Realize análises de imagens de microscopia precisas e eficientes usando a tecnologia TruAI com base em deep learning
Introdução
Os experimentos geralmente exigem dados de imagens de microscópio. Para uma análise de imagem precisa, a segmentação é importante para extrair a área-alvo da análise da imagem. Um método de segmentação comum é aplicar limites aos valores de intensidade ou à cor da imagem.
Embora eficaz, este método pode ser demorado e afetar a condição da amostra. Os métodos de análise de imagem de última geração, como o nosso software de formação de imagem cellSens com tecnologia TruAI baseada em deep learning, ajudam a reduzir os riscos de danos à amostra ao mesmo tempo que atinge uma alta eficiência e precisão.
Exemplos de aplicação usando TruAI
1) Detecção e segmentação de núcleo sem marcadores
Para contar o número de células, localize os núcleos em células e tecidos e avalie a área da célula, pesquisadores geralmente usam a coloração fluorescente de núcleos para segmentar com base nas informações de intensidade de fluorescência.
Em contraste, TruAI pode realizar segmentação de núcleo com apenas imagens de campo claro. TruAI funciona treinando uma rede neural usando os resultados da segmentação de núcleo de imagens de campo claro e de fluorescência.
Esta abordagem de autoapredizagem elimina a necessidade de tingir o núcleo quando a rede neural é criada. Entre outros benefícios estão:
- Minimizar o tempo gasto com marcação nuclear
- Excluir efeitos da marcação em células
- Evitar a fototoxicidade e a descoloração
- Adquirir mais informações da amostra adicionando outro canal
 Figura 1 |
Figura 2 |
Figura 1: embora a imagem de campo claro (esquerda) tenha um contraste mínimo devido às células sem coloração, TruAI detecta os núcleos com alta precisão (direita).
Figura 2: em comparação com a imagem de fluorescência (esquerda), a tecnologia TruAI da Olympus distingue claramente núcleos próximos uns dos outros (direita), indicando que a detecção de alta precisão é possível.
2) Análise quantitativa de células marcadas fluorescentemente com exposição de luz ultra-baixa
As marcações fluorescentes são ferramentas inestimáveis nos estudos celulares modernos com base em microscopia. Contudo, a alta exposição à luz de excitação pode causar fotodano ou fototoxicidade e tem um impacto observável na viabilidade celular. Mesmo que nenhum efeito direto seja observado, uma exposição forte à luz pode influenciar o comportamento natural das células, causando efeitos indesejados.
Em experimentos de longo prazo com células vivas, o ideal é ter o mínimo de exposição de luz durante a observação com fluorescência. Do ponto de vista técnico, a exposição de luz ultra-baixa significa analisar imagens com níveis de sinal muito baixo e, consequentemente, relações sinal/ruído muito baixas. A nossa tecnologia TruAI o permite analisar imagens de baixo sinal com resistência e precisão.
Figura 3 |
Figura 4 |
Figura 5 |
Figura 3: o resultado da detecção de núcleos (direita) de uma imagem de fluorescência (esquerda) com luminância suficiente usando um método convencional que aplica um limite de luminância.
Figura 4: o resultado da detecção de núcleos (direita) com o mesmo método convencional que a Figura 3, a partir de imagens de fluorescência (esquerda) com relação sinal/ruído extremamente baixa devido a uma luz de excitação fraca. É possível observar que a precisão da detecção é baixa.
Figura 5: o resultado da detecção de núcleos (direita) usando TruAI a partir de uma imagem de fluorescência (esquerda) com relação sinal/ruído extremamente baixa devido a uma luz de excitação fraca. É possível observar que a precisão é tão alta quando a da Figura 3 e muito maior que da Figura 4.
3) Segmentação com base em características morfológicas
Se deseja segmentar uma imagem com base nas suas características morfológicas, é muito difícil alcançar uma segmentação de alta precisão com a abordagem convencional de aplicar limites a valores de intensidade e cores. Portanto, era necessário contar e medir manualmente a cada vez.
Em contraste, TruAI possibilita uma segmentação altamente eficaz e precisa com base em características morfológicas. Após a rede neural aprender os resultados da segmentação a partir de imagens marcadas manualmente, ela pode aplicar a mesma metodologia a conjuntos de dados adicionais. Por exemplo, redes neurais treinadas com imagens marcadas manualmente podem contar células mitóticas, tal como ilustrado nas imagens a seguir.
Figura 6 | Figura 7 |
Figura 6: previsão de células mitóticas usando TruAI (verde).
Figura 7: embora possa observar diversas células, somente as células que se dividem são detectadas (direita).
4) Segmentação de espécime de tecido
A tecnologia TruAI também pode ser usada para segmentar espécimes de tecido. Por exemplo, os glomérulos do rim são difíceis de discriminar usando métodos convencionais, mas podem ser segmentados usando TruAI.
Figura 8 | Figura 9 |
Figura 8: Previsão de posições de glomérulos em uma secção de rim de camundongo usando TruAI (azul).
Figura 9: TruAI captura e detecta as características de glomérulos (direita).
Conclusão
Os métodos de segmentação convencionais podem ser difíceis e podem danificar as amostras. O nosso software de formação de imagem cellSens com base em deep learning permite uma segmentação precisa e eficaz em condições que causam o mínimo de danos às células, tal como formação de imagem sem marcadores ou exposição de luz ultra baixa. O software também facilita a realização da segmentação de espécimes de tecido com base nas suas características morfológicas.
Produtos usados nesta aplicação
Sorry, this page is not
available in your country.