Comparación de marcos de regresión de aprendizaje automático y aprendizaje profundo para una predicción precisa de la fuerza dielectroforética

Scientific Reports volumen 12, número de artículo: 11971 (2022) Citar este artículo

4360 Accesos

3 citas

2 altmétrico

Detalles de métricas

Se informa sobre un marco de detección inteligente que utiliza arquitecturas de aprendizaje automático (ML) y aprendizaje profundo (DL) para cuantificar con precisión la fuerza dielectroforética invocada en micropartículas en un dispositivo de detección DEP basado en electrodos textiles. La precisión de la predicción y la capacidad de generalización del marco se validaron mediante resultados experimentales. Se utilizaron imágenes de alineación de cadenas de perlas con diferentes voltajes de entrada para construir modelos de regresión profunda utilizando arquitecturas ML y CNN modificadas que pueden correlacionar patrones de alineación de cadenas de perlas de células de Saccharomyces cerevisiae (levadura) y microperlas de poliestireno con la fuerza DEP. Se han analizado varios modelos de ML, como K-Nearest Neighbor, Support Vector Machine, Random Forest, Neural Networks y Linear Regression, junto con modelos DL, como las arquitecturas de Convolutional Neural Network (CNN) de AlexNet, ResNet-50, MobileNetV2 y GoogLeNet. con el fin de construir un marco de regresión eficaz para estimar la fuerza inducida sobre células de levadura y microperlas. Las eficiencias de los modelos se evaluaron utilizando el error absoluto medio, el error cuadrático medio, el error cuadrático medio, el error cuadrático medio (RMSE) como métricas de evaluación. ResNet-50 con RMSPROP dio el mejor rendimiento, con un RMSE de validación de 0,0918 en células de levadura, mientras que AlexNet con el optimizador ADAM dio el mejor rendimiento, con un RMSE de validación de 0,1745 en microperlas. Esto proporciona una base para futuros estudios sobre la aplicación del aprendizaje profundo en dispositivos Lab-on-Chip asistidos por DEP.

Herramientas como DL y ML son parte integral de la inteligencia artificial1,2,3. El aprendizaje automático para el análisis de imágenes normalmente implica la extracción de características importantes de una imagen y el entrenamiento de un modelo de aprendizaje automático4. El aprendizaje automático puede ser muy eficiente cuando las características extraídas representan claramente una imagen en particular. Las imágenes deben convertirse en vectores de características y entrenar un modelo4,5,6. son ejemplos de enfoques en los que se ha utilizado el aprendizaje automático para predecir la presencia, ausencia o posibilidad de que ocurra algo en imágenes. Sin embargo, la extracción de características significativas de imágenes complejas es compleja. Alternativamente, el aprendizaje profundo no depende de una característica de entrada. Más bien, los modelos DL identifican características importantes a partir de imágenes procesadas y las clasifican en función de las características identificadas. Los mapas de características extraídos mediante aprendizaje profundo de la tomografía computarizada (TC), la resonancia magnética (IRM), la tomografía por emisión de positrones (PET), la mamografía, la ecografía y la histopatología proporcionan información valiosa 4,7,8. En biología celular, los enfoques basados en DL se adoptan principalmente para detectar cambios en la morfología celular y correlacionarlos con los mecanismos que rigen la respuesta a los fármacos7,8. Las imágenes del cerebro, la próstata, la retina y los pulmones a menudo se combinan con algoritmos de aprendizaje profundo para predecir afecciones médicas. U-Net, ResNet y VGG son las redes derivadas de redes neuronales convolucionales más utilizadas para tareas de clasificación y segmentación de imágenes médicas. Recientemente, el aprendizaje por transferencia y las redes derivadas de GAN se aplicaron ampliamente en los estudios de COVID-19. Aunque el entrenamiento DL implica un procesamiento intenso de datos y un tiempo de entrenamiento prolongado, proporciona predicciones precisas cuando se utiliza con GPU de alto rendimiento y datos etiquetados. En este estudio, hemos diseñado modelos utilizando enfoques de aprendizaje automático y aprendizaje profundo para estimar la magnitud de la fuerza dielectroforética a partir de la alineación de micropartículas en un dispositivo de punto de atención.

La aplicación de DEP en dispositivos de detección en el punto de atención exige dos requisitos importantes: (1) un dispositivo físico de bajo voltaje (< 10 voltajes) y (2) un sistema inteligente que pueda correlacionar la formación de cadenas de perlas de micropartículas en fuerza dielectroforética.

La fuerza dielectroforética (\({F}_{\mathrm{DEP}}\)) invocada sobre una micropartícula se puede correlacionar directamente con los cambios de sus propiedades dieléctricas (Ec. 1). La fuerza DEP también es proporcional a la intensidad del campo eléctrico, la dimensión de la partícula y la conductividad del medio9,10,11,12. En la práctica, la alineación de las partículas con respecto a los electrodos, a un voltaje y frecuencia particulares, se toma como un indicador de la fuerza DEP. Aunque la alineación de las partículas difiere de un experimento a otro, algunas de las características de los agregados de partículas son dominantes y únicas. \({F}_{\mathrm{DEP}}\) ejercida sobre las micropartículas las conduce a conjuntos de cadenas de perlas que eventualmente se alinearán a lo largo del campo eléctrico13,14. Por ejemplo, se ha descubierto que el número de partículas en una cadena de perlas a un voltaje aplicado es relativamente constante. El patrón ha sido confirmado por varios investigadores en el pasado. En un experimento con perlas de PS de 5 µm15, se formaron cadenas de perlas con 10 a 12 perlas para un potencial aplicado de 15 Vpp a 200 kHz. Asimismo, perlas de PS de 10 µm formaron cadenas de perlas con 7–12 perlas a 20 Vpp a 20 MHz en un tampón de baja conductividad (1,8 × 10−4 S/m)13. En 16 se observó DEP negativo de las perlas de PS cuando se aplicó un voltaje de 3,8 Vpp de frecuencia de 480 kHz, formando una cadena de perlas de 6 a 7 perlas de largo. Se han informado estudios similares en células de levadura cuando el voltaje (3,7 Vpp) a una frecuencia de campo de 580 kHz mostró DEP positivo; se encontró que el número de partículas agregadas estaba relacionado con el voltaje aplicado16,17.

La mayoría de los estudios se han realizado sobre dispositivos Lab-on Chip con características geométricas precisas. Los sistemas DEP asistidos por electrodos se basan principalmente en electrodos planos18,19,20,21 que requieren voltajes entre 10 y 20 V. Los sistemas DEP sin electrodos (i-DEP), operados con voltajes en el rango de 20 a 100 V, se utilizan para estudiar la variaciones dieléctricas de células biológicas y perlas poliméricas22,23. Los avances en nanofabricación y nanotecnología han dado como resultado varios sistemas Lab-on-a-chip (LOC) asistidos por DEP que se utilizan para la separación de micropartículas24,25,26, identificación21,27 y concentración28. Varios estudios han informado sobre la caracterización dieléctrica de partículas biológicas como virus, bacterias, hongos, protozoos, proteínas, lípidos y ADN21,29,30,31,32 utilizando sistemas LOC asistidos por DEP. La detección inmunológica asistida por DEP es ventajosa ya que aumenta la concentración local de partículas objetivo, mejorando así la sensibilidad general del dispositivo y el tiempo de respuesta33. El LOC asistido por DEP se ha utilizado junto con la microscopía electrónica de barrido (SEM) para capturar e inmovilizar células viables en la región SEM sin el uso de una modificación química de la superficie34.

El requisito de estimar con precisión \({F}_{\mathrm{DEP}}\) inducido en partículas es fundamental en el desarrollo de sistemas de microfluidos eficientes. La estimación \({F}_{\mathrm{DEP}}\) es una necesidad en los sistemas de caracterización dieléctrica asistidos por DEP utilizados en el diagnóstico clínico de células biológicas32. Los patrones de agregación de micropartículas son un indicador directo de \({F}_{\mathrm{DEP}}\) y pueden correlacionarse con las propiedades dieléctricas de las micropartículas, incluidas las células biológicas21,22,31,35,36. Sin embargo, debido al fenómeno de la fuerza de arrastre, el rendimiento de los dispositivos LOC es extremadamente bajo a caudales más altos37. Para evitar esta restricción, la \({F}_{\mathrm{DEP}}\) inducida en las partículas debe aumentarse sustancialmente31,32,38, lo que resulta en la necesidad de microelectrodos 3D. El coste de crear sistemas LOC con electrodos 3D implica técnicas de nanofabricación prohibitivamente altas. Hemos desarrollado una alternativa mediante el uso de electrodos textiles que pueden generar una alta \({F}_{\mathrm{DEP}}\) debido a su gran área superficial.

