約 800 GB 的小鼠全腦數(shù)據(jù)集，在 MATLAB 中使用 cellpose 進行分割，并繪制每個細胞中心點的散點圖。

“我們選擇了 MATLAB 是因為希望在一個單一環(huán)境中完成整個流程，”黎教授表示?！捌渚幊汰h(huán)境提供了簡化的流程、全面的文檔以及可靠的技術支持，使我們能夠有效處理龐大的數(shù)據(jù)集。MATLAB 中 blockedImage 和 cellpose 非常契合我們的工作流，因為在其他經(jīng)典的圖像處理算法之外，我們還希望在單個腳本中同時進行圖像處理和分割。這個工作流程讓原本艱巨的細胞分割任務變得可能，且無需投入大量的人力?！?/p>

在港中大發(fā)表在“Nature”的最新研究中，他們有兩個使用 MATLAB 中的 cellpose 進行分析的 3D 圖像數(shù)據(jù)集。其中一個有 10 萬億體素和 28 個通道，代表約 100 萬個細胞，需要進行分割和細胞分型分析。第二個數(shù)據(jù)集是約 800 GB 的小鼠全腦圖像，需要對神經(jīng)元體進行全局分割，并配準到艾倫腦圖譜。

黎教授團隊使用 MATLAB 中的 cellpose 對經(jīng)過閾值處理和背景扣除的圖像進行分割，并借助 blockedImage 獲得細胞掩膜，然后分析每個細胞的分子表達譜。獲得 3D 28 重圖像的細胞掩膜后，就能夠分析25個選定標記的免疫染色強度，這些標記用于細胞類型分類，所有操作均在 MATLAB 中的單個腳本中完成。

港中大希望將這項技術進一步推廣到臨床應用中，實時圖像處理將帶來更高效的患者診斷。MathWorks 中國區(qū)醫(yī)療行業(yè)首席技術官單博表示：“巨幅圖像尤其是高分辨率病理顯微切片的處理，對于存儲和計算都是巨大的挑戰(zhàn)。港中大的解決方法采用了 blockedImage 針對巨幅圖像處理的功能，從低分辨率圖像中提取掩膜 ROI 區(qū)域，從而大大降低了計算量；隨后基于 blockedImage 巨幅圖像處理的框架，采用 cellpose 的 AI 模型進行分割和處理。這使原本艱巨的挑戰(zhàn)變?yōu)楝F(xiàn)實。非常榮幸，MATLAB 能在這樣高水平的生物醫(yī)學創(chuàng)新研究中出一份力?！?/p>

MathWorks 生物科學專家及學術支持工程團隊提供的全方位支持對于項目的成功至關重要。MathWorks 中國區(qū)教育行業(yè)總負責人李慶節(jié)強調：“這正是 MathWorks 教育團隊對全校園授權（Campus-Wide License）的合作高校進行科研支持的典型案例，充分體現(xiàn)了我們在中國高校教學與科研項目中所秉承的‘道（把復雜問題簡單化的計算思維）、法（運用AI進行跨學科的數(shù)據(jù)驅動范式）、術（技巧）、器（工具箱與技術）、人（本地與總部技術團隊）’五位一體的技術支持理念。我們期待未來能與更多研究人員開展合作。”

xiesc