Ejemplos de imágenes reales de varios tipos de células e imágenes sintéticas creadas por el modelo de creación de los investigadores. Crédito Ali Shariati et al.
Nota del editor: A medida que comencemos a enviar equipos a otros mundos (y a calcular más adelante), las imágenes de formas de vida jugarán un papel importante. Dada la complejidad de tales categorías, será esencial incorporar capacidades de IA en nuestros compañeros robóticos (y en los sensores/tricorders que llevamos). Cuando no sabemos que nos encontraremos, recurrimos a nuestras herramientas para que nos ayuden a descubrir lo que estamos viendo y nos entrenemos a nosotros mismos, pero a nosotros mismos, para comprender lo que nosotros y ellos están viendo.
La observación de células individuales a través de microscopios puede detectar una variedad de eventos biológicos celulares importantes que a menudo desempeñan un papel en las enfermedades humanas, pero el proceso de distinguir células individuales entre sí y de su entorno puede llevar mucho tiempo y ser particularmente relevante. Asistencia de IA.
Los modelos de IA aprenden a realizar tales tareas utilizando conjuntos de datos anotados por humanos, pero el proceso de distinguir las células de su entorno, llamado «segmentación unicelular», requiere mucho tiempo y es laborioso. Como resultado, hay una cantidad limitada de datos anotados disponibles para su uso en conjuntos de entrenamiento de IA. Los investigadores de UC Santa Cruz han desarrollado un método para resolver esto mediante la creación de un modelo de IA de generación de imágenes microscópicas que crea imágenes realistas de células individuales, que luego se utilizan como «datos artificiales» para entrenar el modelo de IA para realizar mejor la separación de células individuales. .
El nuevo software se describe en un nuevo artículo publicado en la revista iScience. El proyecto fue dirigido por Ali Shariati, profesor asistente de ingeniería biomolecular, y su estudiante de posgrado, Abolfazl Zarkari. Un modelo llamado cGAN-Seg está disponible gratuitamente en GitHub.
«Las imágenes resultantes de nuestro modelo están listas para usarse para entrenar modelos de segmentación», dijo Shariati. «En cierto modo, estamos haciendo microscopía sin microscopio, en el sentido de que podemos crear imágenes que son muy cercanas a imágenes reales de células basadas en los detalles morfológicos de una sola célula. La belleza de esto es que cuando vienen Fuera de la muestra, ya están anotadas y etiquetadas. Las imágenes muestran mucha similitud con las imágenes reales, lo que nos permite generar nuevos escenarios que no fueron vistos por nuestro modelo durante el entrenamiento.
Las imágenes de células individuales vistas a través de un microscopio pueden ayudar a los científicos a aprender sobre el comportamiento y la dinámica celular a lo largo del tiempo, mejorar el diagnóstico de enfermedades y descubrir nuevos fármacos. Los detalles subcelulares, como la estructura, pueden ayudar a los investigadores a responder preguntas importantes, como si una célula es cancerosa o no.
Sin embargo, detectar y etiquetar manualmente los límites de las células a partir de su fondo es muy difícil, especialmente en muestras de tejido donde hay muchas células en una imagen. Los investigadores pueden tardar días en realizar manualmente la segmentación celular en 100 imágenes microscópicas.
Tres escenarios diferentes de entrenamiento de segmentación celular (A) Entrenamiento de cGAN-Seg en un conjunto de datos limitado (por ejemplo, 200 muestras de entrenamiento) de imágenes celulares utilizando un diseño personalizado del enfoque CycleGAN llamado CGAN-Seg. , discriminador PatchGan modificado y mejora de imagen discriminante. (B) Entrenamiento convencional del modelo de segmentación en un conjunto de datos limitado de imágenes celulares. (C) Entrenamiento de rutina del modelo de segmentación en un gran conjunto de datos de imágenes celulares (por ejemplo, 1000 muestras de entrenamiento en este artículo).