En nuestro trabajo anterior12,17, informamos el uso de un dispositivo DEP basado en electrodos textiles junto con el aprendizaje profundo para predecir el \({F}_{\mathrm{DEP}}\) inducido en microperlas de PS donde lanzamos el \({F}_{\mathrm{DEP}}\) tarea de estimación como problema de clasificación. Se utilizaron clasificadores de redes neuronales convolucionales (CNN) para estimar el voltaje DEP aplicado a partir de la alineación de la cadena de perlas de las microperlas. Esto se hizo para abordar las limitaciones de las técnicas de estimación \({F}_{\mathrm{DEP}}\) existentes, como el dipolo equivalente (EDM)39,40, el tensor de tensión de Maxwell (MST)41,42,43. ,44, momento dipolar iterativo (IDM)9,40,45,46 o método de seguimiento de velocidad. Habíamos utilizado un método CNN orientado a clasificación para entrenar los modelos CNN, que aunque dio excelentes resultados de entrenamiento, tuvo un desempeño deficiente en las pruebas con muestras adversas12,17. Además, el paradigma de clasificación puede ser inadecuado para un cálculo preciso de \({F}_{\mathrm{DEP}}\) ya que el espacio entre distintos voltajes es crucial. Esto sólo puede modelarse con precisión utilizando un marco de regresión.

En este trabajo hemos tratado la tarea de estimación \({F}_{\mathrm{DEP}}\) como un problema de regresión47,48,49 y hemos utilizado modelos ML y DL para los análisis. Los modelos de regresión en visión por computadora cubren una amplia gama de escenarios, incluida la estimación de la posición de la cabeza50, el reconocimiento de puntos de referencia faciales51 y la estimación de la edad52,53. La regresión se utiliza comúnmente para abordar problemas que requieren la predicción de valores continuos. Se ha adoptado un enfoque de regresión profunda basado en CNN para el recuento de células mediante micrografías48,54. En tales situaciones, la capa softmax a menudo se reemplaza con una capa de regresión completamente conectada con activaciones lineales o sigmoideas. Además, la pérdida softmax, que se utiliza ampliamente para tareas de clasificación, se reemplaza por pérdida euclidiana para regresión48.

En esta investigación, hemos explorado algoritmos de ML como Random Forest, KNN, MLP, SVM y regresión lineal para determinar el \({F}_{\mathrm{DEP}}\) experimentado por las perlas de poliestireno y las células de levadura en un nivel bajo. tampón de conductividad. Debido a los algoritmos de ML, especialmente en muestras adversas y fuera de muestra, experimentamos ampliamente con arquitecturas DL que tienen la capacidad de aprender representaciones de datos complejas con mayor precisión. Utilizando el enfoque ML como punto de referencia, explicamos cómo se puede utilizar el aprendizaje profundo para determinar con precisión \({F}_{\mathrm{DEP}}\). AlexNet, ResNet-50, MobileNetV2 y GoogLeNet son las cuatro arquitecturas CNN previamente entrenadas en este estudio que se modificaron en arquitecturas CNN de regresión profunda. Entrenamos los modelos para predecir los voltajes aplicados a partir de micrografías de poliestireno y cadenas de perlas de células de levadura generadas durante la dielectroforesis mediante el aprendizaje por transferencia. Las abreviaturas y palabras enumeradas en la Tabla 1 se utilizarán en el resto del artículo.

La interacción de un campo eléctrico no uniforme con un dipolo se conoce como fuerza dielectroforética \({F}_{\mathrm{DEP}}\). Para mejorar la aproximación de \({F}_{\mathrm{DEP) }}\) ejercido sobre las partículas en términos del voltaje aplicado, se requiere un modelo más tangible y sencillo para avanzar en los sistemas de detección asistidos por DEP. El \({F}_{\mathrm{DEP}}\) cuando la partícula es significativamente más pequeña que las no uniformidades en el campo eléctrico se da en 17 como:

donde \(a\) es el radio de las micropartículas esféricas en un medio, bajo un campo de corriente alterna (CA) \({E}_{rms}\); \({F}_{\mathrm{DEP}}\) depende del producto del campo localizado con su gradiente (\(\nabla {E}_{rms}^{2}\)) y el dependiente de la frecuencia contraste dieléctrico complejo de la partícula versus el medio, dado por la parte real del factor Clausius-Mossoti \(Re\left({f}_{cm}\right)\);

donde \({\varepsilon }_{p}^{*}\) y \({\varepsilon }_{m}^{*}\) son las permitividades complejas de las micropartículas y el medio, respectivamente; y dado como:

donde \(i= \sqrt{-1}\) y \(\omega \) es la frecuencia angular del campo de CA aplicado.

Las huellas dactilares DEP, o propiedades dieléctricas, de una partícula en un determinado medio se pueden determinar alterando la frecuencia de la señal de CA. Las partículas se pueden manipular una vez que se han descubierto sus huellas dactilares DEP. Para las cadenas de partículas, \({F}_{\mathrm{DEP}}\) se puede calcular teóricamente55 utilizando la reexpansión multipolar y el método de imágenes. \({F}_{DEP}\) en una cadena de partículas depende en gran medida del ángulo entre el campo aplicado y la cadena. Las fuerzas máximas de atracción y repulsión en una cadena crecen significativamente con el número de partículas en la cadena, pero cuando el número de partículas es lo suficientemente grande, alcanzan la saturación. Este \({F}_{DEP}\) se calculó analíticamente y se obtuvo como17:

donde \({\varepsilon }_{E}\) la permitividad relativa del medio, E es el campo eléctrico en la superficie de la micropartícula, \({E}_{n}\) es el componente normal de E, y n es el vector unitario normal a la superficie. Sin embargo, la estimación teórica de \({F}_{DEP}\) a partir de micrografías es problemática debido a discrepancias en la estructura del hilo. A nivel microscópico, la orientación de las hebras textiles difiere mucho. Como resultado, la fuerza calculada se vuelve ambigua.

Los voltajes aplicados se predicen examinando los patrones de orientación de la cadena de perlas. A partir de las micrografías recopiladas, los algoritmos de regresión de aprendizaje profundo predijeron el voltaje aplicado a las partículas. La fuerza sobre una cadena de partículas dieléctricas esféricas en un fluido dieléctrico es proporcional al número de partículas así como a su orientación con respecto al campo eléctrico, según diversos estudios55,56. Como resultado, se ha establecido un vínculo directo entre el voltaje aplicado y la formación de la cadena de perlas.

Supongamos que la imagen \(j-th\) está definida en un espacio de entrada \({x}_{j}\in X\), y hay un espacio de salida \({y}_{i}\ en Y = \{{u}_{1}, {u}_{2}, \cdot \cdot \cdot , {u}_{k}\}\) con rangos ordenados \({u}_{k) }\gg {u}_{k-1}\gg \cdot \cdot \cdot \gg {u}_{1}\). El símbolo \(\gg \) representa cómo se ordenan las diferentes clasificaciones. Dado un conjunto de datos de entrenamiento \(\upchi ={\{{x}_{i}, {y}_{i}\}}_{i=1}^{N}\), el objetivo de la regresión es crear un mapeo de imágenes de cadenas de perlas a rangos \(g(.): X\to Y\) tal que el riesgo funcional \(R(g)\) se minimice utilizando un costo específico \(c: X\times Y\to R\). En esta investigación se utiliza la matriz de costos \(C\) para calcular la diferencia de costos entre los rangos previstos y los reales53. \(C\) es una matriz \(K\times K\) donde \({C}_{y,u}\) denota el costo de predecir una muestra \((x, y)\) con rango \( u\). Normalmente,

cuando se supone \(u\ne y\), \({C}_{y,u}>0\) y \({C}_{y,y}=0\). Para cuestiones generales de regresión, la matriz de costos absolutos, que se define como \({C}_{y,u}= |yu|\), es una elección frecuente. Al aplicar técnicas de regresión a la estimación de \({F}_{\mathrm{DEP}}\), cada voltaje se trata como un rango.

