医学信息学解锁20（2020）100433细胞成像数据中病毒颗粒增殖的PiXBirgitta Dresp-Langley博士，主要研究者a，John Mwangi Wandeto博士，合作者b，*aICube Lab UMR 7357 CNRS-斯特拉斯堡大学，法国b肯尼亚Dedan Kimathi技术大学信息技术系A R T I C L EI N FO保留字：细胞成像数据病毒生长数字模型自组织映射无监督学习量化误差图像分类像素精度A B S T R A C T已经开发了细胞和分子成像技术和模型来表征体外细胞局灶性感染后病毒增殖的单个阶段。细胞成像数据的快速和自动分类可以证明在代表性实验数据与宿主细胞中病毒繁殖的数学模型的任何进一步比较之前是有帮助的。在这里，我们使用计算机生成的图像，该图像来自先前发表的实验获得的细胞成像数据的研究中的成像模型的再现，该细胞成像数据代表宿主细胞单层中的渐进性病毒颗粒增殖。受基于时间的实验成像数据的启发，在本研究中，病毒颗粒随时间的增加通过在图像上逐个增加来模拟，在黑色或灰色单像素中代表死亡或部分感染的细胞，并且通过在原始图像模型中编码活细胞的白色像素中逐个增加来模拟假设缓解。通过自组织映射（SOM）将图像模拟提交给无监督学习，并且SOM输出（SOM-QE）中的量化误差用于图像模拟的自动分类，作为病毒颗粒增殖或细胞恢复的代表程度的函数。160个模型图像，每个具有超过三百万像素的SOM-QE的无监督分类被证明提供了一个统计上可靠的，像素精确的，快速的分类模型，优于人类计算机辅助的图像分类RGB图像平均值计算。这里提出的自动分类程序提供了一个强大的方法来了解微调机制的病毒在体外细胞系或其他细胞的感染和增殖1. 介绍病毒是细胞寄生虫，没有自己的新陈代谢。为了增殖，它们必须感染健康的宿主细胞。为了实现这一点，病毒颗粒能够识别并结合宿主细胞质膜上的特异性受体分子，这一过程称为附着。病毒颗粒和宿主细胞膜表面之间的这种相互作用例如，在人类免疫缺陷病毒（HIV）（一种冠状病毒）的情况下，病毒包膜蛋白与宿主细胞表面结构的结合涉及表面蛋白gp120与CD4受体之间的相互作用[ 2 ]，CD4受体是一种几乎仅存在于T辅助细胞（淋巴细胞）和巨噬细胞膜中的多肽。这是HIV复制周期的第一步，决定了HIV降低人体免疫系统的能力。在其他情况下，病毒蛋白可能与细胞结构存在于多种细胞类型中。已经开发了用于细胞和分子成像的各种工具，以表征病毒增殖的单个细胞内阶段[1，3]。电子显微镜（EM）的高分辨率允许在纳米尺度上进行研究，为诊断和研究提供宿主细胞膜表面上病毒增殖（病毒体出芽）的直接图像[4]。特别是扫描电子显微镜（SEM）通过观察与感染过程进展或缓解相关的膜表面和含有病毒复制位点的结构的超微结构变化，促进单细胞分析和细胞间比较[2，4，5]。免疫细胞化学[5，6]和通过彩色染色和其他标记技术进行的细胞活力成像允许研究病毒在体外宿主细胞表面传播的空间和时间动态。Haseltine等人[7]开发了一种成像方法，该方法允许使用以下组合来跟踪局灶性感染的传播：* 通讯作者。 P.O. BoX 12305，10109，Nyeri，Kenya.电子邮件地址：birgitta. unistra.fr（B. Dresp-Langley），john. dkut.ac.ke（J.M.Wandeto）。https://doi.org/10.1016/j.imu.2020.100433接收日期：2020年7月7日;接收日期：2020年9月16日;接受日期：2020年9月16日2020年9月20日网上发售2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuB. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004332免疫细胞化学标记和分步数字成像。在他们的研究中，将幼仓鼠肾（BHK）细胞接种在6孔板上，生长为融合单层，并覆盖一层薄薄的琼脂。在琼脂中刺穿小孔后，通过注射5μ l病毒VSVN1接种物以1.6× 107感染颗粒（i.e.感染复数为20），如参考文献[6，7]所述。随后将细胞固定，并用抗病毒糖蛋白的抗体在感染细胞上和细胞内进行免疫荧光标记。