0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

基于云的深度学习和声学成图进行器官细胞培养研究

MATLAB 来源:MATLAB 作者:Samuel J. Raymond 2021-05-18 14:14 次阅读

在实验室中利用细胞培养器官组织时,研究人员需要以非侵入性方法将细胞固定在适当位置。一种很有发展前景的方法是声学成图,该方法利用声能,在细胞生长为组织的过程中,将细胞分布并固定在所需图案内。通过将声波应用到微流体设备,研究人员可以驱动微米级的细胞,使其构成简单的图案,例如线条和网格。

我和同事开发了一种将深度学习和数值模拟相结合的方法,用于将细胞排列成我们自己设计的更为复杂的图案。我们在 MATLAB 中执行整个工作流,并使用并行计算加速关键步骤,包括从模拟器生成训练数据集、训练深度学习神经网络等,由此节省了数周时间。

7655ed20-b4f2-11eb-bf61-12bb97331649.png

使用微通道进行声学成图借助微流体设备,研究人员可以在不同形状的亚毫米级微通道中操控流体和流体携带的颗粒或细胞。为了在这些微通道内创建声学图案,该设备使用叉指式换能器 (IDT) 生成表面声波 (SAW),并将其指向通道壁(图 1a)。在通道内的流体中,声波产生与通道壁平行的压力最小值和最大值(图 1b)。因此,可以对通道壁的形状进行配置,从而在通道内产生特定的声场1(图 1c)。声场将流体中的颗粒排列成图案,图案对应声波作用力最小处的分布位置(图 1d)。

图 1.微通道中的声学成图

尽管可以计算由特定的通道形状产生的声场,但反过来就不可能了:设计通道形状以产生所需的声场不是画几个格子那么简单,而是一项艰巨的任务。由于解空间实际上是无界的,因此解析方法不可行。新的工作流使用大量(随机形状的)模拟结果和深度学习以克服这种限制。我和我的同事首先在 MATLAB 中基于已知形状模拟压力场,解决了正演问题。然后,我们使用这些结果训练深度神经网络以求解反演问题:识别要产生期望的声场图案所需的微通道形状。

求解正演问题:模拟压力场在之前的工作中,我们的团队使用 MATLAB 开发了一款模拟引擎。该引擎利用惠更斯-菲涅耳原理(即平面波上的任一点都是球面波的点波源),针对给定的通道几何形状求解压力场(图 2)。

图 2.针对特定通道几何形状产生的声压场。

模拟引擎依赖于各种矩阵运算。由于这些运算都是在 MATLAB 中进行,因此每次模拟瞬间便可完成,而我们需要模拟成千上万种各不相同的形状及其对应的二维压力场。我们使用 Parallel Computing Toolbox 在多核工作站上并行运行模拟以加速此过程。在获得所需的数据后,我们就可以将其用于训练深度学习网络,以根据给定的压力场推断通道形状,这实质上相当于对调了输入和输出。

训练深度学习网络以求解反演问题首先,对模拟的压力场值进行阈值分割,以加快训练过程。由此得到由 1 和 0 组成的、大小为 151 × 151 的二维矩阵,我们将其展平成一个一维向量,作为深度学习网络的输入。为了尽可能减少输出神经元的数量,我们采用傅里叶系数表示输出,由此捕捉通道形状轮廓(图 3)。

76d5cb44-b4f2-11eb-bf61-12bb97331649.jpg

图 3.旋转 20 度的等边三角形的傅里叶级数逼近,从左至右系数分别为 3、10 和 20 个。我们使用深度网络设计器构建初始网络,并通过编程方式加以优化,以平衡准确性、通用性和训练速度(图 4)。我们在 NVIDIA Titan RTX GPU 上使用自适应矩估计 (ADAM) 求解器训练网络。

77038f02-b4f2-11eb-bf61-12bb97331649.jpg

图 4.具有四个隐藏层的全连接前馈网络。

验证结果为了验证训练后的网络,我们使用它来根据给定的压力场推断通道的几何形状,并使用该几何形状作为模拟引擎的输入来重建压力场。然后,我们比较了原始压力场和生成的压力场。两个场内的压力最小值和最大值的分布情况非常相近(图 5)。

772a3198-b4f2-11eb-bf61-12bb97331649.jpg

图 5.深度学习网络验证工作流。

接下来,我们执行了许多真实测试。我们使用 Microsoft Paint 绘制了自定义图像,指定了希望颗粒聚集的区域。其中包括各种不同的单行和多行图像,除非使用我们的方法,否则很难生成这些图像。之后,我们使用经过训练的网络来推断产生这些指定区域所需的通道几何形状。

