Hierarkisk analys av bilddata i tid och rum
- Diarienummer
- BD15-0008
- Start- och slutdatum
- 170101-230630
- Beviljat belopp
- 28 989 627 kr
- Förvaltande organisation
- Uppsala University
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
Bilder innehåller mycket rik information och digitala kameror kan, i kombination med automatisk bildbehandling och analys, detektera och kvantifiera mönster och förlopp. Den vetenskapligt värdefulla informationen är dock ofta glest utspridd och den ständigt ökande hastighet med vilken data insamlas resulterar i datavolymer som ofta överskrider de beräkningsresurser som finns tillgängliga. Vi föreslår här ett hierarkisk tillvägagångsätt för insamling, analys och tolkning av bilddata. Vi vill utveckla beräkningseffektiva mått för databeskrivning, konfidensdriven maskininlärning för bestämning av vetenskaplig relevans, och ett ramverk för intelligenta informationshierarkier som kan distribuera data till beräkningsresurser och lagringsalternativ baserat på låg-nivå mått. Vi kommer att fokusera på mikroskopidata och arbeta med tre specifika områden där bildinsamling resulterar i datavolymer svåra att hantera med dagens beräkningsresurser, nämligen (i) storskaliga tidsstudier av dynamiken hos celler och läkemedelsvesiklar i samarbete med Astra Zeneca, (ii), nanometer-upplöst transmissionselektronmikroskopi i samarbete med Vironova AB, och (iii) multimodal digital patologi i samarbete med forskare vid SciLifeLab Sverige. Vi förväntar oss att våra metoder och ramverk är relevant även för andra vetenskapliga och industriella tillämpningar, som tillexempel övervakning, förebyggande underhåll och kvalitetskontroll.
Populärvetenskaplig beskrivning
Det senaste årtiondet har medfört en explosion av data, och digitala kameror som samlar in information om världen runt omkring oss kan användas inom många olika områden. I livsvetenskaperna är storskalig, automatiserad bildinsamling med mikroskopi ett oumbärligt verktyg både i biologisk och medicinsk grundforskning och i läkemedelsutveckling. Med hjälp av digital bildanalys kan man sedan få ut kvantitativ information om hur läkemedel påverkar tex celler och vävnad. På AstraZenecas forskningsavdelning testar man en mycket lovande metod för att behandla sjukdomar och med mikroskopi studerar man hur molekyler tas upp av celler. Ett annat exempel är företaget Vironova, där man har utvecklat ett litet och automatiserat elektronmikroskop som kan ta bilder av mycket små objekt, som tex virus. På Science for Life Laboratory studerar man vävnadsprover och tar många bilder med hög upplösning för att studera genetisk variation i cancertumörer. Traditionellt har biologiska upptäckter begränsats av brist på informativ data, men högupplöst digitaliserad mikroskopi har under senare år utvecklats i så snabb takt att forskare idag begränsas av svårigheten att analysera all tillgänglig data, detta trots avancerade algoritmer som med hjälp av matematiska modeller letar rätt på relevant information i bilderna. Situationen blir allt svårare i och med att fler och fler experiment samlar in tidsupplöst data. På AstraZeneca är det idag inte möjligt att spara all data som samlas in. Om vi inte utvecklar nya metoder för att hantera och analysera enorma mängder rums-och tidsupplöst bilddata är risken stor att detta blir en flaskhals i den biomedicinska forskningen. Vi angriper problemet på flera sätt. Bilder kan ha kvalitetsproblem som gör dem olämpliga för analys. Genom att snabbt kunna detektera detta direkt vid insamlingen av data kan vi undvika oanvändbart data. Genom avancerade modeller för masikinlärning som snabbt kan välja ut de mest intressanta detaljerna i bilderna kan vi styra mikroskopen så att de fokuserar på intressanta regioner. Slutligen föreslår vi en hierarkisk analys baserad på länkade informationslager där vi systematiskt bygger upp en hieraki där den mest värdefulla informationen prioriteras och görs lätt tillgänglig för forskare i olika molnplattformar för snabbare analys.