Evident LogoOlympus Logo

Discovery Blog

20 exemplos de segmentação fácil de núcleos e células usando modelos de aprendizado profundo pré-treinados

Por  -
Segmentação de células com aprendizado profundo

A tecnologia de aprendizado profundo TruAI™ é uma abordagem de análise de imagem revolucionária porque permite aos pesquisadores lidar com aplicações antes impossíveis ou desafiadoras, como análise sem marcação confiável ou rastreamento de células vivas com intensidades muito baixas durante vários dias.

Para essas aplicações, a análise é realizada por meio de segmentação semântica: a capacidade de identificar se um píxel pertence ao fundo ou ao primeiro plano de uma determinada classe. Depois da segmentação semântica, as etapas pós-processamento, como watershed, são aplicadas para realizar a segmentação final do objeto (normalmente núcleos ou células inteiras).

Recentemente, a tecnologia de aprendizado profundo TruAI foi aprimorada com a introdução da segmentação de instâncias. Esse recurso mescla a segmentação semântica e a subsequente divisão de objetos em uma única etapa. A segmentação de instâncias melhora os fluxos de trabalho, permitindo lidar com aplicações difíceis em uma etapa, como a segmentação de células em colônias de células que exigem etapas de divisão pós-processamento.

A tecnologia de aprendizado profundo TruAI permite que os usuários treinem com seus próprios dados desde o começo, para que os modelos de rede neural profunda (DNN, Deep Neural Network) pelo TruAI gerados tenham um desempenho extremamente bom. Os pesquisadores podem desenvolver bibliotecas de DNNs para diferentes aplicações e até mesmo compartilhá-las com colaboradores.

No entanto, isso quer dizer que o fluxo de trabalho de aprendizado profundo sempre consiste de três etapas:

  1. Marcação com seus próprios dados
  2. Treinamento
  3. Inferência

Apesar da facilidade de uso do nosso software, a etapa de marcação é a tarefa mais demorada, principalmente no caso de aplicações desafiadoras em que muitos objetos precisam ser etiquetados para obter um bom desempenho.

Segmentação simplificada de células e núcleos usando modelos de aprendizado profundo pré-treinados

Para melhorar esse fluxo de trabalho, a tecnologia de aprendizado profundo TruAI agora inclui modelos pré-treinados para núcleos e células, que são os objetos mais comuns a serem segmentados na análise de bioimagem. Como resultado, os usuários podem economizar tempo com a marcação e o treinamento (Figura 1).

Aprendizado profundo para segmentação de imagem

Figura 1. O uso da tecnologia de aprendizado profundo TruAI com seus próprios dados da aplicação para treinamento e inferência ajuda a garantir o desempenho ideal. Para uma abordagem mais rápida, os modelos pré-treinados do TruAI permitem realizar a análise com apenas um clique.

Os modelos pré-treinados do TruAI para núcleos e células são treinados para realizar segmentação de instância em imagens de fluorescência para vários cenários, incluindo uma série de:

  • Modalidades de microscopia (escaneamento de pontos confocal, disco giratório confocal, campo amplo)
  • Colorações (DAPI, faloidina, MitoTracker, Lamin etc.)
  • Linhas de célula (HeLa, U2OS, SK-HEP-1, células vegetais, tecido etc.)
  • Contraste, proporções de sinal-ruído e níveis de fundo
  • Resolução e ampliação dos píxeis

É importante observar que os modelos pré-treinados são modelos gerais e não conseguem realizar a segmentação de modo perfeito em todas as situações possíveis. Para ajudar a entender melhor os recursos, reunimos uma lista de cenários de segmentação de células.

20 exemplos de segmentação de núcleos e células usando modelos de aprendizado profundo pré-treinados

Os exemplos de imagem abaixo (Figura 2, a-t) mostram o desempenho dos modelos TruAI pré-treinados de núcleo (vermelho) e célula (verde) em uma série de cenários de segmentação. Isso inclui diferentes linhas celulares, coloração de marcadores, ampliações, resoluções, contraste, relações sinal-ruído e heterogeneidades de fundo. Observe que ambos os modelos podem ser aplicados à mesma imagem (Figura 2, p-t). Os modelos podem até ser aplicados a colorações não específicas de núcleos (Figura 2, q-t) ou de células (Figura 2p, s).

