Ferramenta de IA cria imagens sintéticas de células para análise microscópica aprimorada
Exemplos de imagens reais de vários tipos de células versus imagens sintéticas produzidas pelo modelo generativo dos pesquisadores. Crédito:Ali Shariati et al. A observação de células individuais através de microscópios pode revelar uma série de fenómenos biológicos celulares importantes que frequentemente desempenham um papel em doenças humanas, mas o processo de distinguir células individuais umas das outras e do seu contexto é extremamente demorado – e uma tarefa que é adequada para assistência de IA.
Os modelos de IA aprendem como realizar tais tarefas usando um conjunto de dados anotados por humanos, mas o processo de distinguir células de seu fundo, chamado de “segmentação de célula única”, é demorado e trabalhoso. Como resultado, há uma quantidade limitada de dados anotados para usar em conjuntos de treinamento de IA. Os pesquisadores da UC Santa Cruz desenvolveram um método para resolver isso construindo um modelo de IA de geração de imagens de microscopia para criar imagens realistas de células únicas, que são então usadas como "dados sintéticos" para treinar um modelo de IA para melhor realizar a segmentação de células únicas.
O novo software é descrito em um novo artigo publicado na revista iScience . O projeto foi liderado pelo professor assistente de Engenharia Biomolecular Ali Shariati e seu aluno de pós-graduação Abolfazl Zargari. O modelo, denominado cGAN-Seg, está disponível gratuitamente no GitHub.
“As imagens que saem do nosso modelo estão prontas para serem usadas no treinamento de modelos de segmentação”, disse Shariati. “De certa forma, estamos fazendo microscopia sem microscópio, pois somos capazes de gerar imagens que são muito próximas das imagens reais das células em termos de detalhes morfológicos de uma única célula. do modelo, eles já estão anotados e rotulados. As imagens apresentam muitas semelhanças com imagens reais, o que nos permite gerar novos cenários que não foram vistos pelo nosso modelo durante o treinamento."
Imagens de células individuais vistas através de um microscópio podem ajudar os cientistas a aprender sobre o comportamento e a dinâmica celular ao longo do tempo, melhorar a detecção de doenças e encontrar novos medicamentos. Detalhes subcelulares, como textura, podem ajudar os pesquisadores a responder questões importantes, como se uma célula é cancerosa ou não.
No entanto, encontrar e rotular manualmente os limites das células a partir do seu fundo é extremamente difícil, especialmente em amostras de tecido onde há muitas células numa imagem. Os pesquisadores podem levar vários dias para realizar manualmente a segmentação celular em apenas 100 imagens de microscopia.
O aprendizado profundo pode acelerar esse processo, mas é necessário um conjunto inicial de dados de imagens anotadas para treinar os modelos – pelo menos milhares de imagens são necessárias como linha de base para treinar um modelo de aprendizado profundo preciso. Mesmo que os investigadores consigam encontrar e anotar 1.000 imagens, essas imagens podem não conter a variação de características que aparecem em diferentes condições experimentais.
Um exemplo de imagem de célula antes e depois da segmentação, um processo que permite aos pesquisadores distinguir células individuais umas das outras e seu fundo. Crédito:Ali Shariati e outros
“Você quer mostrar que seu modelo de aprendizado profundo funciona em diferentes amostras, com diferentes tipos de células e diferentes qualidades de imagem”, disse Zargari. "Por exemplo, se você treinar seu modelo com imagens de alta qualidade, ele não será capaz de segmentar as imagens de células de baixa qualidade. Raramente encontraremos um conjunto de dados tão bom no campo da microscopia."
Para resolver esse problema, os pesquisadores criaram um modelo de IA generativo imagem a imagem que pega um conjunto limitado de imagens celulares anotadas e rotuladas e gera mais, introduzindo recursos e estruturas subcelulares mais intrincadas e variadas para criar um conjunto diversificado de imagens "sintéticas". imagens. Notavelmente, eles podem gerar imagens anotadas com alta densidade de células, que são especialmente difíceis de anotar manualmente e são especialmente relevantes para o estudo de tecidos. Essa técnica funciona para processar e gerar imagens de diferentes tipos de células, bem como diferentes modalidades de imagem, como aquelas obtidas por fluorescência ou coloração histológica.
Zargari, que liderou o desenvolvimento do modelo generativo, empregou um algoritmo de IA comumente usado chamado “rede adversária geradora de ciclo” para criar imagens realistas. O modelo generativo é aprimorado com as chamadas “funções de aumento” e uma “rede de injeção de estilo”, que ajuda o gerador a criar uma ampla variedade de imagens sintéticas de alta qualidade que mostram diferentes possibilidades de aparência das células. Tanto quanto é do conhecimento dos investigadores, esta é a primeira vez que técnicas de injeção de estilo são utilizadas neste contexto.
Em seguida, esse conjunto diversificado de imagens sintéticas criadas pelo gerador é usado para treinar um modelo para realizar com precisão a segmentação celular em novas imagens reais obtidas durante os experimentos.
"Usando um conjunto de dados limitado, podemos treinar um bom modelo generativo. Usando esse modelo generativo, somos capazes de gerar um conjunto maior e mais diversificado de imagens sintéticas anotadas. Usando as imagens sintéticas geradas, podemos treinar um bom modelo de segmentação— essa é a ideia principal", disse Zagari.
Os pesquisadores compararam os resultados de seu modelo usando dados de treinamento sintético com métodos mais tradicionais de treinamento de IA para realizar a segmentação celular em diferentes tipos de células. Eles descobriram que seu modelo produz uma segmentação significativamente melhorada em comparação com modelos treinados com dados de treinamento convencionais e limitados. Isto confirma aos pesquisadores que fornecer um conjunto de dados mais diversificado durante o treinamento do modelo de segmentação melhora o desempenho.
Através destas capacidades melhoradas de segmentação, os investigadores serão capazes de detectar melhor as células e estudar a variabilidade entre células individuais, especialmente entre células estaminais. No futuro, os investigadores esperam utilizar a tecnologia que desenvolveram para ir além das imagens fixas e gerar vídeos, o que pode ajudá-los a identificar quais os factores que influenciam o destino de uma célula no início da sua vida e prever o seu futuro.
“Estamos gerando imagens sintéticas que também podem ser transformadas em filmes de lapso de tempo, onde podemos gerar o futuro invisível das células”, disse Shariati. “Com isso, queremos ver se somos capazes de prever os estados futuros de uma célula, como se a célula vai crescer, migrar, diferenciar-se ou dividir-se”.
