(3.220.231.235) 您好!臺灣時間:2021/03/07 11:18
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林俊志
研究生(外文):Chun-Chih Lin
論文名稱:自動化粒線體之型態分析系統
論文名稱(外文):An Automated Analysis System for Mitochondrial Morphological Variations
指導教授:蔡育秀蔡育秀引用關係
指導教授(外文):Yuh-Show Tsai
學位類別:碩士
校院名稱:中原大學
系所名稱:生物醫學工程研究所
學門:工程學門
學類:生醫工程學類
論文種類:學術論文
論文出版年:2010
畢業學年度:98
語文別:中文
論文頁數:65
中文關鍵詞:粒線體型態K-Means Cluster
外文關鍵詞:Mitochondria morphologyK-Means Cluster
相關次數:
  • 被引用被引用:1
  • 點閱點閱:222
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
細胞生理學中,粒線體形態是呈現立體細管、小球狀與網狀的結構。而其經由持續不斷的融合及分裂來保持型態上的穩定並達到維持細胞能源供應的目的。當粒線體融合或分裂異常時,將導致粒線體形態及功能的變異,也會影響細胞本身多方面的功能障礙。所以,了解粒線體型態的變化將有助於新藥的開發與了解藥物反應的機制。
本研究目的是建立一套自動化型態的分析系統,以觀察粒線體在藥物反應後所引發的細胞凋亡現象。主要方法是將影像作前級處理後再合併分別取灰階值大於180的區塊影像與刪除灰階值低於10的兩種圖像,然後提取合成影像內具鑑別性的特徵參數,包含偏心度、圓度、長寬比等,利用K-Means Cluster建立系統分類法則。
為驗證系統成效,將4組不同基因控制的粒線體影像(control, fis1, WT-mfn2, DN-mfn2)進行辨識。測試樣本共有包含169隻細胞83張影像。經分類後的型態共有15774個粒線體,系統型態辨識率平均82.25%。其結果顯示本系統可協助研究人員加快辨識粒線體細胞的型態變化,縮短新藥開發時程。




The cell physiology shows the mitochondria shapes are in 3-D network. tubules or small globules. Mitochondrial morphological stability is accomplished by continuous fusion and fission to maintain their energy supply function. Defects in above processes will lead to mitochondria variations in morphology and loss of function. Therefore, understanding mitochondrial morphological changes shall be important to new drugs screen and reaction mechanism.

The aim of this research is to establish an automated morphology analysis system for observing the mitochondria apoptosis after specific drug reaction. Firstly, an adaptive local threshold program, named Micro-P, is utilized to identify images whether contain fragmented globules or networks predominantly. These two groups of images were further processed by a dual-threshold morphological filter to segment the large and small objects in the cell images. The eccentricity, roundness, and aspect ratio of the objects were extracted as the classification features. At last, the K-Means cluster classification paradigm is used to distinguish the morphological subtypes.

Eighty three images that contain 169 cells are used to test the system performance. The cells include the control, WT-mfn2, DN-mfn2 and Fis-1, four groups. Totally, 15774 mitochondria in these cells are classified, and the contents of mitochondrial morphological subtypes in individual cells are measured. The statistical results shown the system yield average 82.25% correctness. This indicated that the system is capable to assist researcher in mitochondrial subtype classification and , hence, to shorten the new drug development timeline.