然后使用高分辨率单色数码相机通过落射荧光显微镜在低放大倍数下获得（图1感染传播的时间动力学指导了迭代建模步骤，从而导致了其相关特征的数学重建。Haseltine等人因此，S [7]模型方法旨在通过突出显示病毒感染和在宿主细胞上增殖的关键空间和时间方面来促进实验标记数据的解释。与任何成像技术或高级成像模型相结合的用于确定体外细胞变化和细胞活力的任何技术涉及图像材料的人类视觉分类和/或解释，这在图像内容的时空不确定性高时可能涉及猜测。在这种情况下，很难排除分析师的任何主观性[5]。为了确保高质量的决策，在评估所需的大量。此外，用于细胞成像数据的自动分类的负担得起的精度软件应该将分类的高准确性与相对于定量的速度、客观性和再现性的进一步优点相结合。在我们之前的研究中，我们利用了功能特性，例如对自组织映射（SOM-QE）输出中量化误差的局部图像对比度的空间范围、强度和颜色的敏感性，用于无监督图像分类，作为局部对比度内容中最精细、通常可见、临床或功能相关变化的函数[8关于细胞成像数据，SOM-QE被成功地用于CD4 T细胞SEM图像的快速无监督分类不同程度的超微结构表面信号与表面定位的单个HIV-1病毒颗粒感染相关。结果表明，SOM-QE允许作为人眼不可见的超微结构信号变化的函数的这样的SEM图像的集合的快速自动分类。正如我们以前的研究所指出的，目前可用的任何成像方法都有其自身的局限性，包括SEM。重要的是，提交给pix el精确分析的具有假定功能变化的系列的所有图像都是相同缩放的。SEM旨在提供超微结构细胞特性的3D模型，然而，经受任何进一步分析的所得图像是2D的，其中z轴投影到虚拟深度中。这为视点相关的错误留下了额外的空间，并且有必要确保来自给定时间序列的图像不仅在2D中相同地缩放，而且在提交分析时从细胞或任何其他结构的同一个3D视图中获取。SOM-QE也是一个强大的自动分类工具，基于双色染色的细胞活力数据，如先前在96个图像模拟中所示[9]。SOM-QE始终检测任何局部颜色信号中的最小空间变化[1，14]。这些可能反映了低于专家可见性阈值的理论细胞活力的系统性增加或减少。信号检测实验[9，11]表明，即使通过时间上不受限制的专家目视检查，也不可能检测到具有临床意义的一系列图像的两个图像之间的颜色或对比度的临床显著变化（小于10像素）。SOM-QE以一致和统计可靠的方式检测任何此类变化，如概念验证研究所示，该研究证明了度量对包含数百万图像像素的随机点图像中的空间范围、对比度强度、对比度极性和单像素变化的颜色的选择性[12在本研究中，我们使用先前发表的细胞成像，Haseltine等人的模型[7]，在上文中描述了所有必要的细节。结果表明，SOM-QE的快速自动分类，Fig. 1. Haseltine等人[7]的研究中基于时间的成像模型示例（复制、修改和此处显示仅用于说明），其中在细胞单层局灶性感染后的不同时间生成感染细胞的图像。如参考文献[7]所述，体外局灶性感染后，病毒糖蛋白的抗体标记和免疫荧光显微镜检测，生成感染单层区域（圆形图像区域）的数码相机图像。圆形区域中的对比度水平表示活细胞物质（白色图像像素）、进行性感染（不同灰度的图像像素）和死细胞物质（黑色图像像素）的相对量。 从上到下的图像对应于感染48小时（上）、72小时（中）和90小时（下）之间的时间。比例尺代表1 mm。绘制本研究所有图像模拟的模型图像是该图的顶部图像。B. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004333=（）下一页/∑进入宿主细胞中病毒繁殖的最早潜在阶段，这既不能通过目视检查也不能通过成像模型本身检测到。参考文献[7]中描述的成像模型旨在提供细胞单层局灶性感染后病毒颗粒增殖时程（以小时或天计）的年龄分离模型。参考研究[7]的原始图像将感染和死亡细胞浓度的总和（连续变量）转换为整数值强度标度。在体外单层感染过程中的特定时刻拍摄的参考研究（见图1）中的一张图像的高分辨率计算机软件重建在此用作真实图像。然后使用从初始图像得到的模型拷贝来模拟理论时间内的图像序列，所述理论时间对应于细胞单层中病毒的最小可能感染进展/衰退的秒或分钟。病毒颗粒随时间的生长通过在图像中逐个增加来模拟。黑色像素表示死亡，灰色像素表示轻微感染，白色像素表示原始和假设图像模型中的活细胞然后将图像模拟提交给无监督学习通过自组织映射（SOM），如前所述[8-2. 材料和方法2.1. 