后,在合作伙伴的帮助下,我们根据推断的几何形状制作了一些微流体设备。然后,我们在每个设备的成形通道内都注入 1 μm 的聚苯乙烯颗粒(它们会悬浮在流体中),并对设备施加 SAW。结果显示,颗粒沿着自定义图像中指定的区域聚集(图 6)。

7788bc72-b4f2-11eb-bf61-12bb97331649.jpg

图 6.下图:用 Microsoft Paint 绘制的区域(紫色)叠加在模拟声场上,声场会将颗粒聚集到这些区域。
上图:在制成的微流体设备中,悬浮的聚苯乙烯颗粒构成的图案。

转移到云在此项目的下一阶段,我们将更新深度学习网络,改用声场图像作为输入、生成通道形状的图像作为输出,以此取代展平的向量和傅里叶系数。这样一来,我们就能使用随时间变化、难以由傅里叶级数定义的通道形状。但这将需要更广泛的训练数据集,更复杂的网络架构以及明显更多的计算资源。为此,我们正在将网络及其训练数据转移到云。

幸运的是,MathWorks Cloud Center 提供了一个便利的平台,支持快速启动和关闭高性能云计算资源的实例。在云端进行科学研究时,与实例交互是一个相当让人头疼的问题,因为这需要在云和本地计算机之间移动我们的算法和数据。MATLAB Parallel Server 将云计算中的复杂交互抽象简化,我们只需在菜单中简单点选,就可以在本地或云端运行计算。

得益于其易用性,我们能够专注于科学问题,而不必费力研究所用的工具。 我们计划将 MATLAB 与支持 NVIDIA GPU 的 Amazon Web Services 实例结合起来,使用 Amazon S3 存储桶中存储的数据训练更新后的网络。然后,我们可以使用训练好的网络在本地工作站对不同的声场图案进行推断(不需要高性能计算)和试验。这项工作将成为一个起点,支持我们在今后开展更多基于物理的机器学习项目。

致谢在此感谢 David J. Collins、Richard O’Rorke、Mahnoush Tayebi、Ye Ai 和 John Williams 对本项目做出的贡献。1 Collins, D. J., O’Rorke, R., Devendran, C., Ma, Z., Han, J., Neild, A. & Ai, Y.“Self-Aligned Acoustofluidic Particle Focusing and Patterning in Microfluidic Channels from Channel-Based Acoustic Waveguides.”Phys.Rev. Lett.120, 074502 (2018).

7655ed20-b4f2-11eb-bf61-12bb97331649.png

作者:Samuel J. Raymond,麻省理工学院。斯坦福大学的博士后学者,在麻省理工学院计算科学与工程中心 (CCSE) 完成博士学位。他的研究方向包括基于物理的机器学习、应用高性能计算、深度学习以及无网格法求解偏微分方程来模拟真实世界的现象。

编辑:jq

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • matlab
    +关注

    关注

    185

    文章

    2974

    浏览量

    230395
  • 声波
    +关注

    关注

    0

    文章

    51

    浏览量

    19468
  • 模拟器
    +关注

    关注

    2

    文章

    875

    浏览量

    43208
  • 深度学习
    +关注

    关注

    73

    文章

    5500

    浏览量

    121113

原文标题:使用基于云的深度学习和声学成图进行器官细胞培养研究

文章出处:【微信号:MATLAB,微信公众号:MATLAB】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    应用于活细胞成像的一次性细胞培养芯片

    尽管最近几年我们对细胞内过程的了解越来越多,但近期内100年来细胞培养的基本过程没有根本性的改变。然而,观察细胞的方法,却在近些年进行一场革命,如相差,差分干涉对照,共聚集和荧光等都应
    的头像 发表于 12-17 09:41 66次阅读

    次声波在声学成像中的应用

    声学成像是一种利用声波进行物体成像的技术,它在医学、工业检测、环境监测等领域有着广泛的应用。传统的声学成像技术主要依赖于人耳可听范围的声波(20Hz至20kHz),但随着科技的发展,次声波(频率低于
    的头像 发表于 12-11 15:36 174次阅读

    基于玻璃基底的细胞培养芯片研究(下)

    1.3细胞培养装置及细胞培养 将加工完成的芯片与温度控制系统、进样系统、信号检测系统等整合成一个完整的细胞培养微系统,并在此微系统内培养PIEC。通过微量注射泵供给
    的头像 发表于 12-06 14:34 77次阅读