目錄
摘要I
ABSTRACT II
目錄III
圖目錄V
表目錄VII
第一章 序論1
1.1 研究背景1
1.2 研究動機2
1.3 研究目的3
第二章 基礎理論4
2.1 文獻回顧4
2.2 研究背景知識7
2.2.1 粒線體7
2.2.2 粒線體型態8
2.2.3 粒線體型態與細胞凋亡的關連性9
2.2.4 細胞凋亡的發生機制10
2.3 影像處理技術11
2.3.1 等比例放大縮小11
2.3.2 彩色影像轉換13
2.3.3 影像分割14
2.3.4 影像增強15
2.3.5 影像邊緣偵測16
2.3.6 影像臨界值17
2.3.7 型態濾波18
2.3.7.1 斷開(OPENING)運算18
2.3.7.2 閉合(CLOSING)運算18
2.4 特徵參數20
2.4.1 面積20
2.4.2 長短軸比20
2.4.3 長寬比21
2.4.4 圓度21
2.4.5 凹性率22
2.4.6 矩形度22
2.4.7 離心率22
2.5 圖形辨識23
2.5.1 K-Means Cluster23
2.6 MICRO-P系統23
第三章 系統架構與研究方法25
3.1 研究材料25
3.2 研究方法25
3.3 系統流程26
3.4 影像前級處理27
3.4.1 等比例放大縮小27
3.4.2 彩色轉灰階影像28
3.4.3 影像濾波28
3.4.4 影像增強29
3.4.5 影像取亮度大小點30
3.5 特徵計算分析32
3.5.1 特徵計算32
3.5.2 特徵分析32
3.5.3 建立分類判別式32
3.6 雙預值設定38
3.7 MICRO-P系統41
3.8 系統架構與系統流程45
第四章 結果與討論 49
4.1 系統驗證49
4.2 系統測試52
第五章 結論與未來展望55
5.1 結論55
5.2 未來展望56
參考資料57

圖目錄
圖2-1 分類蛋白質次細胞位置流程5
圖2-2 比較不同演算處理後的影像6
圖2-3 3D分水嶺計數方法示意圖6
圖2-4 粒線體8
圖2-5 粒線體內部型態9
圖2-6 細胞凋亡發生機制11
圖2-7 鄰近內插值法(Nearest neighbor)格子點關係12
圖2-8 雙線性內插法(bilinear interpolation)格子點關係12
圖2-9 等比例放大影像方法比較13
圖2-10 彩色轉灰階影像14
圖2-11 同區域檢查15
圖2-12 影像增強前後的影像16
圖2-13 Sobel遮罩運算子17
圖2-14 二值化影像17
圖2-15 斷開(opening)運算18
圖2-16 閉合(closing)運算19
圖2-17 型態濾波示意圖19
圖2-18 型態濾波前後影像比較20
圖2-19 長短軸比21
圖2-20 圓度圖示說明22
圖3-1 系統流程圖27
圖3-2 影像分割後大區塊過於斷裂導致分類結果失真30
圖3-3 影像分割取大小點方式效果較佳31
圖3-4 第一次K-Means Cluster分類結果染色後的影像34
圖3-5 去除雜訊影像 34
圖3-6 第二次K-Means Cluster分類結果染色後的影像35
圖3-7 第三次K-Means Cluster 結果36
圖3-8 特徵型態的種類變化37
圖3-9 4組基因控制特徵型態分類後的影像37
圖3-10 4組基因控制影像39
圖3-11 DN-Mfn1類別影像點狀或塊狀會分類錯誤成分支狀40
圖3-12 micro-P系統GUI介面42
圖3-13 micro-P系統影像視窗輸出下拉式選單43
圖3-14 micro-P系統工具列各項參數調整43
圖3-15 micro-P系統影像分割後本研究系統的分類影像44
圖3-16 系統架構流程圖45
圖3-17 GUI使用者介面46
圖3-18 GUI介面顯示範例47
圖3-19 開啟紀錄標記影像的結果48
圖4-1 粒線體型態分類50
圖4-2 決策樹結果51
圖4-3 Control Cluster ratio與 Control Area ratio53
圖4-4 DN-Mfn1 Cluster ratio與 DN-Mfn1 Area ratio53
圖4-5 Fis1 Cluster ratio與 Fis1 Area ratio53
圖4-6 WT-Mfn1 Cluster ratio與 WT-Mfn1 Area ratio53