图像模拟利用ADOBE Photoshop 7中的单像素XEL级控制功能，在此基础上，图1所示的第一原始图像的虚拟副本，其是图2所示的高分辨率地面实况图像的低分辨率版本，其在任何进一步的图像模拟之前被重建用于本研究。图2示出了在实施模拟进一步的病毒颗粒生长/衰退的任何改变之前的图像状态（地面实况）。159个进一步的图像直接从这个高分辨率的计算机模型图像中绘制，以模拟最精细的可能（即，e.在图像中可观察到）病毒颗粒生长或细胞及时恢复。重建参考图像的模型副本需要30分钟，生成单个像素变化的160个图像模拟需要约1小时。 在实验细胞研究中，在我们的高分辨率图像模拟中由小的单个像素变化反映的变化可以在体外感染后几分钟内发生。通过将指示活细胞物质（白色）的图像像素逐个替换为指示不同感染水平（灰色阴影）或死细胞物质（黑色）的像素来模拟病毒颗粒生长。在特定细胞处理可以使细胞抵抗细胞死亡并从感染中恢复的假设情况下，通过在代表活细胞物质的光像素中跨图像逐个增加来模拟细胞的及时恢复。指示死细胞物质（黑色）的图像像素被指示感染的进行性水平（灰色阴影）或活细胞物质（白色）的像素替代。所有160幅图像都具有相同的大小（1906X 1794），总像素数为3419364像素。图像像素的不同灰度级的红-绿-蓝（RGB）值为[0，0，0]，在此称为64，64]，这里称为在这里被称为这里称为2.2. 自组织映射（SOM）和量化误差（QE）图二. 基于来自实验获得的细胞成像数据的原始图像的计算机生成的图像模型重建[7]。该模型具有与原始模型（图1）相同的临床相关图像数据变化，比例相同。在ADOBE Photoshop7中，从该模型重建中计算机生成总共160幅图像。单像素Xel RGB增量模拟了假想病毒颗粒随时间增长/衰退的理论图像数据。这是通过用指示不同感染水平（灰色阴影）或死细胞物质（黑色）的像素元素逐个替换指示活细胞物质（白色）的像素通过用指示不同感染水平（灰色阴影）或活细胞物质（白色）的像素逐个替换指示死细胞物质（黑色）的图像像素来模拟假设处理后的可以定义为n维的实向量x。n维参数实向量mi与SOM中的每个元素相关联向量mi是一个模型，因此SOM是一个模型数组。假设x和mi之间的一般距离度量由d（x，mi）表示，输入向量x在SOM数组上的映射被定义为与x最佳匹配（最小d（x，mi））的数组元素mc。在学习过程中，将输入向量x与所有mi进行比较，以识别mc。的欧几里得距离||x-m i||定义M C。在地图中拓扑上接近到一定几何距离的模型（用hci表示）将相互激活，从它们的公共输入x中学习一些东西。这会导致在该邻域中的模型上的局部松弛或平滑效果，这在连续学习中会导致全局排序。SOM学习由以下等式m （ t+1 ） =mi （ t ） +α （ t ） hci （ t ） [x （ t ） -mi （ t ） ]（ 1）其中t 1，2，3. 是整数，离散时间坐标，hci（t）是邻域函数，定义在映射点上的平滑核，随时间收敛到零，αt是学习率，也随时间收敛到零，并影响每个模型中的学习量。在SOM中的赢家通吃学习过程结束时，每个图像输入向量x变得与其在映射mc上的最佳匹配模型相关联。x和m c的差，||x-m c||是最终SOM值与原始输入值有多接近的度量，并且由量化误差QE反映。图像中所有x（X）的平均QE由下式给出：自组织映射（一个原型以图形方式表示，图3，用于说明）可以被正式描述为一个非线性的，有序的，光滑的高维输入数据映射到ele-dimensional。QE= 1NNi=1Ximci（二）一个规则的低维数组的元素[16]。假设集合其中N是图像中输入向量x的数量最后的重量B. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004334图三. 用16个模型表示SOM原型，由灰色方框中的实心圆表示。这些模型中的每一个都与无监督赢家通吃学习过程中的SOM输入进行比较。在本研究中，输入向量对应于RGB图像的piX el空间。映射中与SOM输入最匹配的模型将成为赢家，并且获胜模型的参数将朝着进一步接近输入的方向改变。获胜模型附近的模型参数也会发生变化，但变化程度小于获胜模型。在训练结束时，每个输入空间都与映射中的模型相关联。输入向量和最终获胜模型之间的差异决定了SOM输出中的量化误差（QE）。