A segmentação de instâncias é a tarefa de dividir uma imagem em instâncias individuais de um objeto, como células ou núcleos individuais. Embora essa tarefa exigisse trabalho de pós-processamento antigamente, atualizamos nossa tecnologia de aprendizagem profunda TruAI™ para simplificar drasticamente a segmentação de instâncias.

Neste post, explicamos esse método fácil de segmentação de instâncias por meio de vários exemplos de imagens. Continue lendo para saber mais sobre os benefícios para a análise de imagens de microscopia e os novos recursos que ela possibilita.

Como funciona a segmentação de instâncias em imagens de microscopia

A análise automatizada de imagens de microscopia normalmente requer segmentação (divisão de uma imagem em seus objetos, partes e segundo plano). Aplicações de segmentação relativamente fáceis incluem imagens com núcleos bem separados (veja a Figura 1).

Figura 1. Amostra de células BPAE com núcleos visualizados através de coloração DAPI. A amostra foi adquirida usando o microscópio confocal FLUOVIEW™ FV3000 com ampliação de 20x. A amostra é parcialmente branqueada, resultando em diferentes níveis de sinais de fluorescência. Um baixo tempo de integração foi escolhido para mostrar as capacidades da tecnologia TruAI.

Mesmo aqui, faz sentido usar a tecnologia TruAI para segmentar núcleos e núcleos ruidosos em uma ampla gama de níveis de sinal. A tecnologia TruAI pode tratar facilmente desse aplicativo padrão (consulte a Figura 2). A imagem é segmentada em duas classes: primeiro plano e segundo plano. A tecnologia TruAI pode detectar até 16 classes de primeiro plano diferentes, se necessário.

Figura 2. A mesma imagem da Figura 1 sobreposta com o mapa de probabilidade TruAI, que indica os pixels dos núcleos em vermelho.

Núcleos que se sobrepõem ou se tocam podem exigir algumas etapas simples de pós-processamento para separá-los em núcleos individuais. A razão é que a rede neural detecta todos os pixels como núcleos ou plano de fundo, e não há pixels de segundo plano entre os núcleos que se tocam para distingui-los como objetos separados. A segmentação de núcleos individuais é chamada de segmentação de instância.

Figura 3. Vista detalhada da Figura 1 (esquerda) e da Figura 2 (direita). A segmentação dos pixels dos núcleos é muito boa, mas os núcleos que se tocam devem ser separados usando etapas de pós-processamento.

A segmentação também é útil para tarefas de análise mais complexas, como células confluentes (consulte a Figura 4). Por exemplo, você pode usar a segmentação para medir uma área coberta por células.

Figura 4. O mesmo campo de visão da Figura 1, mas agora também mostrando o sinal de fluorescência para 488 faloidina marcando a F-actina.

Figura 5. O resultado da segmentação do canal de F-actina com uma rede neural de segmentação padrão. Embora a rede neural tenha sido treinada com bordas de 1 px entre células que se tocam, o resultado da segmentação não pode separar células individuais de forma confiável.

No entanto, dividir a área segmentada de células em células individuais (segmentação de instâncias) pode ser uma tarefa desafiadora de pós-processamento (consulte a Figura 6).

Figura 6. Vista detalhada da Figura 4 (esquerda) e da Figura 5 (direita). As bordas entre células adjacentes mostram uma queda na probabilidade para a classe de primeiro plano, mas uma separação de células individuais exigiria um pós-processamento sofisticado por um usuário experiente.

Para simplificar esse processo de trabalho para imagens com uma ampla gama de complexidade, adicionamos um recurso de segmentação de instâncias fácil à nossa tecnologia TruAI para a estação de triagem scanR.*

O recurso de segmentação de instâncias é baseado em IA e não requer etapas manuais de pós-processamento ou ajuste de parâmetros. Depois que um modelo de rede neural é treinado, ele pode ser aplicado a novas imagens com um único clique para obter resultados de análise imediatos (consulte a Figura 7).

Figura 7. Obtenha os resultados para detecção de núcleos (vermelho) e células (amarelo) com apenas um clique usando a segmentação de instâncias TruAI. Esse método simples de segmentação de instâncias não requer etapas de pós-processamento.

A Figura 8 abaixo mostra como a segmentação de instâncias TruAI entrega diretamente as instâncias de células e núcleos sem outras etapas de pós-processamento.

Figura 8. Usando a segmentação de instâncias TruAI, as redes neurais produzem diretamente a separação correta dos núcleos (parte superior) e células (parte inferior).

A Figura 9 abaixo compara os resultados da separação de células usando segmentação padrão vs. segmentação de instâncias TruAI.

Figura 9. Evolução da segmentação padrão (canto superior direito) para segmentação de instâncias TruAI (canto inferior esquerdo) ao analisar imagens complexas (canto superior esquerdo). O resultado (canto inferior direito) é uma separação quase perfeita das células.

Segmentação baseada em IA: um poderoso conjunto de ferramentas para análise de imagens de microscopia

Nossa tecnologia TruAI atualizada fornece um poderoso conjunto de ferramentas para treinar modelos de redes neurais individuais para uma ampla variedade de aplicativos de análise de imagens. Embora o treinamento de uma rede neural ideal exija exemplos cuidadosamente marcados (compatíveis com o nosso software fácil de usar), aplicar a rede neural treinada a novas imagens é uma tarefa fácil e robusta.

A segmentação de instâncias TruAI também nos permite fornecer modelos de aprendizagem profunda pré-treinados confiáveis para aplicativos padrão, como detecção de núcleos ou células. Aguarde o próximo post para saber mais sobre os modelos pré-treinados e ver exemplos.

Enquanto isso, confira outros aplicativos de segmentação de instâncias:

Figura 10. Segmentação de instâncias de coloração de fibra muscular

Figura 11. Segmentação de instâncias de levedura em campo claro

Figura 12. Segmentação de instâncias de marcação do envelope nuclear

*O sistema scanR não é vendido no Japão.

Conteúdo relacionado

Vídeo: O poder da aprendizagem profunda para a microscopia de autoaprendizagem

Análise avançada de células vivas usando sistemas de triagem de alto conteúdo acionado por IA

Quantificação sem marcação com a qual você pode contar: um experimento de aprendizagem profunda