딥 러닝 기반의 TruAI을 사용하여 정확하고 효율적인 현미경 검사 이미지 분석 수행

서론

실험에는 종종 현미경 이미지의 데이터가 필요합니다. 정확한 이미지 분석을 위해 이미지에서 분석 대상 영역을 추출하는 데는 분할이 중요합니다. 공통 분할 방법은 이미지 강도 값이나 색에 임계값을 적용하는 것입니다.

이 방법은 효과가 있기는 하지만 시간이 많이 소비되고 샘플 상태에 영향을 미칠 수 있습니다. 딥 러닝 기반의 TruAI를 사용한 cellSens 이미징 소프트웨어 같은 차세대 이미지 분석 방법은 효율 및 정확도가 높으면서 샘플 손상 위험을 줄여줍니다.

TruAI를 사용한 적용 예

1) 무표지 핵 검출 및 분할

세포 수를 계산하고 세포 및 조직에서 핵들의 위치를 찾아내며 세포 영역을 평가하기 위해 연구원들은 핵들의 형광 염색을 공통으로 사용하여 형광 강도 정보에 따라 분할합니다.

이와 대조적으로 TruAI은 명시야상만을 사용하여 핵 분할을 수행할 수 있습니다. TruAI는 명시야 및 형광 이미지의 핵 분할 결과를 기반으로 신경망을 교육하여 작동합니다.

신경망이 생성되면 이 자체 학습 현미경 검사 방법을 통해 형광 염색의 필요성이 제거됩니다. 기타 이점:

• 핵 표지에 소비되는 시간 최소화
• 표지로 인해 세포에 미치는 영향 제거
• 광독성 및 퇴색 방지
• 다른 채널을 추가하여 추가적인 샘플 정보 획득

Label free nucleus detection by TruAI Button 그림 1

그림 2

그림 1: 명시야상(좌측)의 경우 비착색 세포로 인해 콘트라스트가 최소이지만 TruAI은 높은 정확도로 핵들을 검출합니다(우측).
그림 2: 형광 이미지(좌측)와 비교하여 Olympus의 TruAI는 밀접한 핵들을 서로 명확히 구분하므로(우측) 높은 정확도로 검출이 가능합니다.

백서 읽기

2) 초저광 노출을 사용하여 형광으로 표지된 세포의 정량적 분석

현미경 검사를 기반으로 이루어지는 현대의 세포 연구에서 형광 라벨은 매우 귀중한 도구입니다. 하지만 여기광에 노출이 높을 경우 광손상이나 광독성을 야기할 수 있고 세포 생존율에 눈에 띄는 영향을 미칠 수 있습니다. 직접적인 영향이 관찰되지 않더라도 강한 광 노출은 세포의 자연스러운 거동에 영향을 주고 원치 않은 결과를 초래할 수 있습니다.

장기적 라이브 셀 실험에서 형광 관찰 중 광 노출을 최소화하는 것이 이상적입니다. 기술적 견지에서 초저 광 노출은 매우 낮은 신호 레벨과 결과적으로 낮은 신호 대 잡음비로 이미지를 분석하는 것을 의미합니다. TruAI을 통해 견고하고 정밀하게 낮은 신호 이미지를 분석할 수 있습니다.

그림 3: 휘도 임계값을 적용하는 기존 방법을 사용하여 충분한 휘도로 형광 이미지(좌측)에서 핵들(우측)을 검출한 결과.
그림 4: 약한 여기광으로 인해 SNR이 매우 열악한 형광 이미지(좌측)에서 그림 3과 같은 기존 방법으로 핵들(우측)을 검출한 결과. 검출 정확도가 낮은 것을 확인할 수 있습니다.
그림 5: 약한 여기광으로 인해 SNR이 매우 열악한 형광 이미지(좌측)에서 TruAI를 사용하여 핵들(우측)을 검출한 결과. 정확도가 그림 3과 같은 정도로 높고 그림 4보다 훨씬 더 높은 정확도로 수행되었음을 확인할 수 있습니다.

백서 읽기

3) 형태적 특징 기반의 분할

형태적 특징에 따라 이미지를 분할하려는 경우 강도 값 및 색에 임계값을 적용하는 기존 방법으로 고정밀 분할을 획득하기 매우 어렵습니다. 따라서 매번 수동으로 계산하고 측정할 필요가 있었습니다.

이와 대조적으로 TruAI는 형태적 특징을 기반으로 매우 효율적이고 정확한 분할을 제공합니다. 신경망은 수동 표지된 이미지에서 분할 결과를 알게된 후 동일한 방법을 추가적인 데이터 세트에 적용할 수 있습니다. 예를 들어 수동 표지된 이미지에서 교육된 신경망은 아래 이미지에 묘사된 바와 같이 유사분열 세포를 계산할 수 있습니다.

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

그림 6: TruAI를 사용한 유사분열 세포의 예측(녹색).
그림 7: 많은 세포가 보일 수 있지만 분할 세포만이 검출됩니다(우측).

4) 조직 표본 분할

또한 TruAI는 조직 표본을 분할하는 데 사용될 수 있습니다. 예를 들어 신장 신사구체는 기존 방법으로 식별하기 어렵지만 TruAI를 사용하여 분할될 수 있습니다.

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

그림 8: TruAI를 사용한 쥐 신장 부분에서 신사구체 위치의 예측(파란색).
그림 9: 신사구체 특징을 캡처하고 검출하는 TruAI(오른쪽).

결론

기존 분할 방법은 어려우며 샘플에 손상을 야기할 수 있습니다. 딥 러닝 기반의 cellSens 이미징 소프트웨어는 무표지 이미징 또는 초저 광 노출 같이 세포 손상을 최소화하는 조건에서 정확하고 효율적인 분할을 제공합니다. 또한 이 소프트웨어를 사용하여 형태적 특징을 기반으로 조직 표본의 분할을 더 쉽게 수행할 수 있습니다.