像大于SEM图像尺寸，则将其分成多个部分，转换，然后组合。（图2右）

图 1 天游线路检测中心 SEM 图像开发图像质量改进模型

黑框是SEM图像尺寸（固定），蓝框是MSI图像尺寸（可变）

图2 将天游线路检测中心SEM图像创建的机器学习模型应用于海量图像时的图像尺寸调整方法

结果

显示了天游线路检测中心 FINE-AI Filter 改善图像质量的结果。天游线路检测中心冷冻小鼠脑组织切片作为样品，并将基质 DHB 喷洒在其上。测量在 NewSpiralTOF™ 的 SpiralTOF 正离子模式下进行。像素尺寸为 40 µm，图像尺寸为 125 x 169 像素。平均质谱如图 3 左上方所示。m/z从 700 到 1000 观察到多种脂质（主要是磷脂酰胆碱、磷脂酰乙醇胺和半乳糖神经酰胺）。右上m/z放大约820。通过天游线路检测中心NewSpiralTOF™，我们能够实现一般反射型TOFMS难以实现的同压分离。现在，许多观察到的脂质衍生离子的离子强度相对较低，导致图像质量较差。因此，我们比较了天游线路检测中心FINE-AI Filter、高斯滤波器、分箱等对图像的改进。与常用的高斯滤波器和分箱相比，FINE-AI Filter 能够在保持轮廓的同时提高图像质量。当改变FINE-AI Filter的放大倍数时，发现当放大倍数较小时，精细结构会丢失，而当放大倍数较大时，噪声去除效果不佳。 x2 被认为适合当前的测量结果。认为应根据样品结构和像素大小选择放大倍数。