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:
- Marcação com seus próprios dados
- Treinamento
- 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).
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
Figura 2a
2. Células HeLa, coloração nuclear, campo amplo de 10x, fundo não homogêneo
Figura 2b
3. Células-tronco pluripotentes, marcador nuclear, campo amplo de 20x, confluência muito alta
Figura 2c
4. Células organoides renais, coloração nuclear, disco giratório confocal de 30x, alta profundidade de penetração
Figura 2d
5. Células HeLa, coloração nuclear, disco giratório confocal de 40x, alto contraste e resolução
Figura 2e
6. Células de carcinoma humano A549, marcador nuclear, disco giratório confocal de 40x, baixa relação sinal-ruído
Figura 2f
7. Células tumorais de tecido humano, coloração nuclear, campo amplo de 20x
Figura 2g
8. Células de tecido renal de camundongo, coloração nuclear, campo amplo de 20x, espécime espesso
Figura 2h
9. Células Rat-1, coloração citosólica, campo amplo de 10x, alta confluência celular
Figura 2i
10. Células SK-HEP-1, coloração de contato celular, campo amplo de 20x
Figura 2j
11. Células vegetais, autofluorescência, campo amplo de 20x, baixa relação sinal-ruído
Figura 2k
12. Coloração de membrana nuclear de células HeLa, campo amplo de 20x
Figura 2l
13. Células huFIB, coloração de tubulina, campo amplo de 20x
Figura 2m
14. Células Rat-1, coloração de actina, campo amplo de 20x
Figura 2n
15. Células BPAE, coloração de actina, escaneamento de ponto confocal de 40x
Figura 2o
16. Células Rat-1, coloração nuclear com cruzamento fraco no citoplasma, campo amplo de 20x
Figura 2p
17. Células HeLa, coloração de tubulina, campo amplo de 4x, baixa resolução e baixa relação sinal-ruído
Figura 2q
18. Células Rat-1, coloração citosólica, campo amplo de 20x
Figura 2r
19. Células COS-7, coloração de mitocôndrias, escaneamento de ponto confocal de 40x
Figura 2s
20. Células BPAE, coloração de tubulina, escaneamento de ponto confocal de 40x
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
Webinar: melhore sua análise de imagem com a tecnologia de aprendizado profundo TruAI™
