UnMICST: глубокое обучение с реальным расширением для надежной сегментации сильно мультиплексированных изображений тканей человека

Биология связи, том 5, Номер статьи: 1263 (2022) Цитировать эту статью

2494 Доступа

1 Цитаты

7 Альтметрика

Подробности о метриках

Будущие технологии позволят регулярно собирать мультиплексированные (20–60 каналов) изображения тканей млекопитающих с субклеточным разрешением для исследований и диагностики. Извлечение данных отдельных ячеек из таких изображений требует точной сегментации изображений — сложной проблемы, обычно решаемой с помощью глубокого обучения. В этой статье мы сообщаем о двух результатах, которые существенно улучшают сегментацию изображений тканей с использованием ряда архитектур машинного обучения. Во-первых, мы неожиданно обнаружили, что включение намеренно расфокусированных и насыщенных изображений в обучающие данные существенно улучшает последующую сегментацию изображений. Такое реальное увеличение превосходит вычислительное увеличение (размытие по Гауссу). Кроме того, мы обнаружили, что практично визуализировать ядерную оболочку во многих тканях с использованием коктейля антител, что позволяет лучше идентифицировать контуры ядра и улучшить сегментацию. Эти два подхода в совокупности существенно улучшают сегментацию широкого спектра типов тканей. Мы предполагаем, что использование реальных дополнений найдет применение в обработке изображений за пределами микроскопии.

Типы клеток, базальные мембраны и соединительные структуры, которые организуют ткани и опухоли, представлены в масштабах длины от субклеточных органелл до целых органов (от <0,1 до> 104 мкм). Микроскопия с использованием гематоксилина и эозина (H&E) в сочетании с иммуногистохимией1 уже давно играет первостепенную роль в изучении тканевой архитектуры2,3. Более того, клиническая гистопатология остается основным средством определения стадии и клинического лечения таких заболеваний, как рак4. Однако классическая гистология предоставляет недостаточно молекулярной информации для точной идентификации подтипов клеток, изучения механизмов развития и характеристики генов заболеваний. Высокоплексная визуализация (дополнительная таблица 1)5,6,7,8,9 нормальных и больных тканей (иногда называемая пространственной протеомикой) дает данные субклеточного разрешения о количестве 20–60 антигенов, которых достаточно для идентификации типов клеток. измерять состояния клеток (покой, пролиферация, умирание и т. д.) и проверять сигнальные пути клеток. Высокоплексная визуализация также выявляет морфологию и положение бесклеточных структур, необходимых для целостности тканей в сохраненной трехмерной среде. Методы высокоплексной визуализации различаются по разрешению, полю зрения и кратности (плексу), но все они создают 2D-изображения срезов тканей; в современной практике их толщина обычно составляет 5–10 мкм.

Когда мультиплексированные изображения сегментируются и количественно оцениваются, полученные данные об отдельных клетках являются естественным дополнением к данным секвенирования одноклеточной РНК (scRNASeq), которые оказали огромное влияние на наше понимание нормальных и больных клеток и тканей10,11. Однако, в отличие от диссоциативного RNASeq, мультиплексная визуализация тканей сохраняет морфологию и пространственную информацию. Однако данные высокоплексных изображений значительно сложнее анализировать с помощью вычислений, чем изображения культивируемых клеток, что на сегодняшний день является основным направлением деятельности систем машинного зрения, ориентированных на биологию. В частности, для одноклеточного анализа данных изображений требуется сегментация — метод компьютерного зрения, который присваивает метки классов изображению экземплярами или попиксельно для его разделения. Полученная маска сегментации затем используется для количественной оценки интенсивности различных маркеров путем интегрирования интенсивности флуоресцентного сигнала по каждому объекту (клетке), идентифицируемому маской, или по форме (обычно кольцу), которая очерчивается или центрируется на маске12. Обширная работа была проведена по разработке методов сегментации клеток многоклеточных животных, выращенных в культуре, но сегментация изображений тканей является более сложной задачей из-за скученности клеток и разнообразной морфологии разных типов клеток. В последнее время процедуры сегментации, использующие машинное обучение, стали стандартными, параллельно с широким использованием сверточных нейронных сетей (CNN) в распознавании изображений, обнаружении объектов и генерации синтетических изображений13. Такие архитектуры, как ResNet, VGG16, а в последнее время UNet и Mask R-CNN14,15, получили широкое признание благодаря своей способности изучать миллионы параметров и обобщать наборы данных, о чем свидетельствуют отличные результаты в широком спектре соревнований по сегментации, например а также в задачах хакатона16 с использованием общедоступных наборов данных изображений17,18.