Life Science Solutions
Notas de aplicação

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

Label free nucleus detection by TruAI

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.

Leia o livro branco

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.

Leia o livro branco

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

A high-magnification image (left) of the framed area in Figure 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

A high-magnification image (left) of the framed area in Figure 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

Microscópio de escaneamento a laser confocal

FV3000

  • Disponível para configurações de escâner híbrido galvanômetro/ressonante (FV3000RS) ou apenas galvanômetro (FV3000)
  • Detecção TruSpectral extremamente precisa e eficiente em todos os canais
  • Otimizado para imagem de célula viva com alta sensibilidade e baixa fototoxicidade
  • Inverted and upright frame options to suit a variety of applications and sample types
Sistema de microscópio para imagem de células vivas

IXplore Live

  • Use o controlador em tempo real da Olympus para dados fisiologicamente relevantes com perturbação mínima das células 
  • Mantenha a viabilidade das células durante a formação de imagem com várias opções de controle ambiental
  • Mantenha o foco de forma precisa e fiável em experimentos de intervalo de tempo com o sistema de focagem automática do hardware da Olympus (compensação do desvio Z)
  • Descubra a forma real de suas células com a óptica de imersão de silicone da Olympus
Microscópio de fluorescência automatizado

BX63

  • O sistema totalmente motorizado permite a automação de experimentos multidimensionais complexos
  • A unidade Z motorizada mais precisa
  • Alta estabilidade devido ao design de platina fixa
Soluções para ciência da vida

cellSens

  • Plataforma de software de formação de imagem modular
  • Interface do usuário orientada para a aplicação intuitiva
  • Vasto conjunto de recursos, variando de um simples instantâneo a experimentos avançados multidimensionais em tempo real

was successfully added to your bookmarks

View BookmarksClose

Maximum Compare Limit of 5 Items

Please adjust your selection to be no more than 5 items to compare at once

Sorry, this page is not
available in your country.