Аззаз-Рахмани Салима — PhD, преподаватель
sc 57224954188
Сиди-Бель-Аббес, 22000,
Salima Azzaz-Rahmani — PhD, Lecturer
sc 57224954188
Sidi Bel Abbes, 22000
Зерруки Хадж — PhD, преподаватель
sc 56611830500
Сиди-Бель-Аббес, 22000,
Hadj Zerrouki — PhD, Lecturer
sc 56611830500
Sidi Bel Abbes, 22000
Азимутально-разрешенные оптические сигналы рассеяния от ядер клеток несут в себе информацию о внутренних изменениях показателя преломления. Двумерные паттерны содержат ценные сведения об организации хроматина, которая играет критическую роль в ранней диагностике рака. В работе исследованы возможности двумерных сигналов рассеяния, служащими входными данными для обратной задачи извлечения пространственной длины корреляции lc и величины флуктуации δn субъядерных изменений показателя преломления с использованием современных подходов глубокого обучения. Вывод аналитических выражений, связывающих азимутальноразрешенные сигналы с lc и δn, оказывается невыполнимой задачей, поэтому применена методология, основанная исключительно на данных. Реализован конвейер регрессии на основе Vision Transformer, проведена его оценка на 198 численно смоделированных паттернах рассеяния, сгенерированных из ядерных моделей, охватывающих диапазон внутренних структурных параметров. Получено высокое соответствие между истинными и предсказанными значениями для обоих параметров, при этом средние абсолютные процентные ошибки для lc равны 6,2 %, а для δn — 9,8 %. Примечательно, что достигнутые показатели представляют собой существенное улучшение по сравнению с предыдущими методами на основе сверточных нейронных сетей и находятся ниже минимального относительного расстояния между соседними значениями параметров в исследованном наборе данных. Представленные результаты подтвердили, что архитектура Vision Transformer предлагает перспективный путь для извлечения информации, закодированной в двумерных данных оптического рассеяния, обеспечивая значительно более высокую точность, чем традиционные подходы на основе сверточных нейронных сетей для количественной характеристики хроматина.
Azimuth-resolved optical scattering signals from cell nuclei carry rich information about internal refractive index variations. These two-dimensional patterns provide valuable insights into chromatin organization which plays a critical role in early cancer detection. Our goal was to investigate whether two-dimensional scattering signals could serve as inputs to an inverse problem framework for extracting the spatial correlation length lc and fluctuation magnitude δn of subnuclear refractive index variations using state-of-the-art deep learning approaches. Deriving closed-form expressions connecting azimuth-resolved signals to lc and δn proves intractable, so we turned to a purely data-driven methodology. We implemented a Vision Transformer-based regression pipeline and evaluated it on 198 numerically simulated scattering patterns generated from nuclear models spanning a range of internal structural parameters. We observed strong agreement between ground truth and predicted values for both parameters, achieving mean absolute percent errors of 6.2 % for lc and 9.8 % for δn. Notably, these figures represent substantial improvements over prior Convolutional Neural Network-based methods and fall below the minimum relative spacing between adjacent parameter values in our dataset. Importantly, we demonstrate that the Vision Transformer achieves stable performance on this small dataset through careful regularization including weight decay (1·10–4), dropout (0.1), and early stopping (patience is 15), with learning curves showing no evidence of overfitting. These findings suggest that Vision Transformer architectures offer a promising avenue for mining the information encoded in two-dimensional optical scattering data, delivering markedly better accuracy than conventional Convolutional Neural Network approaches for quantitative chromatin characterization.
The authors declare that there are no conflicts of interest present.