1. Células U2OS, coloração nuclear, campo amplo de 20x, confluência média com células de diferentes tamanhos e morfologias

Segmentação de imagem de aprendizado profundo de células U2OS

Figura 2a

2. Células HeLa, coloração nuclear, campo amplo de 10x, fundo não homogêneo

Segmentação de imagem com aprendizado profundo de células HeLa

Figura 2b

3. Células-tronco pluripotentes, marcador nuclear, campo amplo de 20x, confluência muito alta

Segmentação de imagem com aprendizado profundo de células-tronco pluripotentes

Figura 2c

4. Células organoides renais, coloração nuclear, disco giratório confocal de 30x, alta profundidade de penetração

Segmentação de imagem com aprendizado profundo de células organoides do rim

Figura 2d

5. Células HeLa, coloração nuclear, disco giratório confocal de 40x, alto contraste e resolução

Segmentação de imagem com aprendizado profundo de células HeLa

Figura 2e

6. Células de carcinoma humano A549, marcador nuclear, disco giratório confocal de 40x, baixa relação sinal-ruído

Segmentação de imagem com aprendizado profundo de células de carcinoma humano A549

Figura 2f

7. Células tumorais de tecido humano, coloração nuclear, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células tumorais de tecido humano

Figura 2g

8. Células de tecido renal de camundongo, coloração nuclear, campo amplo de 20x, espécime espesso

Segmentação de imagem com aprendizado profundo de células de tecido renal de camundongo

Figura 2h

9. Células Rat-1, coloração citosólica, campo amplo de 10x, alta confluência celular

Segmentação de imagem com aprendizado profundo de células Rat-1

Figura 2i

10. Células SK-HEP-1, coloração de contato celular, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células SK-HEP-1

Figura 2j

11. Células vegetais, autofluorescência, campo amplo de 20x, baixa relação sinal-ruído

Segmentação de imagem com aprendizado profundo de células vegetais

Figura 2k

12. Coloração de membrana nuclear de células HeLa, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células vegetais

Figura 2l

13. Células huFIB, coloração de tubulina, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células huFIB

Figura 2m

14. Células Rat-1, coloração de actina, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células Rat-1

Figura 2n

15. Células BPAE, coloração de actina, escaneamento de ponto confocal de 40x

Segmentação de imagem com aprendizado profundo de células BPAE

Figura 2o

16. Células Rat-1, coloração nuclear com cruzamento fraco no citoplasma, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células Rat-1

Figura 2p

17. Células HeLa, coloração de tubulina, campo amplo de 4x, baixa resolução e baixa relação sinal-ruído

Segmentação de imagem com aprendizado profundo de células HeLa

Figura 2q

18. Células Rat-1, coloração citosólica, campo amplo de 20x

Segmentação de imagem com aprendizado profundo de células Rat-1

Figura 2r

19. Células COS-7, coloração de mitocôndrias, escaneamento de ponto confocal de 40x

Segmentação de imagem com aprendizado profundo de células COS-7

Figura 2s

20. Células BPAE, coloração de tubulina, escaneamento de ponto confocal de 40x

Segmentação de células com aprendizado profundo de células BPAE

Capacidades ampliadas de aprendizado profundo para segmentação de células e núcleos

A introdução da segmentação de instâncias e modelos pré-treinados amplia os recursos do conjunto de ferramentas do TruAI. Os usuários agora podem economizar tempo começando com os modelos pré-treinados e realizando a segmentação de células e núcleos em um só clique. Para os casos em que os resultados não são ideais, os usuários podem converter as previsões do TruAI em novas marcações e aplicar as correções. Essas etiquetas corrigidas servem de base para um novo treinamento, economizando tempo e esforço.

Nossos clientes já estão percebendo os benefícios dos recursos ampliados do aprendizado profundo. Robert Strauss, Cientista sênior do Danish Cancer Society Research Center, comentou: "O reconhecimento de núcleos pré-treinados é absolutamente impressionante e agora permite analisar facilmente amostras muito heterogêneas sem comprometer nenhuma fração celular. Principalmente em áreas de alta densidade celular, a separação baseada em TruAI é nitidamente superior à detecção de intensidade ou margem, tanto em termos de velocidade quanto de desempenho".

Conteúdo relacionado

Segmentação de instâncias de células e núcleos simplificada usando Aprendizado Profundo

Monitoramento da dinâmica do ciclo celular durante a diferenciação de células-tronco com a tecnologia de aprendizado profundo TruAI

Webinar: melhore sua análise de imagem com a tecnologia de aprendizado profundo TruAI™

Especialista em Aplicações, Pesquisa de Ciências da Vida

Manoel Veiga recebeu seu título de PhD em Química Física da Universidade de Santiago de Compostela, Espanha, trabalhando com espectroscopia resolvida no tempo, com resolução temporal de picosegundos e femtosegundos. Na sequência de dois pós-doutorados na Universidade Complutense de Madri e na Universidade de Münster, trabalhou para a PicoQuant como cientista sênior nos campos da espectroscopia resolvida no tempo, microscopia de formação de imagem de fluorescência por tempo de vida (FLIM) e espectroscopia de correlação de fluorescência (FCS). Atualmente, Manoel trabalha como especialista em aplicações globais na Evident na Alemanha, onde está focado em análise de alto conteúdo (HCA) e em aprendizagem profunda.

Mai 03 2022
Desculpe, esta página não está disponível em seu país
Discovery Blog Sign-up

By clicking subscribe you are agreeing to our privacy policy which can be found here.

Sorry, this page is not
available in your country.

Desculpe, esta página não está disponível em seu país