El dispositivo de estructura DEP (Fig. 1) comprende electrodos textiles flexibles cosidos a través de una junta tórica de silicona (ID: 1 mm, OD: 3 mm). Los electrodos textiles son hilos conductores recubiertos de plata, 82% nailon y 18% plata. Esta estructura se montó sobre un portaobjetos de vidrio de 1 × 1 pulgada. Las cuerdas se aseguraron con cinta de cobre, que actuaba como contacto eléctrico. Las pruebas se realizaron introduciendo 10 µL de líquido en la cámara de la junta tórica. Una platina de microscopio personalizada impresa en 3D encierra todo el dispositivo para grabar imágenes. Las formaciones de cadenas de perlas se registraron a diferentes voltajes a una frecuencia fija de 200 kHz (Fig. 1b). Durante nuestros experimentos de dielectroforesis con células de levadura y microperlas de PS de 10 a 20 µm utilizando esta configuración, se recolectaron 200 micrografías en cada nivel de voltaje de 1 a 10 V para células de levadura y microperlas de poliestireno, lo que suma una suma de 4000 imágenes.

(a) Dispositivo DEP basado en electrodos textiles con la base de conexión (b) Micrografía SEM de electrodos textiles.

Las células de levadura (Saccharomyces cerevisiae) se cultivan en una incubadora a 30 °C. El medio de crecimiento, extracto de levadura, peptona-dextrosa, consistía en 20 g/l de peptona, 10 g/l de extracto de levadura y 20 g/l de dextrosa disueltos en agua desionizada (DI). Las células se recogieron en la fase de crecimiento estacionaria después de 1 día de cultivo en una incubadora con agitación, se recogieron mediante centrifugación durante 2 minutos a 3000 rpm y se resuspendieron en tampones de medición. Se adquirieron perlas de poliestireno (PS) simples (10, 20 µm) de Spherotech, Inc., EE. UU. Las perlas de PS tienen carga neutra y son hidrófobas. No se utilizó funcionalización de superficie. El tampón no incluía ningún tensioactivo.

Tampón de baja conductividad: todas las micropartículas se suspendieron en un tampón isotónico que consta de sacarosa 200 mM, glucosa 16 mM, 1 MCaCl2 y Na2HPO4 5 mM en agua desionizada (pH 7,4) para los experimentos.

Diseñamos un algoritmo de coincidencia de plantillas para la detección de objetos usando \(OpenCV\) (algoritmo I) para extraer el número total de cadenas de perlas en una imagen, contar cada cadena de perlas y mapearlas en una matriz que represente estas características. (Figura 2). Las cadenas de perlas se identifican dentro de la imagen utilizando formas de referencia que son imágenes recortadas de micropartículas individuales que constituyen la plantilla de reconocimiento. También se extraen las dimensiones de la imagen de plantilla, es decir, altura, ancho, para calcular el radio de la micropartícula. El radio de una perla de muestra en unidades de píxeles se calcula como \(r = (l + b)/4\) donde \(l\) es la longitud y \(b\) es la anchura de la imagen de plantilla de la micropartícula. . En la fórmula \(c\) es una constante que se fija en \(1/4\) de \(r\). El valor de \(c\) se puede corregir hasta que el conjunto de datos de salida incluya los datos de cadenas de perlas no detectadas.

Análisis de cadena de perlas utilizando un algoritmo de coincidencia basado en plantillas y un algoritmo de búsqueda de coordenadas de partículas. Una imagen de plantilla se desplaza a lo largo de las micrografías DEP mediante un desplazamiento (x, y) utilizando los orígenes de las dos imágenes como puntos de referencia. La longitud de la cadena de perlas (Li) se determina mediante un algoritmo de búsqueda de coordenadas de partículas.

La imagen de entrada se representa como \(I(x, y)\), donde \((x, y)\) indica las coordenadas de los píxeles. \(T\left({x}^{^{\prime}},{y}^{^{\prime}}\right)\) denota las coordenadas de cada píxel en la plantilla. La coincidencia basada en plantillas se realiza simplemente moviendo el centro (u el origen) de la plantilla \(T\left({x}^{^{\prime}},{y}^{^{\prime}}\right )\) sobre cada punto \((x, y)\) en la imagen de entrada y calcule la suma de productos entre los coeficientes en \(I(x, y)\) y \(T\left({x}^ {^{\prime}},{y}^{^{\prime}}\right)\), en toda el área abarcada por la plantilla. Como se buscan todas las posiciones posibles de la plantilla con respecto a la imagen de entrada, la posición con la puntuación más alta es la mejor posición. En la implementación de OpenCV, para cada ubicación de T sobre I, almacenamos la métrica de correlación cruzada \((TM\_CCORR\_NORMED)\) en la matriz de resultados R. La métrica de correlación cruzada \((TM\_CCORR\_NORMED)\ ) utilizado se representa matemáticamente como \(R(x, y)\) en la ecuación. 6. Cada ubicación \((x, y)\) en R contiene la puntuación de coincidencia o correlación cruzada, que es el resultado de deslizar el parche con una métrica \(TM\_CCORR\_NORMED\). Las ubicaciones más brillantes indican las coincidencias más altas.

El método \(matchTemplate()\) en la biblioteca \(OpenCV\) se utilizó para comparar la imagen de la plantilla con las imágenes de entrada. También se utilizaron las bibliotecas externas \(cv2, numpy, glob\) y \(workbook\). Las micropartículas detectadas se marcan y se almacenan las coordenadas correspondientes. Las perlas individuales se marcan en la imagen usando el método \(imwrite()\). Las coordenadas obtenidas se combinan con el valor del radio de la perla, que luego se utiliza para identificar la cadena de perlas. Una vez que la función finaliza la comparación, las mejores coincidencias se pueden encontrar como máximos globales \((TM\_CCORR\_NORMED)\) usando la función \(minMaxLoc\). En el caso de una imagen en color, la suma de la plantilla en el numerador y cada suma en el denominador se realiza para todos los canales. El resultado seguirá siendo una imagen de un solo canal, que es más fácil de analizar. La coordenada central de cada micropartícula se extrae del conjunto de datos de coordenadas. Cada coordenada se utiliza para buscar la micropartícula adyacente utilizando la condición \(2r+c\). Todas las micropartículas más cercanas a una cadena se identifican y agrupan en un conjunto de datos, se eliminan los duplicados y las cadenas de perlas se clasifican en recuento de cadenas de perlas, \({C}_{L}\) donde \(L=\left[\mathrm {2,3},4\puntos 18\derecha]\). Las cadenas de perlas identificadas se almacenan en una lista que, al final del procesamiento, la longitud y el número de cadenas de perlas se almacenan en una hoja de Excel. La precisión de la detección de imágenes se puede controlar cambiando los valores del umbral en el código. El método \(excelWrite()\) se utiliza para representar los datos de la imagen masiva procesada en una hoja de Excel.

La predicción de la variable objetivo (voltaje aplicado) se realizó utilizando 18 predictores, que son las características de la cadena de perlas. Cada predictor representa el número de partículas en una cadena de perlas. Los predictores de nuestro modelo se extrajeron de las micrografías (Fig. 2). El valor de cada predictor es el número de micropartículas en una cadena de perlas a un voltaje aplicado. Recuento de cadenas de perlas, \({C}_{L}\) donde \(L=\left[\mathrm{2,3},4\dots 18\right]\) representa el número de cadenas de perlas de una cadena específica Los valores de longitud \(L\), \({C}_{L}\) para todas las imágenes tomadas con diferentes voltajes se almacenan como una matriz y se utilizan como características o predictores para representar la fuerza DEP. Las formaciones de cadenas de perlas se registraron a diferentes voltajes. Nuestra hipótesis es que la cadena de perlas cuenta \({C}_{L}\) en una micrografía a diferentes voltajes \({V}_{x}\) donde \(1\le x\le 10\), es un análisis completo representación de micrografías DEP. Evidentemente a partir de las micrografías, se observaron formaciones de cadenas de perlas a voltajes tan bajos como 2 V. Sin embargo, casi todas las cadenas de perlas no tenían más de 2 micropartículas (\({C}_{2}\)). A 3 V, el 84% de las cadenas de perlas eran \({C}_{2}\) y el 15% de ellas eran \({C}_{3}\). Para voltajes superiores a 5 V, ~ 40% de las cadenas de perlas tienen más de 4 micropartículas \(({C}_{4})\). Por encima de 7 V, \({C}_{8}-{C}_{10}\) es significativo (6,7%). En el rango de 7 a 10 V, los porcentajes de \({C}_{2}-{C}_{5}\) eran muy bajos y la mayoría de las cadenas de perlas tenían más de 8 micropartículas \({C}_{8 }\).