的SOM由表示每个R、G和B通道的三维输出向量空间定义。从一幅图像到另一幅图像，这些变化的幅度和方向都可靠地反映在QE的变化中用于实现SOM-QE的代码可在线获得：https://www.researchgate.net/publication/330500541_Self-organizing_map-based_quantization_error_from_images.SOM训练过程包括1000次迭代。SOM是一个4乘4节点的二维矩形地图，因此能够从数据中创建16个观测模型。空间位置， 或坐标，16个模型或域中的每一个，放置在地图上的不同位置，展示出使每个模型或域与所有其他模型或域不同的特征。当一个新的输入信号出现在地图上时，模型会进行竞争，获胜者将是其特征最接近输入信号的模型。因此，输入信号将被分类或分组到模型之一中。每个模型或域就像相同输入的单独解码器，即独立地解释新输入所携带的信息。输入被表示为与地图中的模型相同格式的数学向量。因此，在特定标测图位置处存在或不存在主动响应，而不是提供对输入的解释的准确的输入-输出信号变换或响应的幅度。为了获得地图大小的初始值，实施了试错过程。大于4x4的地图尺寸产生了一些模型最终为空的观察结果，这意味着这些模型在训练结束时没有吸引任何输入。因此，16个模型足以代表所有 罚款 结构 在 的 图像 数据 邻域 距离和学习率分别恒定在1.2和0.2。 这些值在测试第一猜测的质量之后通过试错法获得，第一猜测的质量直接由所得到的量化误差的值确定;该值越低，第一猜测越好。值得指出的是，模型是由从训练图像（这里称为“原始图像”）中随机挑选向量。这允许SOM处理原始数据，而无需事先假设数据中的组织级别。然而，这需要从更宽的邻域函数和更大的学习率因子开始，而不是预先选择模型向量的初始值[17]。该方法在计算时间方面是经济的，这构成了其在任何进一步的人为干预或决策之前基于甚至更大的图像数据集进行快速变化/无变化检测的主要优点之一。2.3. 实验程序160个图像模拟病毒颗粒生长，在感染圈内的区域中，通过浅灰色、中灰色、深灰色或黑色像素逐步逐个替换白色（“活细胞物质”）像素，或在专门设计的使细胞能够从感染影响中恢复的假设处理后进行细胞恢复，通过用浅灰色、中灰色、深灰色或白色的像素逐步逐个替换黑色（“死细胞物质”）像素，将其送入单个SOM。在分析之前，SOM的训练图像是“在任何像素改变之前”的模型图像在对训练图像进行非监督SOM学习之后，进行SOM分析在所有图像中，将SOM-QE输出写入数据文件。进一步的步骤生成SOM-QE的输出图，其中每个输出值与对应的输入图像相关联。然后，输出数据以SOM-QE幅度的递增/递减顺序绘制为相应图像变化的函数（自动图像分类）。对160幅图像进行SOM分析的计算时间约为12 s/幅图像。然后将SOM-QE图像分类的精度与基于Image-J中的RGB平均值的相同图像数据的人机辅助分类的精度进行比较，Image-J是一种可在线获得的开放访问图像分析工具：https：magej.nih.gov/ij/。3. 结果通过无监督SOM学习的自动图像分类的SOM-QE输出数据和根据RGB图像均值的人机辅助图像分类的输出数据被绘制为图像像素变化的幅度的函数，所述图像像素变化模拟病毒增殖的进行性（即增加的空间范围）或从较高水平的感染恢复的细胞的进行性（即增加的空间范围）。在此模拟，与参考文献[ 7 ]中描述的实验细胞成像方法一致，通过不同的灰色阴影。这些结果在图4中显示为模拟进行性病毒增殖的图像，在图5中显示为模拟从感染进行性细胞恢复的图像。图的X轴表示图像的顺序，假设图像模拟中的像素变化以该顺序及时反映了潜在的病毒增殖/细胞再加工过程。Y轴给出了用于检测图像变化的每个度量（RGB均值，SOM-QE）3.1. 描述性分析图中的数据。图4（下图）示出了SOM-QE一致地且可靠地分类图像中的细胞变化，这是通过将QE的线性降低信号化为增加灰色或黑色图像像素的数量的函数来代替白色图像像素，从而模拟感染细胞单层 区 域 中 的 进 行 性 病 毒 增 殖 。 来 自 人 类 计 算 机 辅 助 图 像 分 类（ImageJ）的RGB图像均值（图4，顶部和中间图）不允许以统计上可靠的方式对图像数据进行分类。换句话说，图像均值未能检测到图像中的更精细的像素像素变化。