Метод декартова генетического программирования для анализа изображений развивающегося глаза мушки дрозофилы

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Методы автоматического выделения признаков привлекают все большее внимание при решении современных задач обработки изображений. Конфокальные изображения однослойного эпителия развивающегося глаза плодовой мушки дрозофилы представляют собой удобную модельную систему для разработки методов выделения сложных признаков. Целью данной работы было применение метода декартова генетического программирования для выявления границ омматидиев - светочувствительных единиц будущего глаза. Использование декартова генетического программирования для анализа картин экспрессии маркера Fasciclin III показало хорошие результаты. Это дает интересные перспективы для дальнейшего применения этой технологии с целью автоматического анализа изображений, полученных с помощью конфокальной микроскопии.

Об авторах

Н. А Данилов

Санкт-Петербургский политехнический университет Петра Великого

С.-Петербург, Россия

К. Н Козлов

Санкт-Петербургский политехнический университет Петра Великого

С.-Петербург, Россия

С. Ю Суркова

Санкт-Петербургский политехнический университет Петра Великого

Email: surkova_syu@spbstu.ru
С.-Петербург, Россия

М. Г Самсонова

Санкт-Петербургский политехнический университет Петра Великого

С.-Петербург, Россия

Список литературы

  1. И. А. Русанова, в сб. матер. Всероссийской школы-семинара (Саратов, 01 октября 2018 г.), под ред. Д. А. Усанова (Изд-во "Саратовский источник", Саратов, 2018), сс. 78-81.
  2. К. Н. Козлов, Е. В. Голубкова, Л. А. Мамон и др., Биофизика, 67, 283 (2022). DOI: 10.31857/ S0006302922020119
  3. J. P. Kumar, Devel. Dynamics, 241, 136 (2012). doi: 10.1002/dvdy.23707
  4. S. Surkova, J. Gorne, S. Nuzhdin, et al., Devel. Biol., 476, 41 (2021). doi: 10.1016/j.ydbio.2021.03.005.
  5. J. Y. Roignant and J. E Treisman, Int. J. Devel. Biol. 53, 795 (2009). doi: 10.1387/ijdb.072483jr
  6. J. E. Treisman, Wiley Interdisc. Rev. Devel. Biol., 2, 545 (2013). doi: 10.1002/wdev.100
  7. S. Ali, S. A. Signor, K. Kozlov, et al., Evolution & Development, 21, 157 (2019). doi: 10.1111/ede.12283
  8. L. Liu, L. Shao and X. Li, Inf. Sci., 316, 567 (2015). doi: 10.1016/j.ins.2014.06.030
  9. A. Lensen, H. Al-Sahaf, M. Zhang, et al., in EuroGP 2016. LNCS, Ed. by M. I. Heywood, J. McDermott, M. Castelli et al. (Springer, Cham, 2016), v. 9594, pp. 51-67. doi: 10.1007/978-3-319-30668-1_4
  10. S.Ruberto, V. Terragni, and J. Moore, in Parallel Problem Solving from Nature. Lecture Notes in Computer Science Image Feature Learning with Genetic Programming (Springer, Cham, 2020), pp. 63-78. doi: 10.1007/978-3-030-58115-2_5
  11. C. B. Perez and G. Olague, Intell. Data Anal., 17, 561 (2013). doi: 10.3233/IDA-130594
  12. W. A. Albukhanajer and J. A. Briffa, IEEE Trans. Cybern., 45, 1757 (2015). doi: 10.1109/TCYB. 2014.2360074
  13. J. F. Miller, P. Thomson, and T.C. Fogarty, in Genetic Algorithms and Evolution Strategies in Engineering and Computer Science: Recent Advancements and Industrial Applications, Ed. by D. Quagliarella, J. Periaux, C. Poloni, and G. Winter (Wiley, 1998), pp. 105-131.
  14. M. A. Kramer, AIChE J. 37, 233 (1991). doi: 10.1002/aic.690370209
  15. A. Makhzani and B. J. Frey, in Advances in Neural Information Processing Systems, Ed. by C. Cortes, N. Lawrence, D. Lee, et al. (2015), pp. 2791-2799
  16. P. Vincent, H. Larochelle, Y. Bengio, et al., in Proc.Int. Conf. on Machine Learning, ICML 2008 (2008). pp. 1096-1103. doi: 10.1145/1390156.1390294
  17. P. M. Snow, A. J. Bieber, and C. S. Goodman, Cell, 59, 313 (1989). doi: 10.1016/0092-8674(89)90293-6
  18. K. Kozlov, A. Pisarev, J. Kaandorp, et al., in Abstr. Bookof the 9th Int. Conf. Syst. Biol. (Goteborg, 2008), p. 191.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023