表目錄
表2-1 統計模型錯誤率比較4
表3-1 SPSS K-Means Cluster result次系統型態分類說明33
表3-2 經三次K-Means Cluster 後的型態分類結果徵點參數資料36
表3-3 特徵型態參數資料47
表4-1 4組基因控制各型態面積與特徵比例49
表4-2 4組基因控制各取10隻粒線體後的粒線體特徵型態辨識率50
表4-3 驗證系統型態辨識率結果51
表4-4 4組基因控制辨識率結果52
表4-5 4組基因控制辨識率的型態面積比與特徵比例52


參考資料
[1]行政院衛生署,http://www.bhp-gc.tw/index.php?mo=CasebPaper&action=paper1_show&sn=59。
[2]粒線體的新任務:藥物作用及臨床應用的新標的,
http://memo.cgu.edu.tw/Secretariat/news/43/research/research_1.htm。
[3]譚健民,粒線體與細胞凋亡,生物醫學 2009年第二卷第三期:250-268,2009。
[4] John Lafferty, Andrew McCallum, Fernando Pereira, “Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data”, Proceedings of the Eighteenth International Conference on Machine Learning Pages : 282 - 289, 2001.
[5] Xiang Chen and Robert F. Murphy, “Objective Clustering of Proteins Based on Subcellular Location Patterns”, Journal of Biomedicine and Biotechnology ,
2005:2 (2005) 87–95.
[6] S.V. N. Vishwanathan, Nicol N. Schraudolph, Mark W. Schmidt, Kevin P. Murphy, “Accelerated Training of Conditional Random Fields with Stochastic Gradient Methods”, Pittsburgh, Pennsylvania Pages: 969 - 976 ,2006.
[7]Thomas J. Gniadek and Graham Warren, “WatershedCounting3D: A New Method for Segmenting and Counting Punctate Structures from Confocal Image Data”, Traffic 2007; 8: 339–346 Blackwell Munksgaard, 2007.
[8]宋承修、唐晧軒、楊皓文,“神秘的發電廠~粒線體的秘密”,http://www.shs.edu.tw/works/essay/2006/03/2006033115133894.pdf ,2006。
[9]周致中,“細胞凋亡與疾病”,
http://wwwdata.fy.edu.tw/0728_1/課程簡介_細胞凋亡與疾病.ppt ,2008。
[10]Jyh-Ying Peng and Chun-Nan Hsu, “Adaptive Local Thresholding for Fluorescence Cell Micrographs”, Institute of Information Science, Academia Sinica, November 11, 2009 || Technical Report No. TR-IIS-09-008.
[11]古添全,“活體細胞中囊泡蛋白質動態特性之自動化定量與定性分析系統”,中原大學醫工系研究所碩士論文,2008。
[12] Estelle Glory and Robert F. Murphy, “Automated Subcellular Location Determination and High-Throughput Microscopy”,16 Developmental Cell 12, January 2007 Elsevier Inc.
[13] Yanhua Hua, Robert F. Murphy, “Automated interpretation of subcellular patterns from immunofluorescence microscopy”, Journal of Immunological Methods 290 (2004) 93– 105.
[14] Lit-Hsin Loo, Hai-Jui Lin, Dinesh K. Singh, Kathleen M. Lyons, Steven J. Altschuler and Lani F. Wu, “Heterogeneity in the physiological states and pharmacological responses of differentiating 3T3-L1 preadipocytes”, Green Center for Systems Biology and Department of Pharmacology, University of Texas Southwestern Medical Center, Dallas, TX 75390.
[15] 李玫憶,“細胞次結構影像辨識系統”,中原大學醫工系研究所碩士論文,2005。
[16] 黃芸妮,“螢光蛋白質自動辨識及追蹤系統”,中原大學醫工系研究所碩士論文,2004。
[17] 張智星,MATLAB 程式設計與應用,台北:清蔚科技出版,2000。
[18] 台大醫院基因醫學,http://ntuh.mc.ntu.edu.tw/gene/aboutlupin.htm。
[19] 長庚大學生物暨藥理學科,http://www.cgu.edu.tw/DOP/introduction.html。

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