虽然SOM-QE对模拟从浅灰色到黑色像素色调的不同强度水平的感染的B. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004335见图4。SOM-QE分类数据的图形表示（底部图），与来自人类计算机辅助（ImageJ）分类的数据在RGB图像均值方面的比较（顶部和中间图）。这里将输出数据绘制为图像像素变化幅度的函数，模拟不同感染水平的渐进病毒增殖。这些在图像中通过指示感染向细胞死亡进展的较暗像素代替指示活细胞组织的白色图像像素RGB平均值具有区分浅灰色和黑色变化的显著能力（图4，下图），但完全不能检测到模拟图像中局部感染进展的浅灰色像素代替白色像素（图4图中的数据。图5（下图）示出了SOM-QE一致地且可靠地分类图像中的细胞变化，这是通过发信号通知QE的线性增加作为灰色或白色图像PIXEL替换黑色图像PIXEL的数量增加的函数，模拟假设治疗后的渐进细胞恢复，即，越来越多的B. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004336图五. SOM-QE分类数据的图形表示（底部图），与来自人类计算机辅助（ImageJ）分类的数据在RGB图像均值方面的比较（顶部和中间图）。输出数据在此被绘制为图像像素变化的幅度的函数，其模拟了针对不同感染水平的渐进的（即，增加的空间范围）细胞恢复。这些在图像中通过较亮的图像像素代替指示死细胞组织的黑色图像像素更健康的活细胞组织来自人类计算机辅助图像分类（ImageJ）的RGB图像装置（图5，顶部和中间图）再次不允许可靠地对图像数据进行分类。同样，图像均值不能检测图像中更精细的像素变化，而SOM-QE可靠地检测它们。同样，对所有模拟的变化高度敏感，从浅灰色到白色像素色调的不同强度水平的细胞组织恢复，具有区分所有灰色像素和白色像素变化的显著能力（图5，底部图），RGB平均值完全不能检测到代替黑色像素的深灰色像素数量的任何变化（图5，右侧中间图），在图像中模拟低水平细胞恢复B. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004337==3.2. 统计分析SOM-QE数据和RGB图像平均值绘制在图1和图2中。4和5进行线性回归分析，以通过与RGB平均值进行比较来进一步量化无监督SOM-QE分类的可靠性。拟合的线性方程以及函数斜率（a）和截距（b）的数值显示在图中。4和5.这些拟合的优度基于两个统计标准进行评估和比较：1）正态性检验（本文中的Shapiro-Wilk），其产生用于以下声明的概率标准：给定的分类模型一致地再现了理论上假设的正态分布和2）回归系数R2，其中R2当输出数据分布是以下的完全线性模型时，分类输入数据。正态性检验和回归分析（R2）的结果（如表1所示）表明，SOM-QE分布或图像分类数据在所有测试用例中均满足正态性准则。线性拟合的回归系数R2在所有情况下均为0.99，表明图像数据的SOM QE分类模型在统计上可靠，并提供了一个准完美的检测模型，该图像输入模拟PIXEL精确的病毒增殖或恢复。相反，RGB均值分布或图像分类数据在所有测试用例中均不符合正态性标准，并且线性拟合的回归系数R2在所有情况下均为.70，表明RGB均值不符合标准以可靠地对模拟像素精确的病毒增殖或恢复的图像输入中的变化进行分类。对于直接统计比较，我们使用t检验来评估回归系数分布相对于SOM-QE和RGB平均值的线性拟合之间差异的统计显著性。该检验结果表明分布之间存在统计学显著差异（t（1，14）5.544; p 0.001）。<4. 讨论来自该研究的结果表明，通过SOM-QE [8-作为单个图像像素像素对比度的局部变化的函数的SOM-QE的线性模型增加或减少再现了该神经网络度量对数百万个图像像素中的单个像素的对比度极性和/或强度的变化的先前示出的精细灵敏度[8在这里，被送入SOM-QE分析的理论模型图像每个都由超过300万像素组成。对于单个细胞或单层细胞中的病毒进展或细胞恢复，通过这些高分辨率图像之间的单像素变化模拟的细胞变化的假设时间尺度随着越来越高的表1SOM-QE和RGB平均分类数据的线性回归分析分辨率的相机解决方案，以及每10分钟拍摄一次并直接输入计算机进行SOM-QE分析的恒定相机位置的图像，细胞生物学家可以在前所未有的短延迟内检测细胞单层或单细胞内的显著变化。