Los análisis de ML se realizaron utilizando la caja de herramientas de Orange escribiendo scripts de Python que acceden a la API de Orange. Se desarrollaron funcionalidades adicionales, como la importancia de las funciones, utilizando widgets de Python Script. El 80% del conjunto de datos se asigna como conjunto de datos de entrenamiento y el 20% a prueba. Los valores faltantes se reemplazaron con el valor mediano de las características. Las características con mayor dominio en la predicción de los objetivos se identifican a partir de conjuntos de entrenamiento. Como se muestra en la Fig. S1, se entrenaron diferentes arquitecturas de ML, como K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest, Neural Networks y Linear Regression, en el conjunto de datos extraído de las micrografías de microperlas de PS. Los scripts de Python utilizados para el aprendizaje automático están disponibles a través de este enlace de Github (https://github.com/skmidhun09/image_detection_python).

Las características extrañas degradan el rendimiento de un modelo y al mismo tiempo aumentan los costos informáticos. Es fundamental encontrar un subgrupo de características de alta prevalencia. Algunas de las características tienen un impacto considerable en el modelo de respuesta que otras. Clasificamos la importancia de las características o predictores utilizando el algoritmo \(RReliefF\) con k vecinos más cercanos. \(RReliefF\) es una función que funciona con objetivo continuo. \(RReliefF\) penaliza las características que ofrecen valores diferentes a los vecinos con los mismos valores de respuesta y recompensa las características que dan valores diferentes a los vecinos con valores de respuesta diferentes. La Figura 3 muestra la clasificación de importancia de las características obtenida al implementar \(RReliefF\). Entre los predictores \({C}_{L}\) donde \(L=\left[\mathrm{2,3},4\dots 18\right]\), \({C}_{8}\ ) resultó ser la característica más importante con un peso de 0,48, seguida de \({C}_{10}\) y \({C}_{11}\) con un valor de peso de importancia de 0,37 y 0,36 respectivamente. \({C}_{1}\) tuvo la puntuación más baja de 0,06 y \({C}_{12}-{C}_{14}\) resultaron insignificantes.

Clasificar la importancia de los predictores utilizando el algoritmo \(RReliefF\) para encontrar un subgrupo de características de alta prevalencia.

Se utilizaron redes neuronales convolucionales (CNN) para extraer tendencias locales de patrones espacio-temporales de formación de cadenas de perlas. Las CNN tienen al menos una capa que utiliza la operación de convolución para extraer características57,58. Las CNN se utilizan en aplicaciones de procesamiento de imágenes, incluida la segmentación automatizada de imágenes histopatológicas59, la reconstrucción automatizada de imágenes de bajo contraste como las imágenes por resonancia magnética (MRI)60,61, la cuantificación de cianobacterias a partir de imágenes hiperespectrales62, el procesamiento de imágenes médicas para el diagnóstico directo de enfermedades63,64, así como así como en otras disciplinas, incluido el reconocimiento de voz58,65 y la previsión meteorológica57,66.

Hemos utilizado cuatro arquitecturas CNN previamente entrenadas, a saber. AlexNet67, MobileNetV268,69, GoogLeNet70 y ResNet-5071 como arquitecturas base para un análisis de regresión profundo. La Tabla 2 presenta una breve descripción general de estas arquitecturas CNN previamente entrenadas. Todas estas arquitecturas se inicializaron como versiones previamente entrenadas de las redes que inicialmente se entrenaron en el conjunto de datos ImageNet para su clasificación. Como se ilustra en la Fig. 4, las arquitecturas CNN previamente entrenadas constan de una capa de entrada, que representa la matriz de píxeles de una imagen de entrada, seguida de una serie de capas convolucionales que utilizan la activación de Unidad Lineal Rectificada (ReLU). Entre dos capas convolucionales hay una capa de agrupación, donde se realiza la operación de agrupación máxima para reducir la muestra de la imagen convolucionada (mapa de características). Posteriormente, una capa completamente conectada donde todas las entradas están conectadas junto con las capas softmax. Para volver a entrenar estas redes previamente entrenadas para la regresión, eliminamos las últimas capas softmax de las arquitecturas base (AlexNet, MobileNetV2, GoogLeNet y ResNet-50), empleadas en el contexto de la clasificación, y luego reemplazamos la capa final completamente conectada. la capa softmax y la capa de salida de clasificación con una capa completamente conectada de tamaño 1 (el número de variables de salida) con activaciones lineales y una capa de regresión. Como resultado, la última capa es una capa de regresión, cuya dimensión de salida corresponde a la del espacio objetivo.

Modificación de las arquitecturas base de las Redes Neuronales Convolucionales (a saber: AlexNet, MobileNetV2, GoogLeNet y ResNet-50) desde el marco de clasificación convencional a un marco de regresión.

Los hiperparámetros notables, como la tasa de aprendizaje \(\alpha \) y el tamaño del lote \({n}_{b}\), se ajustaron adecuadamente para minimizar la función de costos y acelerar la optimización, al tiempo que se garantiza que los modelos converjan al mínimo global, resolviendo así el problema del sobreajuste69,72. La Tabla 3 presenta los hiperparámetros de CNN utilizados. Recientemente se ha desarrollado una serie de algoritmos de tasa de aprendizaje adaptativo; los optimizadores Momentos adaptativos (Adam)72, propagación cuadrática media (RMSProp)72,73 y descenso de gradiente estocástico con impulso (SGDM)74 explorados en este trabajo se encuentran entre los más ampliamente. algoritmos de optimización utilizados. La Tabla 4 presenta una descripción general concisa de estos algoritmos.

Los archivos de imágenes recopilados de micrografías de la formación de cadenas de perlas a diversos voltajes que oscilan entre 1 y 10 V se utilizaron para realizar análisis de aprendizaje profundo.

Para mejorar el tiempo de cálculo y la precisión, aplicamos un método de umbral adaptativo óptimo para reducir la complejidad de las imágenes de cadenas de perlas75. La Figura 5 muestra el diagrama de flujo de la técnica de segmentación y análisis de imágenes. Además, resumimos todos los pasos del proceso de segmentación en el Algoritmo II.

Un diagrama de flujo de operaciones morfológicas realizadas en las micrografías para la segmentación de imágenes, la imagen segmentada de salida \(O(u, v)\) se genera concatenando \({\mathrm{I}}^{\theta }\left(u ,v\right)\) tres veces para formar la imagen equivalente en color verdadero (RGB).

Se utilizó MATLAB Image Processing Toolbox para crear prototipos de los métodos de procesamiento de imágenes en esta investigación. La conversión en escala de grises, la segmentación de umbrales adaptativos y las operaciones morfológicas fueron parte de los procedimientos de procesamiento de imágenes que se llevaron a cabo sistemáticamente para 4000 imágenes5,76,77,78. \(I(u, v)\) son imágenes en escala de grises de las cadenas de perlas en un espacio euclidiano \(E\). A través de un umbral intensivo de las regiones de la cadena de perlas de la micrografía, se empleó un umbral global adaptativo para lograr la segmentación de las cadenas de perlas. El valor umbral seleccionado se obtuvo a través del histograma de la imagen para producir la salida binarizada \({\mathrm{I}}^{\beta }\left(u,v\right)\).

\(\alpha \) es el valor del umbral adaptativo aplicado a la imagen de entrada original \(I(u, v)\) para obtener la imagen resultante, denotada con \({\mathrm{I}}^{\beta }\left (u,v\derecha)\). En los siguientes pasos, se aplica una operación morfológica llamada dilatación en \({\mathrm{I}}^{\beta }\left(u,v\right)\) utilizando el elemento estructurante \({S}_{1} \) (una serie de líneas horizontales y verticales). La dilatación de \({\mathrm{I}}^{\beta }\left(u,v\right)\) por \({S}_{1}\) se define matemáticamente como en 76,77 mediante la ecuación. (8) y (9) a continuación, donde \({\widehat{S}}_{1}\) es la traslación de la matriz \({S}_{1}\) por el vector \(z\) y \(\varnothing \) es un conjunto nulo:

Ahora, realizando una operación de cierre morfológico definida en 77,78 como la erosión de \({\mathrm{I}}^{\gamma }\left(u,v\right)\) por un elemento estructurante horizontal \({S} _{2}\), seguido de la dilatación de la imagen resultante por \({S}_{2}\), obtenemos \({\mathrm{I}}^{\delta }\left(u,v\ derecha)\) como se muestra a continuación:

Luego, rellenamos los agujeros de las cadenas de perlas y limpiamos su borde. Luego, tomando una operación de cierre morfológico definida en 77 como la dilatación de \({\mathrm{I}}^{\delta }\left(u,v\right)\) por un elemento estructurante horizontal \({S}_{2 }\), seguido de la erosión de la imagen resultante por \({S}_{2}\), obtenemos lo que se muestra a continuación:

En el paso final, la imagen segmentada de salida \(O(u, v)\) se genera concatenando \({\mathrm{I}}^{\theta }\left(u,v\right)\) tres veces para forman la imagen equivalente en color verdadero (RGB).