    芯片上集成功能性血管化类器官的微流控平台

    微流控芯片中血管网络的发展对于球体、类器官、肿瘤或组织外植体等三维细胞聚集体的长期培养至关重要。尽管微血管网络系统和类器官技术发展迅速,但在芯片上血管化类
    的头像 发表于 11-18 14:59 173次阅读

    FLIR声学成像仪可帮助用户提高工作效率

    FLIR声学成像仪通过FLIR Acoustic Camera Viewer软件,可自动将拍摄的图像保存到云端并为用户提供有价值的分析见解,例如压缩气体泄漏的声学波形和以此来预估能源损耗成本、严重程度评估和推荐的纠正措施等。
    的头像 发表于 10-31 16:07 220次阅读

    FPGA加速深度学习模型的案例

    FPGA(现场可编程门阵列)加速深度学习模型是当前硬件加速领域的一个热门研究方向。以下是一些FPGA加速深度学习模型的案例: 一、基于FPG
    的头像 发表于 10-25 09:22 215次阅读

    ATA-7020高压放大器在微流控3D细胞微球培养中的应用

    本文将与大家分享,ATA-7020高压放大器在微流控3D细胞微球培养中的应用,希望能对各位工程师有所帮助与启发。 作为体外细胞培养模型,三维(3D)水凝胶微球引起了越来越多的关注。然而,在模型构建
    的头像 发表于 10-09 11:54 234次阅读
    ATA-7020高压放大器在微流控3D<b class='flag-5'>细胞</b>微球<b class='flag-5'>培养</b>中的应用

    深度学习中的时间序列分类方法

    的发展,基于深度学习的TSC方法逐渐展现出其强大的自动特征提取和分类能力。本文将从多个角度对深度学习在时间序列分类中的应用进行综述,探讨常用
    的头像 发表于 07-09 15:54 877次阅读

    新手小白怎么学GPU服务器跑深度学习?

    新手小白想用GPU服务器跑深度学习应该怎么做? 用个人主机通常pytorch可以跑但是LexNet,AlexNet可能就直接就跑不动,如何实现更经济便捷的实现GPU服务器
    发表于 06-11 17:09

    诚佳声多功能声学成像仪在工业中的应用

    声学成像仪
    jf_84693317
    发布于 :2024年05月27日 11:53:22

    液滴微流控技术在癌症研究中的应用:从单细胞分析到3D细胞培养

    癌症具有难发现、治愈率低和愈后差等特点,已经成为全球第二大死亡原因。由癌细胞异质性引起的耐药性和治疗差异是癌症治疗效果不佳的主要原因。
    的头像 发表于 05-19 17:36 2126次阅读
    液滴微流控技术在癌症<b class='flag-5'>研究</b>中的应用:从单<b class='flag-5'>细胞</b>分析到3D<b class='flag-5'>细胞培养</b>

    FPGA在深度学习应用中或将取代GPU

    上涨,因为事实表明,它们的 GPU 在训练和运行 深度学习模型 方面效果明显。实际上,英伟达也已经对自己的业务进行了转型,之前它是一家纯粹做 GPU 和游戏的公司,现在除了作为一家
    发表于 03-21 15:19

    安泰ATA-7050高压放大器在微流控细胞分选中的应用

    设计具有特定尺寸和性质的微通道网络,可实现对细胞的高效分选与分离。那么高压放大器在该实验系统中有何作用呢?我们一起来看看吧~ 微流控细胞分选的基本流程包括以下步骤: 1.将待分离的生物样本(如血液、组织或细胞培养液)
    的头像 发表于 03-01 16:56 410次阅读
    安泰ATA-7050高压放大器在微流控<b class='flag-5'>细胞</b>分选中的应用

    【技术科普】主流的深度学习模型有哪些?AI开发工程师必备!

    接近于人工智能。它通过学习样本数据的内在规律和表示层次,对文字、图像和声音等数据进行解释。深度学习的目标是让机器像人一样具有分析
    的头像 发表于 01-30 15:26 621次阅读
    【技术科普】主流的<b class='flag-5'>深度</b><b class='flag-5'>学习</b>模型有哪些?AI开发工程师必备!

    美谷分子举办CellXpress.ai全自动一体化类器官工作站新品发布会

    (Molecular Devices)隆重举办CellXpress.ai全自动一体化类器官工作站新品发布会。作为一个由人工智能驱动的细胞培养创新中心,CellXpress.ai全自动一体化类器官工作站通过机器
    的头像 发表于 12-25 15:22 834次阅读
    美谷分子举办CellXpress.ai全自动一体化类<b class='flag-5'>器官</b>工作站新品发布会