Новости

Jan 01, 2024

ACCT — это быстрый и доступный инструмент автоматического подсчета клеток, использующий машинное обучение для сегментации 2D-изображений.

Научные отчеты, том 13,

Том 13 научных докладов, номер статьи: 8213 (2023) Цитировать эту статью

470 Доступов

1 Альтметрика

Подробности о метриках

Подсчет клеток является краеугольным камнем отслеживания прогрессирования заболеваний в нейробиологии. Распространенный подход к этому процессу заключается в том, что обученные исследователи индивидуально выбирают и подсчитывают клетки на изображении, что не только сложно стандартизировать, но и отнимает очень много времени. Хотя существуют инструменты для автоматического подсчета ячеек на изображениях, точность и доступность таких инструментов можно повысить. Таким образом, мы представляем новый инструмент ACCT: автоматический подсчет ячеек с обучаемой сегментацией Weka, который обеспечивает гибкий автоматический подсчет ячеек посредством сегментации объектов после обучения под руководством пользователя. ACCT демонстрируется с помощью сравнительного анализа общедоступных изображений нейронов и собственного набора данных окрашенных иммунофлуоресценцией клеток микроглии. Для сравнения оба набора данных были подсчитаны вручную, чтобы продемонстрировать применимость ACCT как доступного средства для автоматического точного количественного определения клеток без необходимости вычисления кластеров или расширенной подготовки данных.

Количественное определение клеток на иммунофлуоресцентных изображениях уже давно является ограничивающим шагом как по времени, так и по требуемым усилиям для анализа данных микроскопии, используемых в исследованиях. Эти методы выборочного анализа изображений могут предоставить ценную физиологическую информацию, а ручной подсчет, выполняемый обученными специалистами, считается «золотым стандартом» количественной оценки1,2.

Здесь мы использовали полный ручной подсчет нескольких отдельных наблюдателей для сравнения с методологией автоматического подсчета клеток. Традиционно важным аспектом поддержания последовательности в количественном определении клеток было обеспечение того, чтобы набор данных подсчитывался одним наблюдателем, который стремится к точности и воспроизводимости, в идеале не зная об условиях эксперимента. Это значительно ограничивает скорость обработки данных подсчета клеток, поскольку увеличение рабочей силы не всегда приводит к увеличению скорости. При ручном подсчете могут возникнуть проблемы с воспроизводимостью и согласованностью набора данных из-за человеческих ошибок и усталости. Таких проблем можно избежать, используя вычислительные модели, которые остаются согласованными на любом количестве изображений.

С этой целью мы представляем здесь ACCT: автоматический подсчет ячеек с обучаемой сегментацией Weka (TWS), размещенный на GitHub по адресу https://github.com/tkataras/Automatic-Cell-counting-with-TWS.git. TWS обеспечивает основу машинного обучения для нашей доступной методологии автоматического подсчета клеток, а также дополнительные возможности обработки изображений, предоставляемые скриптами на ImageJ, Python и BeanShell3,4. Программа TWS предоставляет графический пользовательский интерфейс (GUI) для обучения и применения классификатора машинного обучения, который различает клеточные и неклеточные пиксели, которые затем группируются в клеточные объекты и подсчитываются. ACCT построен на этой сегментации пикселей, чтобы обеспечить количественную проверку на клеточном уровне и помочь в оптимальном выборе и применении классификатора (рис. 1). ACCT обрабатывает одноканальные изображения, предоставленные пользователями. Изображения с несколькими каналами можно анализировать с помощью копий изображений, показывающих по одному каналу за раз, и обработки наборов изображений для каждого канала отдельно.

В этом исследовании используются два набора данных для демонстрации эффективности в различных контекстах визуализации. Первый использованный набор данных включает визуализированную микроглию мышей с состояниями, активирующими иммунитет и воспаление, и без них, вызванными трансгенной экспрессией оболочечного белка gp120 вируса иммунодефицита человека-1 (ВИЧ-1)5. Эта модель NeuroHIV (мышь ВИЧgp120tg) обеспечивает наблюдаемый результат при ручном подсчете: увеличение микроглии в присутствии ВИЧgp120 (далее именуемого «активированный») по сравнению с отсутствием вирусного белка (нетрансгенный контроль однопометных животных, называемый «активированный»). Отдыхаю). ACCT использовался для оценки разницы в количестве клеток микроглии по изображениям, представленным на рис. 2. Чтобы методология автоматического подсчета была эффективной в экспериментальном контексте, она должна быть в состоянии учитывать изменчивость представления данных, возникающую в результате экспериментальных условий6. Известно, что микроглия претерпевает морфологические изменения во время активации, которые меняют ее морфологию и внешний вид при визуализации с помощью иммунофлуоресцентного окрашивания7,8. Мы сосредотачиваемся на наборе данных изображений клеток, иммунофлуоресцентно меченных ионизированным кальций-связывающим адаптерным белком-1 (Iba-1), который является маркером, специфичным для типа клеток, и позволяет визуализировать микроглию. Тем не менее, методология и сопутствующие сценарии позволяют автоматически количественно определять клетки в широком спектре контекстов визуализации.