La segmentation d’instances est la tâche consistant à diviser une image en instances individuelles d’un objet, comme des cellules ou des noyaux individuels. Alors que par le passé, cette tâche nécessitait un travail de post-traitement, nous avons mis à jour notre technologie d’apprentissage profond TruAI™ pour simplifier considérablement la segmentation d’instances.
Dans cet article, nous expliquons cette méthode simple de segmentation d’instances en nous appuyant sur différents exemples d’images. Poursuivez votre lecture pour découvrir ses avantages dans le domaine de l’analyse d’images de microscopie et les nouvelles capacités qu’elle offre.
Fonctionnement de la segmentation d’instances pour les images de microscopie
L’analyse automatisée des images de microscopie exige généralement une segmentation, c’est-à-dire la division d’une image en fonction de ses objets, de ses éléments et de son arrière-plan. Des applications de segmentation relativement simples comprennent des images présentant des noyaux bien distincts (voir Figure 1).
Figure 1. Échantillon de cellules endothéliales d’artères pulmonaires de bovin avec visualisation des noyaux par coloration au DAPI.
L’échantillon a été observé à l’aide du microscope confocal FLUOVIEW™ FV3000 avec un grossissement x20.
L’échantillon est partiellement blanchi, ce qui donne différents niveaux de signal de fluorescence.
Un faible temps d’intégration a été sélectionné pour montrer les capacités de la technologie TruAI.
Même dans ce cas, il est judicieux d’utiliser la technologie TruAI pour segmenter les noyaux bruités et les noyaux sur une large plage de niveaux de signaux. La technologie TruAI peut facilement répondre à cette application standard (voir Figure 2). L’image est segmentée en deux classes : avant-plan et arrière-plan. Si besoin, la technologie TruAI peut détecter jusqu’à 16 classes différentes d’avant-plans.
Figure 2. Même image que celle de la Figure 1, avec superposition de la carte de probabilité TruAI, indiquant les pixels des noyaux en rouge.
Les noyaux qui se superposent ou qui se touchent peuvent nécessiter certaines étapes simples de post-traitement pour les séparer en noyaux individuels. La raison est que le réseau neuronal détecte tous les pixels soit comme noyaux soit comme arrière-plan et qu’il n’y a aucun pixel d’arrière-plan entre des noyaux qui se touchent pour les distinguer en tant qu’objets séparés. La segmentation des noyaux individuels est appelée segmentation d’instances.
Figure 3. Vue détaillée de la Figure 1 (gauche) et de la Figure 2 (droite). La segmentation des pixels des noyaux est très bonne, mais les noyaux qui se touchent doivent être séparés au cours d’étapes de post-traitement.
La segmentation est également utile dans le cadre de tâches d’analyse plus complexes, comme pour les cellules confluentes (voir Figure 4). Par exemple, vous pouvez utiliser la segmentation pour mesurer une surface recouverte de cellules.
Figure 4. Même champ de vision que celui de la Figure 1, mais présentant également le signal de fluorescence de la phalloïdine 488 marquant les filaments d’actine F.
Figure 5. Résultat de la segmentation du canal de l’actine F par un réseau neuronal de segmentation standard. Bien que le réseau neuronal ait été formé avec des bordures de 1 px entre les cellules qui se touchent, le résultat de la segmentation ne parvient pas à séparer les cellules individuelles de manière fiable.
Cependant, la division de la zone segmentée de cellules en cellules individuelles (segmentation d’instances) est une tâche de post-traitement qui peut se révéler ardue (voir Figure 6).
Figure 6. Vue détaillée de la Figure 4 (gauche) et de la Figure 5 (droite). Les bordures entre les cellules adjacentes montrent une diminution de probabilité pour la classe des avant-plans, mais une séparation des cellules individuelles nécessiterait un post-traitement sophistiqué effectué par un utilisateur expérimenté.
Pour simplifier ce flux de travail sur les images comportant de nombreuses complexités, nous avons ajouté une fonctionnalité simple de segmentation d’instances à notre technologie TruAI pour la station de criblage scanR.*
La fonctionnalité de segmentation d’instances s’appuie sur l’intelligence artificielle et ne nécessite aucune étape de post-traitement manuel ni un quelconque réglage de paramètre. Une fois qu’un modèle de réseau neuronal est formé, il peut être appliqué à de nouvelles images par un simple clic et donne des résultats d’analyse immédiats (voir Figure 7).
Figure 7. Obtenez les résultats pour la détection des noyaux (en rouge) et des cellules (en jaune) en un seul clic, grâce à la segmentation d’instances TruAI. Cette méthode simple de segmentation d’instances ne nécessite aucune étape de post-traitement.
La Figure 8 ci-dessous montre comment la segmentation d’instances TruAI donne directement les instances des cellules et des noyaux sans aucune étape de post-traitement supplémentaire.
Figure 8. À l’aide de la segmentation d’instances TruAI, les réseaux neuronaux créent directement la séparation correcte entre les noyaux (en haut) et les cellules (en bas).
La Figure 9 ci-dessous compare les résultats de la séparation des cellules par segmentation standard et par segmentation d’instances TruAI.
Figure 9. Évolution de la segmentation standard (en haut à droite) vers la segmentation d’instances TruAI (en bas à gauche) lors de l’analyse d’images complexes (en haut à gauche). Le résultat (en bas à droite) montre une séparation quasiment parfaite des cellules.
Segmentation basée sur IA : des outils d’imagerie puissants pour l’analyse d’images de microscopie
Notre technologie TruAI mise à jour propose des outils d’imagerie puissants pour former les modèles de réseaux neuronaux individuels destinés à une large gamme d’applications d’analyse d’images. Alors que la formation d’un réseau neuronal optimal requiert l’utilisation d’exemples référencés avec précaution (compatibles avec notre logiciel convivial), l’application du réseau neuronal formé à de nouvelles images est une tâche robuste et aisée.
La segmentation d’instances TruAI nous permet également de fournir des modèles d’apprentissage profond préformés fiables pour des applications standard, telles que la détection de noyaux ou de cellules. N’hésitez pas à consulter notre prochain article pour en savoir plus sur les modèles préformés et découvrir d’autres exemples.
Entre-temps, découvrez d’autres applications de segmentation d’instances :
Figure 10. Segmentation d’instances d’une coloration de fibres musculaires
Figure 11. Segmentation d’instances d’une levure sur fond clair
Figure 12. Segmentation d’instances d’une coloration d’enveloppe nucléaire
* Le système scanR n’est pas offert au Japon.
Contenu connexe
Vidéo : La puissance de l’apprentissage profond pour la microscopie basée sur l’autoapprentissage