Se puede acceder al código MATLAB utilizado para la tarea de procesamiento de imágenes descrita anteriormente a través de este enlace de Github (https://github.com/AjalaSunday/Neural-Networks-Fall-2021/blob/16ac1708307431272fc2c5c72ee25594d0a81446/PreprocessingPCFImages.m).

Se evaluó el rendimiento de los modelos probando si las disposiciones de cadenas de perlas en micrografías se pueden correlacionar con los voltajes de entrada para encontrar el modelo con el mejor rendimiento utilizando estas cuatro métricas de rendimiento clave: error absoluto medio (MAE), error relativo medio (MRE) , error cuadrático medio (MSE), R cuadrado y error cuadrático medio (RMSE)48,49,57,79. Se expresan matemáticamente como lo dan las Ecs. (15–20) donde \(y\), \(\widehat{y}\) y \(\overline{y }\) definen el valor real, el valor predicho y la media de los valores de \(y\) y \(n\) es el número de muestras:

La precisión de la predicción de los modelos que se puede definir viene dada por la ecuación. (20):

El MAE evalúa la magnitud media de los errores en un grupo de predicciones sin tener en cuenta su dirección. Evalúa la precisión de variables continuas. A menudo se hace referencia al MSE como pérdida cuadrática, ya que la penalización está relacionada con el cuadrado del error y no con el error en sí. Cuando el error se eleva al cuadrado, los valores atípicos reciben más peso, lo que da como resultado un gradiente suave para errores pequeños. Con un aumento del error, el MSE crece exponencialmente. El valor MSE de un buen modelo debería ser cercano a cero. RMSE se calcula tomando la raíz cuadrada de MSE. RMSE es el más fácil de interpretar ya que tiene las mismas unidades que la cantidad. MAE, MSE y RMSE pueden oscilar entre 0 y ∞. La bondad de ajuste de un modelo de regresión está representada por una medida estadística llamada R cuadrado. El valor de R cuadrado óptimo es 1. Cuanto más cerca esté el valor de R cuadrado de 1, mejor se ajustará el modelo.

Después de los pasos de procesamiento y segmentación de imágenes, se cambia el tamaño de las imágenes para que se ajusten a la dimensión de la capa de entrada para cada modelo (Tabla 2). Estos conjuntos de datos de imágenes segmentadas luego se aumentan mediante procedimientos de aumento, como voltearlos aleatoriamente a lo largo del eje vertical y traducirlos aleatoriamente horizontal y verticalmente hasta 30 píxeles para entrenar y validar los modelos de regresión profunda (Fig. 6). El aumento de datos evita que las redes se sobreadapten y garantiza que se generalicen adecuadamente. AlexNet, ResNet-50, MobileNetV2 y GoogLeNet fueron las cuatro arquitecturas de CNN examinadas en este estudio. Durante la fase de entrenamiento de los modelos, los conjuntos de datos de imágenes (2000 muestras de imágenes cada uno para células de levadura y microperlas de PS) se dividieron en 80% (es decir, 1600 muestras de imágenes cada uno para células de levadura y microperlas de PS) para el entrenamiento y 20% (es decir, 400 muestras de imágenes cada una para células de levadura y microperlas de PS) para su validación. La capacitación se realizó en MATLAB R2021a y los experimentos de aprendizaje profundo se realizaron con su caja de herramientas de aprendizaje profundo. Una computadora portátil DELL con un procesador Intel de octava generación de cinco núcleos sirvió como nuestro sistema de desarrollo. El código MATLAB utilizado para el aprendizaje profundo descrito anteriormente está disponible en este enlace de Github (https://github.com/AjalaSunday/Neural-Networks-Fall2021/blob/16ac1708307431272fc2c5c72ee25594d0a81446/RegressionCode.m).

Descripción general del sistema que muestra la fase de entrenamiento de los modelos; los conjuntos de datos de imágenes de entrada se dividieron en un 80 % para el entrenamiento y un 20 % para la validación o prueba.

Al obtener los valores de R cuadrado, MAE, MRE, MSE y RMSE para el conjunto de datos de prueba según los criterios de precisión, se realiza la evaluación de las cuatro arquitecturas. Las tablas 5 y 6 muestran los resultados logrados por las arquitecturas y varios optimizadores en nuestros experimentos con células de levadura y microperlas, respectivamente. Como se puede ver en la Tabla 5, todos los modelos y algoritmos de optimización tuvieron un rendimiento muy superior al 95 % según la métrica de precisión (consulte también la Tabla S2). Sin embargo, al entrenar los modelos en un conjunto de datos de células de levadura, ResNet-50 con el optimizador RMSProp tiene el mejor RMSE de validación de 0,0918 en el conjunto de datos de prueba, seguido del mismo ResNet-50 pero con el optimizador ADAM que tiene un RMSE de validación de 0,1241. Esto también se ilustra con el gráfico de la Fig. 7. Las Figuras S2 y S3 muestran la evolución del RMSE de validación para ResNet-50 con optimizador RMSProp y ResNet-50 con optimizador ADAM en el conjunto de datos de células de levadura, respectivamente, mientras que las líneas de regresión se ilustran en Figuras 8a yb respectivamente.

El rendimiento del modelo en un conjunto de datos de células de levadura para varias arquitecturas ResNet-50 con optimizador RMSPROP tiene el mejor RMSE de validación de 0,0918 en el conjunto de datos de prueba, seguido por el mismo ResNet-50 pero con el optimizador ADAM que tiene un RMSE de validación de 0,1241.

Línea de mejor ajuste de los mejores modelos de regresión profunda (a) ResNet-50 con RMSProp (b) ResNet-50 con ADAM.

En el conjunto de datos de microperlas, como se puede ver en la Tabla 6, todos los modelos y algoritmos de optimización tuvieron un rendimiento muy superior al 90 % según la métrica de precisión (consulte también las Tablas S3 y S4). AlexNet con optimizador ADAM tiene la mejor validación RMSE de 0,1745 en todos los modelos en el conjunto de datos de microperlas PS, seguido de ResNet-50 también con optimizador ADAM con validación RMSE 0,1869. Esto también se ilustra con el gráfico de la Fig. 9. Las Figuras S4 y S5 muestran la evolución de la validación RMSE para AlexNet con optimizador ADAM y ResNet-50 con optimizador ADAM en el conjunto de datos de microperlas PS respectivamente, mientras que las líneas de regresión se ilustran en la Fig. 10a yb respectivamente. Al observar el rendimiento de los algoritmos de optimización de la tasa de aprendizaje adaptativo explorados en este trabajo, encontramos que ADAM tiene la suma menor seguida de RMSProp y luego SGDM en último lugar, con la suma más alta de RMSE en ambos conjuntos de datos, como se muestra en las figuras 11a y b. .

Rendimiento del modelo en un conjunto de datos de microperlas para varias arquitecturas AlexNet con el optimizador ADAM tiene el mejor RMSE de validación de 0,1745 en el conjunto de datos de prueba, seguido del mismo ResNet-50 pero con el optimizador ADAM con un RMSE de validación de 0,1869.

Línea de mejor ajuste de los mejores modelos de regresión profunda (a) AlexNet con ADAM (b) ResNet-50 con ADAM.

Suma de RMSE por optimizador en (a) conjunto de datos de células de levadura (b) conjunto de datos de microperlas de PS.

Este artículo presenta un marco de detección inteligente capaz de estimar directamente la fuerza DEP a partir de la alineación de micropartículas en cadenas de perlas. Hemos probado los modelos propuestos en un sistema dielectroforético basado en electrodos. Los modelos de regresión profunda propuestos se examinaron exhaustivamente y los resultados se compararon con enfoques convencionales de aprendizaje automático. Las características intrínsecas de la alineación de micropartículas, como la longitud y el recuento de la cadena de perlas, se extrajeron mediante algoritmos de segmentación de imágenes y se utilizaron para generar conjuntos de datos de entrenamiento. Los resultados de los experimentos muestran que el rendimiento de los modelos DL resultó ser óptimo en términos de precisión de predicción y capacidad de generalización en comparación con los modelos ML. ResNet-50 con RMSPROP dio el mejor rendimiento, con un RMSE de validación de 0,0918 en células de levadura, mientras que AlexNet con el optimizador ADAM dio el mejor rendimiento, con un RMSE de validación de 0,1745 en microperlas. El modelo de regresión que desarrollamos se puede extender a los sistemas de biosensores para estimar las variaciones en las propiedades dieléctricas de las micropartículas.

