用于多通道质谱成像动态采样的深度学习方法
图像与视频处理
2022-10-25 v1 计算机视觉与模式识别
机器学习
信号处理
摘要
质谱成像（MSI）采用传统直线扫描，获取高空间分辨率数据需耗时数小时至数天。鉴于样品视场内的多数像素通常既与底层生物结构无关，也无化学信息，MSI 成为与稀疏及动态采样算法结合的绝佳候选。在扫描过程中，随机模型确定哪些位置大概率包含对生成低误差重建至关重要的信息。通过减少所需的物理测量次数，从而将总体采集时间最小化。一种用于动态采样的深度学习方法（DLADS）利用卷积神经网络（CNN）并将分子质量强度分布封装于第三维度，在纳米喷雾解吸电喷雾电离（nano-DESI）MSI 组织上展示了模拟的 70% 通量提升。评估在 DLADS 与一种基于监督学习的动态采样方法（采用最小二乘回归的 SLADS-LS 和多层感知机（MLP）网络的 SLADS-Net）之间进行。与限于单一 m/z 通道的 SLADS-LS，以及多通道 SLADS-LS 和 SLADS-Net 相比，DLADS 分别将回归性能提升 36.7%、7.0% 和 6.2%，并在目标 m/z 采集中使重建质量分别提高 6.0%、2.1% 和 3.4%。
引用
@article{arxiv.2210.13415,
title = {Deep Learning Approach for Dynamic Sampling for Multichannel Mass Spectrometry Imaging},
author = {David Helminiak and Hang Hu and Julia Laskin and Dong Hye Ye},
journal= {arXiv preprint arXiv:2210.13415},
year = {2022}
}