Réalisez des analyses d’images microscopiques précises et efficaces au moyen de la technologie TruAI reposant sur l’apprentissage profond

Introduction

Bien souvent, dans le cadre d’expériences, on a besoin de données provenant d’images de microscope. Pour une analyse d'image précise, la segmentation permet d'extraire de l'image la zone cible de l'analyse. Une méthode de segmentation courante consiste à appliquer des seuils aux valeurs d’intensité ou de couleur de l’image.

Bien qu’efficace, cette méthode peut prendre beaucoup de temps et affecter l’état de l’échantillon. Les méthodes d’analyse d’image de nouvelle génération, telles que notre logiciel d’imagerie cellSens doté de la technologie TruAI basée sur l’apprentissage profond, permettent de réduire les risques de détérioration des échantillons tout en garantissant une efficacité et une précision optimales. 

Exemples d’applications utilisant la technologie TruAI

1) Détection et segmentation des noyaux sans marquage

Pour compter le nombre de cellules, localiser les noyaux dans les cellules et les tissus et évaluer la surface cellulaire, les chercheurs recourent généralement au marquage fluorescent des noyaux pour les segmenter en fonction de l’intensité de la fluorescence. 

La technologie TruAI quant à elle peut effectuer la segmentation des noyaux en utilisant uniquement des images en fond clair. Cette technologie fonctionne en entraînant un réseau neuronal à réaliser la segmentation en utilisant les résultats de la segmentation des noyaux à partir d’images en fond clair et en fluorescence.

Cette approche de la microscopie à autoapprentissage élimine la nécessité de marquer les noyaux par fluorescence une fois le réseau neuronal créé. Voici d’autres avantages de cette méthode :

• Réduction du temps consacré au marquage des noyaux
• Élimination des effets du marquage sur les cellules
• Élimination des problèmes de phototoxicité et d’affaiblissement de la fluorescence
• Acquisition d’informations supplémentaires sur les échantillons via l’ajout d’un autre canal

Label free nucleus detection by TruAI Button Figure 1

Figure 2

Figure 1 : Même si l’image en fond clair (à gauche) présente un contraste minimal dû à l’absence de coloration des cellules, la technologie TruAI détecte les noyaux avec une grande précision (à droite).
Figure 2 : Par rapport à l’image obtenue en fluorescence (à gauche), la technologie TruAI d’Olympus distingue clairement les noyaux proche les uns des autres (à droite), ce qui témoigne d’une détection de grande précision.

Lire l’article technique 

2) Analyse quantitative de cellules marquées par fluorescence sous une exposition à une lumière ultra-faible

Les marqueurs fluorescents constituent un excellent outil pour l’étude des cellules à l’aide des techniques de microscopie modernes. Cependant, une forte exposition à la lumière d’excitation peut provoquer des photodommages ou une phototoxicité et avoir un impact observable sur la viabilité des cellules. Même si aucun effet direct n’est observé, une exposition à une forte lumière peut influencer le comportement naturel des cellules et causer des effets indésirables. 

Pour les expériences à long terme sur des cellules vivantes, une exposition minimale à la lumière pendant l’observation en fluorescence est idéale. D’un point de vue technique, l’exposition à une lumière ultra-faible implique de devoir analyser des images avec des niveaux de signaux très faibles et, par conséquent, de faibles rapports signal/bruit. Notre technologie TruAI vous permet d’analyser des images à faibles signaux de manière fiable et précise.

Figure 3 : Résultat de la détection de noyaux (à droite) à partir d’une image de fluorescence (à gauche) avec une luminance suffisante à l’aide d’une méthode classique qui applique un seuil de luminance.
Figure 4 : Résultat de la détection de noyaux (à droite) à l’aide de la même méthode classique que dans la figure 3, à partir d’images de fluorescence (à gauche) avec un rapport signal/bruit extrêmement médiocre dû à la faiblesse de la lumière d’excitation. Vous pouvez constater que la précision de la détection est faible.
Figure 5 : Résultat de la détection de noyaux (à droite) à l’aide de la technologie TruAI, à partir d’une image de fluorescence (à gauche) avec un rapport signal/bruit extrêmement médiocre dû à la faiblesse de la lumière d’excitation. Vous pouvez constater que le niveau de précision est similaire à celui de la figure 3 et largement supérieur à celui de la figure 4.

Lire l’article technique

3) Segmentation basée sur des caractéristiques morphologiques

Si vous souhaitez segmenter une image en fonction des caractéristiques morphologiques de l’échantillon, l’approche classique consistant à appliquer des seuils d’intensités et de couleurs ne permet pas d’obtenir une segmentation de haute précision. La seule solution est alors de compter et de mesurer manuellement les objets de chaque échantillon.

La technologie TruAI quant à elle permet une segmentation basée sur des caractéristiques morphologiques ultra-efficaces et précises. Une fois que le réseau neuronal a intégré les résultats de la segmentation à partir des images marquées à la main, il peut appliquer la même méthodologie aux jeux de données supplémentaires. Par exemple, les réseaux neuronaux constitués à partir d’images marquées à la main peuvent compter les cellules mitotiques, comme l’illustrent les images ci-dessous.

Figure 6

A high-magnification image (left) of the framed area in Figure 6 Button Figure 7

Figure 6 : Prédiction des cellules mitotiques au moyen de la technologie TruAI (vert).
Figure 7 : Même si de nombreuses cellules sont visibles, seules les cellules qui se divisent sont détectées (à droite).

4) Segmentation d’échantillons de tissus

La technologie TruAI peut également être utilisée pour segmenter des échantillons de tissus. Par exemple, les glomérules rénaux sont difficiles à distinguer au moyen de méthodes classiques, mais peuvent être segmentés à l’aide de la technologie TruAI.

Figure 8

A high-magnification image (left) of the framed area in Figure 8 Button Figure 9

Figure 8 : Prédiction des positions des glomérules sur une coupe de rein de souris au moyen de la technologie TruAI (en bleu).
Figure 9 : La technologie TruAI capture et détecte les caractéristiques des glomérules (à droite). 

Conclusion

Les méthodes classiques de segmentation peuvent être difficiles à mettre en œuvre et endommager les échantillons. Notre logiciel d’imagerie cellSens basé sur l’apprentissage profond permet une segmentation précise et efficace dans des conditions qui causent des dommages minimes aux cellules (imagerie sans marquage ou exposition à une lumière ultra-faible, par exemple). Le logiciel simplifie également la segmentation des échantillons de tissus en fonction de leurs caractéristiques morphologiques.