El conjunto de datos utilizado para el estudio actual está disponible en Dryad a través de este enlace. Esto está disponible para los revisores, pero estará disponible para el público después de que este artículo haya sido revisado por pares o previa solicitud del autor correspondiente.

Pande, S., Khamparia, A. & Gupta, D. Selección de funciones y comparación de algoritmos de clasificación para redes de sensores inalámbricos. J. Ambiente. Intel. Humaniz. Computadora. https://doi.org/10.1007/s12652-021-03411-6 (2021).

Artículo de Google Scholar

Madhavan, MV, Pande, S., Umekar, P., Mahore, T. y Kalyankar, D. Análisis comparativo de la detección de correo no deseado por correo electrónico con la ayuda de enfoques de aprendizaje automático. En Serie de conferencias IOP: Ciencia e ingeniería de materiales, vol. 1022(1) 12113 https://doi.org/10.1088/1757-899x/1022/1/012113 (2021).

Dharmale, SG, Gomase, SA, Pande, S. Análisis comparativo de metodologías de aprendizaje automático para el uso eficaz de WSN médicas. En Actas de gestión y análisis de datos 441–457 (2022).

Sirohi, M., Lall, M., Yenishetti, S., Panat, L. y Kumar, A. Desarrollo de un algoritmo basado en segmentación de imágenes de aprendizaje automático para la determinación de la adecuación de las imágenes de frotis de esputo teñidas de Gram. Medicina. J. Fuerzas Armadas de la India https://doi.org/10.1016/J.MJAFI.2021.09.012 (2021).

Artículo de Google Scholar

Prinyakupt, J. & Pluempitiwiriyawej, C. Segmentación de glóbulos blancos y comparación de la morfología celular mediante clasificadores de Bayes lineales e ingenuos. Biomédica. Ing. En línea 14(1), 1–19. https://doi.org/10.1186/S12938-015-0037-1/TABLES/8 (2015).

Artículo de Google Scholar

Petrović, N., Moyà-Alcover, G., Jaume-i-Capó, A. & González-Hidalgo, M. Apoyo al diagnóstico de la anemia falciforme en la selección del método de aprendizaje automático más apropiado: hacia un enfoque general e interpretable para la morfología celular Análisis a partir de imágenes de microscopía. Computadora. Biol. Medicina. 126, 104027. https://doi.org/10.1016/J.COMPBIOMED.2020.104027 (2020).

Artículo PubMed Google Scholar

Pratapa, A., Doron, M. & Caicedo, JC Fenotipado celular basado en imágenes con aprendizaje profundo. actual. Opinión. Química. Biol. 65, 9-17. https://doi.org/10.1016/J.CBPA.2021.04.001 (2021).

Artículo CAS PubMed Google Scholar

Hussain, S. y col. Generación de imágenes de alto contenido para el descubrimiento de fármacos mediante redes generativas de confrontación. Red neuronal. 132, 353–363. https://doi.org/10.1016/J.NEUNET.2020.09.007 (2020).

Artículo PubMed Google Scholar

Liu, L., Xie, C., Chen, B. y Wu, J. Estudio numérico de cadenas de partículas de una gran cantidad de partículas DEP distribuidas aleatoriamente utilizando el método iterativo del momento dipolar. J. química. Tecnología. Biotecnología. 91 (4), 1149-1156. https://doi.org/10.1002/JCTB.4700 (2016).

Artículo CAS Google Scholar

Pohl, HA & Crane, JS Dielectroforesis de células. Biofísica. J. 11(9), 711–727. https://doi.org/10.1016/S0006-3495(71)86249-5 (1971).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Washizu, M. & Jones, TB Cálculo de fuerza dielectroforética multipolar generalizada y par electrorotacional. J. Electrost. 38(3), 199–211. https://doi.org/10.1016/S0304-3886(96)00025-3 (1996).

Artículo de Google Scholar

Ajala, S., Jalajamony, HM & Fernandez, RE Análisis de imágenes basado en aprendizaje profundo de la formación de cadenas de perlas en un sistema dielectroforético. En ECSMA, vol. 2021(35) 1962–1962 https://doi.org/10.1149/MA2021-02351962MTGABS (2021).

Zhao, Y., Brcka, J., Faguet, J. & Zhang, G. Aclaración de los mecanismos de dos fenómenos únicos regidos por la interacción partícula-partícula bajo DEP: movimiento giratorio de cadenas de perlas y alineación de partículas elipsoidales. Micromáquinas 2018 9(6), 279. https://doi.org/10.3390/MI9060279 (2018).

Artículo de Google Scholar

Daniel, J. y col. Formación de cadenas de perlas de fibra de carbono discontinua bajo un campo eléctrico. J. Manuf. Madre. Proceso. 2017 1(2), 22. https://doi.org/10.3390/JMMP1020022 (2017).

Artículo CAS Google Scholar

Zhao, Y., Hodge, J., Brcka, J., Faguet, J., Lee, E. y Zhang, G. Efecto de la distorsión del campo eléctrico en la interacción partícula-partícula según DEP Extracto de las actas de la Conferencia COMSOL de 2013 en Boston.

Kanagasabapathi, T., Backhouse, T. & Kaler, K. Dielectroforesis (DEP) de células y micropartículas en canales de microfluidos PDMS. En NSTI-Nanotech, vol. 1 (2004).

Ajala, S., Jalajamony, HM & Fernandez, RE Estimación de la fuerza dielectroforética basada en el aprendizaje profundo. Micromáquinas 2022 13(1), 41. https://doi.org/10.3390/MI13010041 (2021).

Artículo de Google Scholar

Li, M., Fei, F., Qu, Y., Dong, Z., Li, WJ y Wang, Y. Análisis teórico basado en electromecánica de partículas para la formación de cadenas de perlas Au. En 2007, Séptima Conferencia Internacional IEEE sobre Nanotecnología: IEEE-NANO 2007, Actas, 1217–1221 https://doi.org/10.1109/NANO.2007.4601402 (2007).

Wu, C. y col. Un chip plano basado en dielectroforesis para el emparejamiento celular de alto rendimiento. Chip de laboratorio 17(23), 4008–4014. https://doi.org/10.1039/C7LC01082F (2017).

Artículo CAS PubMed Google Scholar

Fernández, RE, Koklu, A., Mansoorifar, A. y Beskok, A. Electrodos de hilo electrodepositados de platino negro para ensamblaje dielectroforético de micropartículas. Biomicrofluídica 10(3), 033101. https://doi.org/10.1063/1.4946015 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Fernández, RE, Rohani, A., Farmehini, V. y Swami, NS Revisión: análisis microbiano en sistemas de microfluidos dielectroforéticos. Anal. Chim. Acta 966, 11. https://doi.org/10.1016/J.ACA.2017.02.024 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Benhal, P., Quashie, D., Kim, Y. y Ali, J. Dielectroforesis basada en aislantes: aplicaciones biológicas a escala micro, nano y molecular. Sensores 2020 20(18), 5095. https://doi.org/10.3390/S20185095 (2020).

Artículo CAS Google Scholar

Malekanfard, A., Beladi-Behbahani, S., Tzeng, TR, Zhao, H. y Xuan, X. Enfoque dielectroforético de partículas y células basado en aislantes de CA en un microcanal "infinito". Anal. Química. 93(14), 5947–5953. https://doi.org/10.1021/ACS.ANALCHEM.1C00697 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Shafiee, H., Sano, MB, Henslee, EA, Caldwell, JL y Davalos, RV Aislamiento selectivo de células vivas/muertas mediante dielectroforesis sin contacto (cDEP). Chip de laboratorio 10(4), 438–445. https://doi.org/10.1039/B920590J (2010).

Artículo CAS PubMed Google Scholar

Ho, CT, Lin, RZ, Chang, WY, Chang, HY y Liu, CH Modelado rápido y heterogéneo de células hepáticas en chip a través de la trampa de dielectroforesis inducida por campo mejorada. Chip de laboratorio 6(6), 724–734. https://doi.org/10.1039/B602036D (2006).

Artículo CAS PubMed Google Scholar

Jen, CP y Chen, TW Captura selectiva de células de mamíferos vivas y muertas mediante dielectroforesis basada en aislantes dentro de microestructuras abiertas. Biomédica. Microdispositivos 11(3), 597–607. https://doi.org/10.1007/S10544-008-9269-1 (2009).