为了提供以小时/天为单位的病毒增殖的时间过程模型，参考研究[7]的作者进一步降低了他们的实验衍生图像中信息的复杂性，这些图像的分辨率比我们的模型图像模拟差得多，通过将它们划分为20X 20PIX el的块，这不是很精确，然后平均每个块中包含的PIXel。这种图像复杂性的降低是必要的，以减少像素的总数，同时保留感染传播的突出特征，以便通过其自己的数学模型进行进一步分析。在他们最大的图像的情况下，这代表了在他们的研究中从大约200万像素减少到5000像素[7]。处理太多复杂性的图像缩减总是存在丢失潜在相关信息的风险。由于SOM-QE提供了非常大的图像的像素精度分析，因此即使是最小的局部变化也不需要图像数据减少来可靠地分类。SOM-QE还可以应用于所选择的、特别是相关的图像。部分或感兴趣区域（ROI），用于分析单个像素的变化，只要它们在图像中的空间位置是一个关键因素，如我们以前的一些工作所示[12]。将免疫组化数据与数字成像相结合绝对是未来的发展方向。在癌症诊断中利用数字图像[18-最后，在当前SARS-CoV（一种特殊类型的冠状病毒）大流行爆发的背景下，有希望使用细胞成像模型，如参考文献1中[7]，这激发了这项研究在这里，说明体外冠状病毒进入和细胞系或其他培养细胞的增殖机制将允许更好地了解感染过程[21]。快速，廉价，快速实施的自动图像分类方法，如这里提出的一个可以支持新的治疗策略的快速发展。5. 结论体外病灶感染后病毒增殖或响应特定治疗的细胞恢复的基于RGB的数字图像像素模型可能包含数百万个图像像素，即使是经验丰富的专家也无法进行视觉处理。基于无监督自组织映射的SOM-QE方法[8该分类方法优于人类计算机辅助图像分类，快速且经济，并且可以正态性检验（Shapiro-Wilk）线性回归系数（R2）模拟像素精确细胞感染进展或细胞恢复假设回收水平SOM-QERGB均值SOM-QERGB均值假定感染水平0.42通过05失败.99.67黑色替代白色0.48通过05失败.99.54深灰色替代白色0.53通过05失败.99.32中灰色替代白色0.84通过05失败.990浅灰色替代白色0.42通过05失败.99.68白色替代黑色0.47通过05失败.99.66浅灰色替代黑色0.60通过05失败.99.54中灰色替代黑色0.74通过05失败.990深灰色替代黑色B. Dresp-Langley和J.M. 万代托医学信息学解锁20（2020）1004338+在进一步数学建模之前应用于大的成像数据资金来源这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的作者贡献研究概念和设计：Dresp-Langley，Wandeto。数据采集：Wandeto，Dresp-Langley。数据分析和解释：Dresp-Langley，Wandeto。手稿起草：Dresp-Langley，Wandeto关键修订：Wandeto，Dresp-Langley。待提交版本的最终批准：Wandeto，Dresp- Langley。同意一个也没有。竞争利益作者声明，他们没有已知的可能影响本文所报告工作确认我们希望感谢我们的主办机构的物质支持：CNRS，ICube Lab UMR7357，斯特拉斯堡大学，法国和肯尼亚Dedan Kimathi技术大学。附录A. 补充数据本文的补充数据可在https：//doi网站上找到。org/10.1016/j.imu.2020.100433。引用[1] ModrowS，FalkeD，TruyenU，SchüatzlH. 病毒增殖和复制。 分子病毒学。Berlin，Heidelberg：Springer; 2013.[2] SundquistWI，Kr？ausslichHG. HIV-1组装、出芽和成熟。 冷泉港透视医学2012;2（7）：a006924。[3] Richert-PogelerKR，FranzkeK，HippK，KleespiesRG. 病毒诊断和病毒高分辨率分析的电子显微镜方法。 Front Microbiol2019;9：3255.[4] Wang L，Eng ET，Law K，Gordon RE，Rice WJ，Chen BK.通过三维相关光学和电子显微镜观察HIV T细胞病毒学突触和含病毒区室。