బయాలజీ & మెడిసిన్లో అధునాతన సాంకేతికతలు
అందరికి ప్రవేశం

నైరూప్య

సెగ్మెంటేషన్, ఫీచర్స్ ఎక్స్‌ట్రాక్షన్ మరియు ప్యాటర్న్ రికగ్నిషన్ ఉపయోగించడం ద్వారా స్టెమ్ సెల్స్ గ్రోత్ రేట్ విశ్లేషణ

ఆర్ నతియా మరియు జి శివరాడ్జే

స్టెమ్ సెల్స్ ఎదుగుదల యొక్క ప్రారంభ దశలో శరీరంలోని ఏ రకమైన కణంలోనైనా తనను తాను పెంపొందించుకునే అద్భుతమైన సామర్థ్యాన్ని కలిగి ఉంటాయి. గట్ మరియు ఎముక మజ్జ వంటి కొన్ని అవయవాలలో, అరిగిపోయిన లేదా దెబ్బతిన్న కణజాలాలను సరిచేయడానికి మరియు భర్తీ చేయడానికి మూలకణాలు క్రమం తప్పకుండా విభజించబడతాయి. స్టెమ్ సెల్ అనాలిసిస్ ఇమేజ్ సెగ్మెంటేషన్ కోసం ఇప్పటికే ఉన్న పద్దతి స్పష్టంగా కత్తిరించిన సెగ్మెంటెడ్ ఇమేజ్‌ని పొందడానికి ఫ్లోరోసెంట్ కణాలపై వర్తించే పదనిర్మాణ సాంకేతికతను ఉపయోగిస్తుంది. దీని కోసం చిత్రం లేదా ఫ్రేమ్ ఫిల్టర్ చేయబడిన చోట Otsu కర్వెలెట్ నమూనా ఉపయోగించబడుతుంది, మెరుగైన అంచు మెరుగుదల కోసం కర్వ్‌లెట్ ఉపయోగించబడుతుంది మరియు బహుళ-స్థాయి రిజల్యూషన్ కోసం వేవ్‌లెట్ ఉపయోగించబడుతుంది. Otsu మోడల్‌ని ఉపయోగించి విభజన, సరైన థ్రెషోల్డ్ విలువను అందించడానికి వివిధ పిక్సెల్‌ల నుండి తరగతి వ్యత్యాసాల సగటు బరువును తగ్గిస్తుంది. సెగ్మెంటెడ్ ఇమేజ్ ఫీచర్ నుండి, వెక్టర్స్ గ్రే లెవెల్ కో-ఆక్యురెన్స్ మ్యాట్రిక్స్ (GLCM) టెక్నిక్‌ని ఉపయోగించి పొందబడతాయి, ఇది ఇమేజ్‌లోని ఫీచర్‌లను సంగ్రహించడంలో కీలక పాత్ర పోషిస్తుంది. అయినప్పటికీ GLCM సాధారణంగా ఒకే స్కేల్ మరియు సింగిల్ డైరెక్షన్‌లో ఆకృతిని సంగ్రహిస్తుంది, ఇది దాని గరిష్ట స్థాయిలో టెక్చరల్ ఎంటిటీలను అందించదు. అందువల్ల బహుళ స్థాయి మరియు బహుళ-రిజల్యూషన్ కోసం, విభజించబడిన చిత్రం NSCTతో కుళ్ళిపోతుంది మరియు GLCM వర్తించబడుతుంది. ఫీచర్ వెక్టర్స్ సెట్ వారి వర్గీకరణ కోసం కృత్రిమ న్యూరల్ నెట్‌వర్క్‌లకు ఇన్‌పుట్‌గా చివరకు నమూనా మాతృకను ఏర్పరుస్తుంది. నమూనా గుర్తింపు కోసం న్యూరల్ నెట్‌వర్క్‌ని ఉపయోగించడం, వివిధ ఆరోగ్యకరమైన స్థాయి చిత్రాల చిత్రాలను ఉపయోగించడం ద్వారా నెట్‌వర్క్ శిక్షణ పొందుతుంది. శిక్షణ పొందిన నెట్‌వర్క్‌ని ఉపయోగించి, పరీక్ష చిత్రం యొక్క ఆరోగ్యకరమైన స్వభావం మూల్యాంకనం చేయబడుతుంది మరియు ఫలితం ఇచ్చిన సమయ శ్రేణి మూలకణ చిత్రాల యొక్క ఆరోగ్య శాతం రూపంలో ప్రదర్శించబడుతుంది. అందువల్ల ఈ కాగితం మూలకణాల ఆరోగ్యకరమైన స్వభావాన్ని విశ్లేషించడానికి ఎక్కువగా ప్రేరేపించబడింది.