TruAI™ 딥러닝 기술은 연구원들이 안정적인 무표지 분석 또는 며칠에 걸쳐 매우 낮은 강도에서 살아있는 세포 추적 등 불가능하거나 어려웠던 응용 분야를 처리할 수 있게 해주기 때문에 획기적인 이미지 분석 방식입니다.
이러한 응용 분야에 대해, 지정된 클래스의 배경 또는 전경에 픽셀이 속하는지 확인하는 기능인 의미론적 분할을 통해 분석이 수행됩니다. 의미론적 분할 후, 최종 객체 분할(일반적으로 핵 또는 전체 세포)을 수행하기 위해 워터쉐드(watershed)와 같은 후처리 단계가 적용됩니다.
최근, 인스턴스 분할을 도입하여 TruAI 딥러닝 기술이 향상되었습니다. 이 기능은 의미론적 분할과 이후의 개체 분할을 한 단계로 병합합니다. 인스턴스 분할은 후처리 분할 단계가 필요한 세포 군체의 세포 분할과 같은 어려운 응용 분야를 한 단계 내에서 처리할 수 있도록 하여 워크플로를 향상시킵니다.
TruAI 딥러닝 기술을 통해 사용자가 처음부터 자신의 데이터로 훈련할 수 있으므로 생성된 TruAI 심층 신경망(DNN) 모델은 성능이 매우 좋습니다. 연구원들은 다양한 응용 분야에 대한 DNN 라이브러리를 개발하고 공동작업자와 이를 공유할 수 있습니다.
그러나 이것은 딥러닝 워크플로가 항상 다음 세 단계로 구성된다는 것을 의미합니다.
- 사용자의 자체 데이터로 라벨링
- 훈련
- 추리
저희의 사용자 친화적인 소프트웨어에도 불구하고 라벨링 단계는 시간이 가장 많이 걸리는 작업이며, 특히 우수한 성능을 얻기 위해 많은 개체에 라벨링 해야 하는 까다로운 응용 분야의 경우 더욱 그렇습니다.
사전 훈련된 딥러닝 모델을 사용하여 간소화된 세포와 핵의 분할
이 워크플로를 개선하기 위해 TruAI 딥러닝 기술에는 이제 생체 이미지 분석에서 가장 일반적인 개체인 핵 및 세포에 대해 사전 훈련된 모델이 포함됩니다. 그 결과 사용자가 라벨링 및 훈련에 소요되는 시간을 절약할 수 있습니다(그림 1).
그림 1. 훈련 및 추론을 위해 사용자 자체의 응용 분야 데이터와 함께 TruAI 딥러닝 기술을 사용하면 최적의 성능을 보장할 수 있습니다. 사전 훈련된 TruAI 모델을 사용하면 한 번의 클릭만으로 분석을 수행할 수 있습니다.
핵 및 세포에 대해 사전 훈련된 TruAI 모델은 다음과 같은 범위를 포함하는 다양한 시나리오에 대해 형광 이미지에서 인스턴스 분할을 수행하도록 훈련됩니다.
- 현미경 촬영 기법(점주사 방식 공초점, 스피닝 디스크 공초점, 광시야)
- 염색(DAPI, 팔로이딘, MitoTracker, 라민 등)
- 세포주(HeLa, U2OS, SK-HEP-1, 식물 세포, 조직 등)
- 대비, 신호 대 잡음비 및 배경 수준
- 픽셀 해상도 및 확대
사전 훈련된 모델은 일반 모델이며 가능한 모든 상황에서 분할을 완벽하게 수행할 수 있는 것은 아님을 주의해야 합니다. 이러한 기능을 더 잘 이해할 수 있도록 세포 분할 시나리오 목록을 작성해봤습니다.
