La segmentación de instancias es la tarea de dividir una imagen en instancias individuales a partir de un objeto, como las células o los núcleos individuales. Si bien en el pasado esta tarea requería un trabajo de posprocesamiento, nuestra tecnología de aprendizaje profundo TruAI™ ha sido actualizada para simplificar de forma radical la segmentación de instancias.

A través de esta publicación, se explica este sencillo método de segmentación de instancias usando varias imágenes como ejemplo. Continue su lectura para conocer los beneficios de este método en el análisis de imágenes de microscopía y las nuevas capacidades que posibilita.

¿Cómo funciona la segmentación de instancias en imágenes de microscopía?

Por lo general, el análisis automatizado de imágenes de microscopía requiere la segmentación: la división de una imagen por objetos, partes y fondo. Las aplicaciones de segmentación que son relativamente fáciles implican imágenes con núcleos bien separados (Figura 1).

Figura 1. Muestra de células BPAE con núcleos visualizados por medio de la tinción DAPI. La muestra fue adquirida con el microscopio confocal FLUOVIEW™ FV3000 bajo una magnificación de 20x. La muestra se encuentra parcialmente blanqueada, lo que da como resultado diferentes niveles de señal de fluorescencia. Se determinó un tiempo de integración bajo para mostrar las capacidades de la tecnología TruAI.

No obstante, el uso de la tecnología TruAI permite además segmentar núcleos ruidosos y núcleos que se presentan sobre una amplia escala de niveles de señal. La tecnología TruAI puede abordar fácilmente esta aplicación estándar (Figura 2). La siguiente imagen ha sido segmentada en dos clases: primer plano y fondo. La tecnología TruAI puede detectar hasta 16 clases distintas de primer plano de ser necesario.

Figura 2. Esta es la misma imagen que la Figura 1, pero con la superposición del mapa de probabilidad TruAI en donde los píxeles de los núcleos están indicados en rojo.

Frente a núcleos que se superponen o entran en contacto entre sí, puede que con la tecnología convencional se requiera seguir algunos pasos simples de posprocesamiento para que sean separados en núcleos individuales. Esto se debe a que la red neuronal es capaz de detectar todos los píxeles como núcleos o como fondo, mas al no percibir píxeles de fondo cuando los núcleos chocan entre sí su distinción es omitida durante la separación de objetos. La segmentación de núcleos individuales se denomina segmentación de instancias.

Figura 3. Vista detallada de la Figura 1 (izquierda) y la Figura 2 (derecha). La segmentación a través de los píxeles de los núcleos es muy buena, aun cuando los núcleos en contacto deben ser separados mediante pasos posprocesamiento.

Asimismo, la segmentación es útil para tareas analíticas más complejas, como las células confluentes (Figura 4). Por ejemplo, es posible usar la segmentación para medir un área cubierta por células.

Figura 4. Aquí se proporciona el mismo campo visual que en la Figura 1, pero ahora mostrando la señal de fluorescencia generada por faloidina 488 que marca la actina F.

Figura 5. Resultado de segmentación del canal de actina F por una red neuronal de segmentación estándar. A pesar de que la red neuronal ha sido formada con bordes de 1 px desde células en contacto, el resultado de la segmentación no ha proporcionado una separación individual de células fiable.

Con todo, dividir el área segmentada de las células en células individuales (segmentación de instancias) puede ser una tarea posprocesamiento desafiante (Figura 6).

Figura 6. Vista detallada de la Figura 4 (izquierda) y la Figura 5 (derecha). Los bordes entre células adyacentes muestran un descenso de probabilidad para la clase de primer plano; por tanto, la separación de células individuales requeriría un posprocesamiento especializado por parte de un usuario experimentado.

Para simplificar este flujo de trabajo en imágenes de vasta complejidad, se ha agregado una fácil función de segmentación de instancias a la reconocida tecnología TruAI de Olympus, dedicada a la estación de cribado scanR.*

La función de segmentación de instancias está basada en la inteligencia artificial (IA) y no requiere pasos de posprocesamiento manual ni ajustes paramétricos. Una vez que se forma un modelo de red neuronal, es posible aplicarlo a nuevas imágenes con un solo clic para obtener resultados analíticos inmediatos (Figura 7).

Figura 7. Obtenga resultados con un sólo clic en la detección de núcleos (rojo) y células (amarillo) por medio de la segmentación de instancias TruAI. Este método simple de segmentación de instancias no requiere pasos posprocesamiento.

A continuación, la Figura 8 muestra cómo la segmentación de instancias TruAI proyecta directamente las instancias de células y núcleos sin más pasos posprocesamiento.

Figura 8. Con la segmentación de instancias TruAI, las redes neuronales generan directamente la separación correcta de los núcleos (arriba) y las células (abajo).

En la Figura 9 a continuación, se comparan los resultados de la separación de celdas usando la segmentación estándar con aquellos de la segmentación de instancias TruAI.

Figura 9. Evolución desde la segmentación estándar (superior derecha) hacia la segmentación de instancias TruAI (inferior izquierda) durante el análisis de imágenes complejas (superior izquierda). El resultado (inferior derecha) es una separación casi perfecta de las células.

Segmentación basada en IA: Un poderoso conjunto de herramientas para analizar imágenes microscópicas

Nuestra actualizada tecnología TruAI proporciona un poderoso conjunto de herramientas para formar modelos de redes neuronales individuales a fin de cubrir una amplia gama de aplicaciones analíticas de imagen. Aunque formar una óptima red neuronal requiere ejemplos cuidadosamente marcados (con el respaldo de nuestro software de fácil uso), aplicar la red neuronal formada a nuevas imágenes es una tarea fácil y sólida.

Asimismo, la segmentación de instancias TruAI otorga modelos fiables de aprendizaje profundo preformados para aplicaciones estándar, como la detección de núcleos o células. No se pierda la próxima publicación para obtener más información sobre los modelos preformados y ver los ejemplos asociados.

Mientras tanto, consulte otras aplicaciones de segmentación de instancias:

Figura 10. Segmentación de instancias de tinción para fibras musculares

Figura 11. Segmentación de instancias de levaduras en campo claro

Figura 12. Segmentación de instancias de tinción para membrana nuclear

*El sistema scanR no es vendido en Japón.

Contenido relacionado

Video: El poder del aprendizaje profundo en la microscopía de autoaprendizaje

Análisis avanzado de células vivas mediante sistemas de cribado de alto contenido por IA

Cuantificación sin marcado en la que puede confiar: Un experimento de aprendizaje profundo