利用离群值容忍机器学习对流动中红细胞形状进行分类
生物物理
2018-06-22 v1 流体动力学
其他定量生物学
摘要
生物对象的手动评估、分类与计数需要耗费大量时间，且主观的人为输入可能成为误差来源。为克服这一缺陷，我们研究微毛细管泊肃叶流中红细胞（RBCs）的形状，引入一种卷积神经回归网络以实现自动的、离群值容忍的形状分类。根据我们的实验预期，存在两种稳定几何形态：所谓的“拖鞋”形和“羊角面包”形，取决于 prevailing 流动条件和细胞内在参数。羊角面包形多出现于低剪切率下，而拖鞋形在高流速下形成。利用我们的方法，能够找到两种稳定形状“相”之间的转变点，这对后续理论研究与数值模拟极具意义。采用基于统计的阈值，我们从数据中获得了所谓的相图并与人工评估进行比较。展望未来，我们的概念允许我们对多种流动条件下的测量进行客观分析并获得可比较的结果。此外，所提方法支持对药物对单个 RBC 流动特性及由此产生的全血宏观流动行为变化的影响进行无偏研究。
引用
@article{arxiv.1806.08179,
title = {Classification of red blood cell shapes in flow using outlier tolerant machine learning},
author = {Alexander Kihm and Lars Kaestner and Christian Wagner and Stephan Quint},
journal= {arXiv preprint arXiv:1806.08179},
year = {2018}
}
备注
15 pages, published in PLoS Comput Biol, open access