사전 훈련된 딥러닝 모델을 사용한 핵 및 세포 분할의 20가지 예
아래 이미지 예(그림 2, a~t)는 다양한 분할 시나리오에서 핵(빨간색)과 세포(녹색)에 대해 사전 훈련된 TruAI 모델의 성능을 보여줍니다. 여기에는 다양한 세포주, 마커 염색, 확대, 해상도, 대비, 신호 대 잡음비 및 배경 불균일성이 포함됩니다. 모델 둘 다 동일한 이미지에 적용할 수 있습니다(그림 2, p~t). 두 모델은 비특정 핵(그림 2, q~t) 또는 세포 염색(그림 2p, s)에도 적용될 수 있습니다.
1. U2OS 세포, 핵 염색, 광시야 20배, 크기와 형태가 서로 다른 세포로 중간 포화도
그림 2a
2. HeLa 세포, 핵 염색, 광시야 10배, 불균일한 배경
그림 2b
3. 다능성 줄기세포, 핵 마커, 광시야 20배, 매우 높은 포화도
그림 2c
4. 신장 오가노이드 세포, 핵 염색, 공초점 스피닝 디스크 30배, 침투 깊이 깊음
그림 2d
5. 헬라 세포, 핵 염색, 공초점 스피닝 디스크 40배, 고대비 및 해상도
그림 2e
6. A549 인간 암세포, 핵 마커, 공초점 스피닝 디스크 40배, 낮은 신호 대 잡음비
그림 2f
7. 인간 조직 종양 세포, 핵 염색, 광시야 20배
그림 2g
8. 쥐 신장 조직 세포, 핵 염색, 광시야 20배, 두꺼운 표본
그림 2h
9. Rat-1 세포, 시토졸 염색, 광시야 10배, 높은 세포 포화도
그림 2i
10. SK-HEP-1 세포, 세포 접촉 염색, 광시야 20배
그림 2j
11. 식물 세포, 자가 형광, 광시야 20배, 낮은 신호 대 잡음비
그림 2k
12. HeLa 세포, 핵막 염색, 광시야 20배
그림 2l
13. huFIB 세포, 튜브린 염색, 광시야 20배
그림 2m
14. Rat-1 세포, 액틴 염색, 광시야 20배
그림 2n
15. BPAE 세포, 액틴 염색, 점주사 방식 공초점 40배
그림 2o
16. Rat-1 세포, 세포질에 약하게 출혈하는 핵 염색, 광시야 20배
그림 2p
17. HelLa 세포, 튜브린 염색, 광시야 4배, 저해상도 및 낮은 신호 대 잡음비
그림 2q
18. Rat-1 세포, 시토졸 염색, 광시야 20배
그림 2r
19. COS-7 세포, 미토콘드리아 염색, 점주사 방식 공초점 40배
그림 2s
20. BPAE 세포, 튜브린 염색, 점주사 방식 공초점 40배
세포 및 핵 세분화를 위한 확장된 딥러닝 기능
인스턴스 분할 및 사전 훈련된 모델의 도입은 TruAI의 기능을 강화합니다. 이제 사용자는 사전 훈련된 모델로 시작하여 한 번의 클릭으로 세포 및 핵 분할을 수행하여 시간을 절약할 수 있습니다. 최적의 결과물이 아닌 경우 사용자가 TruAI 예측값을 새 표지로 변환한 다음, 보정을 적용할 수 있습니다. 이렇게 수정된 표지는 새로운 훈련의 기초가 되어 시간과 노력을 절약해 줍니다.
저희의 고객들은 이미 확장된 딥러닝 기능의 이점을 경험하고 있습니다. 덴마크 암학회 연구센터의 선임 과학자 Robert Strauss는 이렇게 말했습니다. “사전 훈련된 핵 인식 능력은 굉장히 훌륭합니다. 이를 통해 이제 세포 분획을 훼손하지 않으면서 매우 이질적인 샘플을 쉽게 분석할 수 있습니다. 특히 세포 밀도가 높은 영역에서 TruAI 기반 분리 방법은 속도와 성능 모두에서 강도 또는 가장자리 검출 방법보다 분명히 더 우수합니다.”
관련 내용
딥 러닝을 사용하여 간단해진 세포와 핵의 인스턴스 분할