El aprendizaje profundo puede acelerar este proceso, pero requiere un conjunto de datos inicial de imágenes anotadas para entrenar los modelos; básicamente se necesitan miles de imágenes para entrenar un modelo de aprendizaje profundo preciso. Incluso si los investigadores pudieran encontrar y anotar 1.000 imágenes, esas imágenes no contendrían la variación de características que aparecen en diferentes condiciones experimentales.
«Quiere demostrar que su modelo de aprendizaje profundo funciona en diferentes muestras con diferentes tipos de células y diferentes calidades de imagen», dijo Zarkari. «Por ejemplo, si entrena su modelo con imágenes de alta calidad, no podrá segmentar imágenes celulares de baja calidad. Rara vez vemos datos tan buenos en el campo de la microscopía».
Para resolver este problema, los investigadores desarrollaron un modelo de IA que genera imagen a imagen que toma imágenes de células etiquetadas y anotadas limitadas y genera más, introduciendo características y estructuras subcelulares complejas y variadas para crear un conjunto «artificial» diverso. Fotos. En particular, pueden generar imágenes anotadas de alta densidad de células que de otro modo serían difíciles de anotar a mano y son muy adecuadas para estudiar tejidos. Esta técnica procesa y produce imágenes de varios tipos de células y diversas modalidades de imágenes tomadas mediante fluorescencia o tinción histológica.
Sarkari, quien dirigió el desarrollo del modelo generativo, llamó «Red Adversaria Generativa Ciclada», un algoritmo de IA comúnmente utilizado para crear imágenes realistas. El modelo generativo se mejora con las llamadas «funciones de aumento» y una «red de inyección de estilo», que permiten al generador generar una variedad de imágenes sintéticas de alta calidad que muestran diferentes posibilidades de cómo deberían verse las células. Hasta donde saben los investigadores, esta es la primera vez que se utilizan técnicas de inyección de estilo en este contexto.
El generador de estilo CGAN-Seq puede generar imágenes sintéticas similares a imágenes reales a partir de múltiples modalidades de imágenes, tipos de células y orgánulos subcelulares (de conjuntos de datos DeepSea y CellPose), como lo demuestran las puntuaciones FID relativamente bajas.
Luego, estas diferentes imágenes sintéticas producidas por el generador se utilizan para entrenar un modelo para realizar con precisión la división celular en imágenes nuevas y reales tomadas durante los experimentos.
“Utilizando un conjunto de datos limitado, se puede entrenar un buen modelo generativo. Usando ese modelo generativo, podemos crear imágenes sintéticas muy diversas y con muchas anotaciones. «Podemos entrenar un buen modelo de segmentación utilizando las imágenes sintéticas generadas; esa es la idea principal», dijo Zakari.
Los investigadores utilizaron datos de entrenamiento sintéticos para comparar los resultados de su modelo con los métodos tradicionales de entrenamiento de IA para realizar la división celular en diferentes tipos de células. Descubrieron que su modelo producía una segmentación significativamente mejor en comparación con los modelos entrenados con datos de entrenamiento limitados convencionales. Esto confirma a los investigadores que proporcionar un conjunto de datos más diverso mejora el rendimiento durante el entrenamiento de un modelo de segmentación.
Con estas capacidades de segmentación mejoradas, los investigadores pueden identificar mejor las células y estudiar la variación entre células individuales, particularmente entre células madre. En el futuro, los investigadores esperan ir más allá de las imágenes fijas y utilizar la tecnología que han desarrollado para crear vídeos que puedan ayudar a identificar qué factores influyen en la vida temprana de una célula y predecir su futuro.
«Estamos creando imágenes sintéticas que también se pueden convertir en una película a intervalos, donde podemos crear el futuro invisible de las células», dijo Shariati. «Con eso, queremos ver si podemos predecir los estados futuros de una célula, como cuándo la célula crecerá, migrará, se diferenciará o se dividirá».
Segmentación celular mejorada con conjuntos de datos de entrenamiento finitos utilizando redes adversarias generadoras de ciclosiCiencia (Acceso Abierto)
Astronomía
«Ninja de la comida exasperantemente humilde. Orgulloso solucionador de problemas. Nerd web general. Geek total de la televisión. Fanático del café».