UnMICST: deep learning con real augmentation per una solida segmentazione di immagini altamente multiplex di tessuti umani

Biologia delle comunicazioni volume 5, numero articolo: 1263 (2022) Citare questo articolo

2494 accessi

1 Citazioni

7 Altmetrico

Dettagli sulle metriche

Le tecnologie imminenti consentono la raccolta di routine di immagini con risoluzione subcellulare altamente multiplex (20-60 canali) di tessuti di mammiferi per la ricerca e la diagnosi. L’estrazione dei dati di singole cellule da tali immagini richiede un’accurata segmentazione delle immagini, un problema impegnativo comunemente affrontato con il deep learning. In questo articolo riportiamo due risultati che migliorano sostanzialmente la segmentazione delle immagini dei tessuti utilizzando una gamma di architetture di apprendimento automatico. Innanzitutto, scopriamo inaspettatamente che l'inclusione di immagini intenzionalmente sfocate e saturate nei dati di addestramento migliora sostanzialmente la successiva segmentazione delle immagini. Tale aumento reale supera l'aumento computazionale (sfocatura gaussiana). Inoltre, troviamo che è pratico visualizzare l'involucro nucleare in più tessuti utilizzando un cocktail di anticorpi, identificando così meglio i contorni nucleari e migliorando la segmentazione. I due approcci migliorano cumulativamente e sostanzialmente la segmentazione su un'ampia gamma di tipi di tessuto. Ipotizziamo che l'uso di aumenti reali avrà applicazioni nell'elaborazione delle immagini al di fuori della microscopia.

I tipi cellulari, le membrane basali e le strutture connettive che organizzano tessuti e tumori sono presenti su scale di lunghezza che vanno dagli organelli subcellulari agli organi interi (da <0,1 a >104 µm). La microscopia che utilizza ematossilina ed eosina (H&E), integrata dall'immunoistochimica1, svolge da tempo un ruolo primario nello studio dell'architettura dei tessuti2,3. Inoltre, l’istopatologia clinica rimane lo strumento principale attraverso il quale malattie come il cancro vengono stadiate e gestite clinicamente4. Tuttavia, l’istologia classica fornisce informazioni molecolari insufficienti per identificare con precisione i sottotipi cellulari, studiare i meccanismi di sviluppo e caratterizzare i geni della malattia. L'imaging ad alto plesso (Tabella supplementare 1)5,6,7,8,9 di tessuti normali e malati (a volte chiamato proteomica spaziale) produce dati di risoluzione subcellulare sull'abbondanza di 20-60 antigeni, che è sufficiente per identificare i tipi di cellule, misurare gli stati cellulari (quiescente, proliferante, morente, ecc.) e interrogare le vie di segnalazione cellulare. L'imaging ad alto plex rivela anche le morfologie e le posizioni delle strutture acellulari essenziali per l'integrità dei tessuti in un ambiente 3D preservato. I metodi di imaging ad alto plex differiscono per risoluzione, campo visivo e molteplicità (plex), ma tutti generano immagini 2D di sezioni di tessuto; nella pratica attuale, questi hanno solitamente uno spessore di 5–10 µm.

Quando le immagini multiplex vengono segmentate e quantificate, i dati di singola cellula risultanti sono un complemento naturale ai dati di sequenziamento dell'RNA di singola cellula (scRNASeq), che hanno avuto un impatto drammatico sulla nostra comprensione delle cellule e dei tessuti normali e malati10,11. A differenza dell'RNASeq dissociativo, tuttavia, l'imaging tissutale multiplex preserva la morfologia e le informazioni spaziali. Tuttavia, i dati di imaging ad alto plex sono sostanzialmente più impegnativi da analizzare a livello computazionale rispetto alle immagini di cellule in coltura, che fino ad oggi sono l’enfasi principale dei sistemi di visione artificiale focalizzati sulla biologia. In particolare, l'analisi di singole cellule dei dati di imaging richiede la segmentazione, una tecnica di visione artificiale che assegna etichette di classe a un'immagine in modo istantaneo o pixel per suddividerla. La maschera di segmentazione risultante viene quindi utilizzata per quantificare le intensità di diversi marcatori integrando le intensità del segnale fluorescente su ciascun oggetto (cella) identificato dalla maschera o su una forma (solitamente un anello) che delinea o è centrata sulla maschera12. È stato svolto un ampio lavoro nello sviluppo di metodi per segmentare le cellule metazoiche coltivate in coltura, ma la segmentazione delle immagini dei tessuti è una sfida più difficile a causa dell'affollamento cellulare e delle diverse morfologie dei diversi tipi di cellule. Recentemente, le routine di segmentazione che utilizzano l'apprendimento automatico sono diventate standard, parallelamente all'uso diffuso delle reti neurali convoluzionali (CNN) nel riconoscimento delle immagini, nel rilevamento di oggetti e nella generazione di immagini sintetiche13. Architetture come ResNet, VGG16 e, più recentemente, UNet e Mask R-CNN14,15 hanno ottenuto un ampio consenso per la loro capacità di apprendere milioni di parametri e generalizzare attraverso set di dati, come evidenziato dalle eccellenti prestazioni in un'ampia gamma di competizioni di segmentazione, come così come nelle sfide degli hackathon16 utilizzando set di dati di immagini disponibili pubblicamente17,18.