J Virol 2017;91（2）。[5] Gasparini LS，Macedo ND，Pimentel EF，Fronza M，Junior VL，Borges WS，Cole ER，Andrade TU，Endringer DC，Lenz D.通过CellProfiler（®）软件进行的体外细胞活力测定，等同于MTT测定。Phcog Mag 2017;13（增刊2）：S365-9。[6] Lam V，Duca KA，YinJ.水泡性口炎病毒感染的体外传播依赖于干扰素介导的抗病毒活性。生物技术与生物工程2005;90（7）：793-804。[7] Haseltine EL，Lam V，YinJ，Rawlings JB.病毒生长和传播的图像引导建模。Bull Math Biol2008;70（6）：1730-1748.[8] Wandeto JM，Dresp-Langley B.显示CD4的SEM图像集的超快自动分类不同程度的HIV病毒体感染的细胞。斯特拉斯堡，法国：7 i`emesJour n`eesdelaF`ed`erationdeM`edecineTranslationnelledel'Universit`edeStrasbourg;2019. 5月25日至26日。[9] Dresp-Langley，B，Wandeto，JM.使用自组织映射中的量化误差对细胞成像数据进行无监督分类。计算科学与计算智能学报，H。R. Arabnia等人（编辑），人工智能和应用计算的进展，Springer-Nature，目前正在出版。[10] Wandeto JM，Nyongesa HKO，Remond Y，Dresp-Langley B.检测医学和随机点图像中的微小变化，将自组织映射性能与人体检测进行比较。 Inf MedUnlocked 2017;7：39-45.[11] Wandeto JM，Nyongesa HKO，Dresp-Langley B.检测复杂图像中的最小变化，比较自组织映射和专家性能。第40届欧洲视觉感知会议，柏林，德国。Perception.第46卷;2017年。第166页。ECVP摘要。[12] Wandeto JM，Dresp-Langley B，Nyongesa HKO.视觉启发的自动检测卫星图像中的水位变化：米德湖的例子。第41届欧洲视觉感知会议。第47卷。的里雅斯特：意大利。2018年，《感知》。第57页。ECVP摘要。[13] Dresp-Langley B，Wandeto JM，Nyongesa HKO.使用自组织映射输出的量化误差快速检测图像时间序列中的临界变化。在：ISTE OpenScience，集合“从数据到决策”。London：Wiley&Sons.[14] Wandeto JM，Dresp-Langley B.自组织映射中的量化误差，作为大随机模式中单像素变化的对比度和颜色特定指示器。神经网络2019;119：273-85.[15] WandetoJM，Dresp-Langley B.史蒂夫·格罗斯伯格的荣誉贡献80岁生日特刊：自组织映射中的量化误差，作为大随机模式中单像素变化的对比度和颜色特定指标。神经网络2019;120：116-28.[16] 科霍宁河自组织地图http://link.springer.com/10.1007/978-3-642-56927-2;2001.[17] 科霍宁河自组织映射的MATLAB实现及应用. 芬兰赫尔辛基：Unigrafia Oy; 2014年。[18] Azevedo Tosta TA，Neves LA，Nascimento do.淋巴瘤&HE染色组织图像分割方法的研究进展。Inf Med Unlocked 2017;9：35-43. MZ[19] Aswathy MA，Jagannath M.数字化组织病理学图像检测乳腺癌：现状和未来可能性。 Inf Med Unlocked 2017;8：74-9.[20] Dabeer S，Khan MM，Islam S.组织病理学图像中的癌症诊断：基于CNN的方法。 Inf Med Unlocked 2019;116：100231.[21] MilewskaA，Nowak P，Owczarek K，等. 人冠状病毒NL63进入细胞。JVirol2018;92（3）。e01933 -17。