Artículo PubMed Google Scholar

Shafiee, H., Caldwell, JL, Sano, MB y Davalos, RV Dielectroforesis sin contacto: una nueva técnica para la manipulación celular. Biomédica. Microdispositivos 11(5), 997–1006. https://doi.org/10.1007/S10544-009-9317-5 (2009).

Artículo CAS PubMed Google Scholar

Guérin, N. et al. Separador de partículas dielectroforético helicoidal fabricado mediante impresión con husillo conformado. J. Biomed. Ciencia. Ing. 7(9), 641–650. https://doi.org/10.4236/JBISE.2014.79064 (2014).

Artículo de Google Scholar

Yang, L., Banada, PP, Bhunia, AK y Bashir, R. Efectos de la dielectroforesis sobre el crecimiento, la viabilidad y la inmunorreactividad de Listeria monocytogenes. J. Biol. Ing. 2(1), 1–14. https://doi.org/10.1186/1754-1611-2-6/TABLES/1 (2008).

Artículo de Google Scholar

Miled, MA, Massicotte, G. & Sawan, M. Laboratorio en chip integrado basado en dielectroforesis para manipulación de nano y micropartículas y detección capacitiva. Traducción IEEE. Biomédica. Sistema de circuitos. 7(4), 557. https://doi.org/10.1109/TBCAS.2013.2271727 (2012).

Artículo de Google Scholar

Rahman, NA, Ibrahim, F. y Yafouz, B. Dielectroforesis para aplicaciones de ciencias biomédicas: una revisión. Sensores https://doi.org/10.3390/s17030449 (2017).

Artículo PubMed PubMed Central Google Scholar

Demircan, Y., Özgür, E. & Külah, H. Dielectroforesis: aplicaciones y perspectivas futuras en el punto de atención. Electroforesis 34(7), 1008–1027. https://doi.org/10.1002/ELPS.201200446 (2013).

Artículo CAS PubMed Google Scholar

Sapsford, KE, Taitt, CR, Loo, N. & Ligler, FS Detección por biosensor de toxoide botulínico A y enterotoxina estafilocócica B en los alimentos. Aplica. Reinar. Microbiol. 71(9), 5590. https://doi.org/10.1128/AEM.71.9.5590-5592.2005 (2005).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Khoshmanesh, K. et al. Ensayos de interfaz basados en células en microscopía electrónica de barrido ambiental mediante dielectroforesis. Anal. Química. 83(8), 3217–3221. https://doi.org/10.1021/AC2002142 (2011).

Artículo CAS PubMed Google Scholar

Pohl, HA Dielectroforesis: el comportamiento de la materia neutra en campos eléctricos no uniformes (Cambridge University Press, 1978).

Google Académico

Oh, M., Jayasooriya, V., Woo, SO, Nawarathna, D. & Choi, Y. Manipulación selectiva de biomoléculas con pinzas dielectroforéticas basadas en aislantes. Aplicación ACS. Nanomadre. 3(1), 797–805 (2020).

Artículo CAS Google Scholar

Ettehad, HM, Yadav, RK, Guha, S. y Wenger, C. Hacia microfluidos integrados CMOS mediante inmovilización dielectroforética. Biosensores (Basilea) https://doi.org/10.3390/BIOS9020077 (2019).

Artículo de Google Scholar

Manaresi, N. et al. Un chip CMOS para manipulación y detección de células individuales. IEEE J. Circuitos de estado sólido 38(12), 2297–2305. https://doi.org/10.1109/JSSC.2003.819171 (2003).

ADS del artículo Google Scholar

Kurgan, E. Comparación de diferentes métodos de cálculo de fuerzas en dielectroforesis DC. Electrotecnia. Rev.88(8), 11-14 (2012).

Google Académico

C. Xie, B. Chen, L. Liu, H. Chen y J. Wu, Método del momento dipolar iterativo para la interacción de múltiples partículas dielectroforéticas en un campo eléctrico de CA. EUR. J. Mech. B/Fluidos 58, 50–58. https://doi.org/10.1016/j.euromechflu.2016.03.003 (2016).

Ai, Y., Beskok, A., Gauthier, DT, Joo, SW y Qian, S. Transporte electrocinético de CC de células cilíndricas en microcanales rectos. Biomicrofluídica 3(4), 44110. https://doi.org/10.1063/1.3267095 (2009).

Artículo CAS PubMed Google Scholar

Ai, Y., Joo, SW, Jiang, Y., Xuan, X. & Qian, S. Movimiento electroforético transitorio de una partícula cargada a través de un microcanal convergente-divergente: efecto de la fuerza dielectroforética de corriente continua. Electroforesis 30(14), 2499–2506. https://doi.org/10.1002/ELPS.200800792 (2009).

Artículo CAS PubMed Google Scholar

Ai, Y. & Qian, S. Interacciones dielectroforéticas partícula-partícula de DC y sus movimientos relativos. J. Ciencia de la interfaz coloidal. 346(2), 448–454. https://doi.org/10.1016/J.JCIS.2010.03.003 (2010).

Artículo ADS CAS PubMed Google Scholar

Ai, Y., Zeng, Z. y Qian, S. Simulación numérica directa de movimientos interactivos dielectroforéticos entre partículas de CA. J. Ciencia de la interfaz coloidal. 417, 72–79. https://doi.org/10.1016/J.JCIS.2013.11.034 (2014).

Artículo ADS CAS PubMed Google Scholar

Liu, L. y col. Método iterativo del momento dipolar para calcular las fuerzas dielectroforéticas de las interacciones del campo eléctrico entre partículas. Aplica. Matemáticas. Mec. 36(11), 1499-1512. https://doi.org/10.1007/S10483-015-1998-7 (2015).

Artículo MathSciNet Google Scholar

Su, YH et al. Seguimiento dielectroforético cuantitativo para la caracterización y separación de subpoblaciones persistentes de Cryptosporidium parvum. Analista 139(1), 66–73. https://doi.org/10.1039/c3an01810e (2013).

Artículo ADS CAS PubMed Google Scholar

Lathuilière, S., Mesejo, P., Alameda-Pineda, X. & Horaud, R. Un análisis exhaustivo de la regresión profunda. Traducción IEEE. Patrón Anal. Mach. Intel. 42(9), 2065–2081. https://doi.org/10.1109/TPAMI.2019.2910523 (2018).

Artículo de Google Scholar

Xue, Y., Ray, Y., Hugh, J. & Bigras, J. Conteo de células mediante regresión utilizando una red neuronal convolucional. En Lecture Notes in Computer Science (incluida la subserie Lecture Notes in Artificial Intelligence y Lecture Notes in Bioinformatics), vol. 9913 LNCS 274–290 https://doi.org/10.1007/978-3-319-46604-0_20 (2016).

Xie, Y., Xing, F., Kong, X., Su, H. y Yang, L. Más allá de la clasificación: regresión estructurada para una detección celular sólida utilizando una red neuronal convolucional. Medicina. Computación de imágenes. Computadora. Asistir. Interv. 9351, 358. https://doi.org/10.1007/978-3-319-24574-4_43 (2015).

Artículo PubMed PubMed Central Google Scholar

Fanelli, G., Gall, J. & Van Gool, L. Estimación de la postura de la cabeza en tiempo real con bosques de regresión aleatoria. En Actas de la Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones, 617–624 https://doi.org/10.1109/CVPR.2011.5995458 (2011).

Zhu, X. y Ramanan, D. Detección de rostros, estimación de pose y localización de puntos de referencia en la naturaleza. En Actas de la Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones, 2879–2886 https://doi.org/10.1109/CVPR.2012.6248014(2012).

Sabottke, CF, Breaux, MA y Spieler, BM Estimación de la edad en pacientes no identificados mediante radiografía de tórax mediante regresión de redes neuronales convolucionales. Radio de emergencia. 2020 27(5), 463–468. https://doi.org/10.1007/S10140-020-01782-5 (2020).

Artículo de Google Scholar

Niu, Z., Zhou, M., Wang, L., Gao, X. & Hua, G. Regresión ordinal con CNN de salida múltiple para estimación de edad. En Actas de la Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones, vol. 2016-diciembre 4920–4928 https://doi.org/10.1109/CVPR.2016.532 (2016).

Xie, C., Chen, B., Ng, CO, Zhou, X. y Wu, J. Estudio numérico del movimiento interactivo de partículas dielectroforéticas. indefinido 49, 208–216. https://doi.org/10.1016/J.EUROMECHFLU.2014.08.007 (2015).

