Clusteranalyse hochdimensionaler Merkmalsdaten eines Fluoreszenzmikroskopes mit einerm Selbstorganisierenden Merkmalskarte

In der biomedizinischen Forschung sind Serien von Mikroskopaufnahmen des selben Bildausschnittes mit verschiedenen Objektmarkierungen von besonderem Interesse. Die mehrfachen Mikroskopkaufnahmen enthalten kombinatorische Informationen. Es werden Analyseverfahren benötigt, die eine biologische Interpretation der vorhandenen Informationen ermöglichen. Das Forschungsziel unseres Projektes besteht in der quantitativen Analyse und Systembeschreibung hochkomplexer molekularer Kombinations muster an der Zelloberfläche menschlicher Immunzellen unter normalen und pathologischen Bedingungen. Dazu wird eine neue Mikroskopiemethode, die Multi-Epitop-Ligand-Kartierungs-Mikroskopie, angewendet. Als Mikroskop dient ein Prototyp der Carl Zeiss Jena GmbH. Die Aufnahme der Bildserie erfolgt mit einer CCD-Kamera. Ein Personalcomputer steürt mittels einer Pipettierein heit den Inkubations- und Bleaching-Prozeß. Somit wurden langwierige Prozeßzeiten der Mikroskopie automatisiert. Die aufgenommen Bildserien werden mit Algorithmen der Bildvorverarbeitung und Mustererkennung verarbeitet. Es entsteht ein hochdimensionaler Merkmalssatz, der die gesuchten biologischen Informationen enthält. Zur Clusteranalyse der ermittelten Merkmalsdaten wird eine Selbstorganisierende Merkmalskarte verwendet. Dabei ist die Anzahl, Lage und Form der Cluster im Merkmalsraum unbekannt. Die Mittelungseigenschaft der Selbstorganisierenden Merkmalskarten führt zu einer relativen Unempfindlichkeit gegenüber Clustern mit geringer Merkmalsdichte. Bei der Erforschung der existierenden Kombinationsmuster der menschlichen Antigene repräsentieren diese Cluster aber signifikante Besonderheiten der Verteilung. Daraus ergibt sich die Forderung, einen Belehrungsalgorithmus zu entwickeln, der eine separate Projektion dieser Cluster auf Neuronen der Karte ermöglicht und deren Gewichtsvektoren in Richtung dieser Cluster konvergieren und somit Referenzvektoren darstellen. Grundgedanke der Modifizierung des Belehrungsalgorithmus ist es, die für das Konvergenzverhalten der Karte bedeutsame Nachbarschaftsfunktion stärker zu differenzieren. Die in der Recallphase ermittelten Cluster ermöglichen dann die Detektion der existierenden Kombinationsmuster der Probe und erlauben somit eine biomedizinische Interpretation. Der entwickelte Auswertealgorithmus ist auch für andere Klassifikationsprobleme in der Biologie und Medizin mit mehrfach markierten Objekten geeignet. Die zur Clusteranalyse angewendete modifizierte Selbstorganisierende Merkmalskarte ist universell einsetzbar.

Zurück zur Hompage der Cowan!