Artículo MathSciNet Google Scholar

Techaumnat, B., Eua-Arporn, B. & Takuma, T. Cálculo del campo eléctrico y la fuerza dielectroforética sobre partículas esféricas en cadena. J. Aplica. Física. 95(3), 1586-1593. https://doi.org/10.1063/1.1637138 (2004).

Artículo ADS CAS Google Scholar

Ogbi, A., Nicolas, L., Perrussel, R. y Voyer, D. Cálculo de la fuerza DEP sobre partículas esféricas en campos eléctricos no uniformes. En Numélec 2012 180 (2012).

Tudose, AM y cols. Previsión de carga a corto plazo utilizando redes neuronales convolucionales en el contexto de COVID-19: el estudio de caso rumano. Energías 2021 14(13), 4046. https://doi.org/10.3390/EN14134046 (2021).

Artículo CAS Google Scholar

LeCun, Y., Kavukcuoglu, K. y Farabet, C. Redes convolucionales y aplicaciones en visión. En ISCAS 2010—2010 Simposio internacional IEEE sobre circuitos y sistemas: sistemas y tejidos de nanocircuitos biológicos, 253–256 https://doi.org/10.1109/ISCAS.2010.5537907 (2010).

Abdolhoseini, M., Kluge, MG, Walker, FR y Johnson, SJ Segmentación de núcleos muy agrupados a partir de imágenes histopatológicas. Ciencia. República de 2019 9(1), 1–13. https://doi.org/10.1038/s41598-019-38813-2 (2019).

Artículo CAS Google Scholar

Zhou, S. y col. Redes codificadoras-decodificadoras de alta resolución para segmentación de imágenes médicas de bajo contraste. Traducción IEEE. Proceso de imagen. 29, 461–475. https://doi.org/10.1109/TIP.2019.2919937 (2020).

Artículo ADS MathSciNet Google Scholar

Ringenberg, J. y col. Segmentación y reconstrucción automatizadas de la anatomía y patología cardíacas específicas del paciente a partir de resonancia magnética in vivo*. MeScT 23(12), 125405. https://doi.org/10.1088/0957-0233/23/12/125405 (2012).

Artículo ADS CAS Google Scholar

Pyo, JC y cols. Una regresión de redes neuronales convolucionales para cuantificar cianobacterias mediante imágenes hiperespectrales. Sensores remotos. Medio ambiente. 233, 111350. https://doi.org/10.1016/J.RSE.2019.111350 (2019).

ADS del artículo Google Scholar

Tsochatzidis, L., Costaridou, L. & Pratikakis, I. Aprendizaje profundo para el diagnóstico de cáncer de mama a partir de mamografías: un estudio comparativo. J. Imaging 2019 5(3), 37. https://doi.org/10.3390/JIMAGING5030037 (2019).

Artículo de Google Scholar

Yamlome, P., Akwaboah, AD, Marz, A. y Deo, M. Clasificación de imágenes histopatológicas del cáncer de mama basada en redes neuronales convolucionales. En Actas de la Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE, EMBS, vol. 2020-julio 1144-1147 https://doi.org/10.1109/EMBC44109.2020.9176594 (2020).

Ossama, A.-H. et al. Redes neuronales convolucionales para reconocimiento de voz. Trans. IEEE/ACM. Discurso en audio. Lang. Proceso. https://doi.org/10.1109/TASLP.2014.2339736 (2014).

Artículo de Google Scholar

Elhoseiny, M., Huang, S. y Elgammal, A. Clasificación meteorológica con redes neuronales convolucionales profundas. En Actas: Conferencia internacional sobre procesamiento de imágenes, ICIP, vol. 2015-diciembre, 3349–3353 https://doi.org/10.1109/ICIP.2015.7351424 (2015).

Krizhevsky, A., Sutskever, I. & Hinton, Clasificación GE ImageNet con redes neuronales convolucionales profundas. Comunitario. ACM https://doi.org/10.1145/3065386 (2017).

Artículo de Google Scholar

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. & Chen, LC MobileNetV2: residuos invertidos y cuellos de botella lineales. En Actas de la Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones, 4510–4520 https://doi.org/10.1109/CVPR.2018.00474 (2018).

Adetiba, E. et al. LeafsnapNet: un modelo de aprendizaje profundo evolucionado experimentalmente para el reconocimiento de especies de plantas basado en un conjunto de datos de imágenes de hojas. J. Computación. Ciencia. 17(3), 349–363. https://doi.org/10.3844/JCSSP.2021.349.363 (2021).

Artículo de Google Scholar

Simonyan, K. & Zisserman, A. Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala. En: Tercera Conferencia Internacional sobre Representaciones del Aprendizaje, ICLR 2015 - Actas de la Conferencia (2014).

He, K., Zhang, X., Ren, S. y Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. En Actas de la Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones, vol. 2016-diciembre, 770–778 https://doi.org/10.1109/CVPR.2016.90 (2015).

Ruder, S. Una descripción general de los algoritmos de optimización del descenso de gradientes. (2016).

"Descenso de gradiente con RMSProp desde cero". https://machinelearningmastery.com/gradient-descent-with-rmsprop-from-scratch/ (consultado el 7 de enero de 2022).

“Descenso de gradiente estocástico con impulso | de Vitaly Bushaev | Hacia la ciencia de datos”. https://towardsdatascience.com/stochastic-gradient-descent-with-momentum-a84097641a5d (consultado el 7 de enero de 2022).

Petushi, S., García, FU, Haber, MM, Katsinis, C. y Tozeren, A. Los cálculos a gran escala en imágenes histológicas revelan parámetros diferenciadores de grado para el cáncer de mama. BMC Med. Imágenes 6(1), 1–11. https://doi.org/10.1186/1471-2342-6-14/FIGURES/10 (2006).

Artículo de Google Scholar

Nazir, I. et al. Preprocesamiento y segmentación eficientes para la detección de cáncer de pulmón mediante imágenes de TC fusionadas. Electrónica 2022 11(1), 34. https://doi.org/10.3390/ELECTRONICS11010034 (2021).

Artículo de Google Scholar

Senhilkumaran, N. & Thimmiaraja, J. Un análisis ilustrativo de operaciones matemáticas de morfología para imágenes cerebrales por resonancia magnética. En t. J. Computación. Ciencia. Informar. Tecnología. 5(3), 2684–2688 (2014).

Google Académico

Fang, Z., Junpeng, Z., Zhumadian, H. y Yulei, M. Procesamiento de imágenes médicas basado en morfología matemática. En la Segunda Conferencia Internacional sobre Modelado de Sistemas y Aplicaciones Informáticas (2012).

Kalampokas, Τ, Vrochidou, Ε, Papakostas, GA, Pachidis, T. & Kaburlasos, VG Detección de tallos de uva mediante redes neuronales convolucionales de regresión. Informática. Electrón. Agrícola. 186, 106220. https://doi.org/10.1016/J.COMPAG.2021.106220 (2021).

Artículo de Google Scholar

Descargar referencias

Se agradece el apoyo de la subvención n.º 2100930 de la Fundación Nacional de Ciencias.

Departamento de Ingeniería, Universidad Estatal de Norfolk, Norfolk, EE.UU.

Sunday Ajala, Harikrishnan Muraleedharan Jalajamony y Renny Edwin Fernández

Universidad Tecnológica APJ Abdul Kalam, Thiruvananthapuram, India

Nair Midhun

Facultad de Ingeniería y Tecnología Rajeev Gandhi, Puducherry, India

Pradeep Marimuthu

También puedes buscar este autor en PubMed Google Scholar.

RF diseñó los experimentos, los sensores, desarrolló los módulos de aprendizaje automático y coescribió el manuscrito. SA desarrolló el análisis de aprendizaje profundo y coescribió el manuscrito. HJ diseñó y fabricó el sensor y realizó experimentos. MN y PM realizaron el análisis de aprendizaje automático, incluido el procesamiento de imágenes. Todos los autores participaron en la finalización del manuscrito.

Correspondencia a Renny Edwin Fernández.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ajala, S., Muraleedharan Jalajamony, H., Nair, M. et al. Comparación de marcos de regresión de aprendizaje automático y aprendizaje profundo para una predicción precisa de la fuerza dielectroforética. Informe científico 12, 11971 (2022). https://doi.org/10.1038/s41598-022-16114-5

Descargar cita

Recibido: 23 de marzo de 2022

Aceptado: 05 de julio de 2022

Publicado: 13 de julio de 2022

DOI: https://doi.org/10.1038/s41598-022-16114-5

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.