Strumenti di IA, apprendimento automatico e deep learning per l’analisi delle immagini cellulari
L’intelligenza artificiale nei flussi di lavoro automatizzati per l’analisi delle immagini
La recente adozione di metodiche di apprendimento automatico, un approccio per raggiungere l’intelligenza artificiale (IA), nell’analisi delle immagini sta guadagnando rapidamente slancio in numerose aree di ricerca. Il deep learning fa parte di un più ampio algoritmo di apprendimento automatico basato su una rete neurale artificiale. L’architettura di deep learning ha permesso di risolvere con successo complessi problemi di analisi in applicazioni di imaging medico, patologico e biologico.
Definizione di termini legati all’IA:
Intelligenza artificiale (IA): simulazione di processi legati all’intelligenza umana da parte di sistemi computerizzati.
Apprendimento automatico (Machine Learning, ML): approccio finalizzato a raggiungere prestazioni di IA utilizzando algoritmi per determinare o prevedere pattern in base ai dati esistenti. Gli algoritmi di apprendimento automatico deducono quindi automaticamente le regole per distinguere le classi.
Deep learning (DL): sottoinsieme di metodi di apprendimento automatico che utilizzano reti neurali convoluzionali (Convolutional Neural Networks, CNN) per apprendere relazioni di input/output. Le CNN sono modelli matematici rappresentati da molteplici strati di “neuroni” o cellule computazionali.
Analisi morfometrica del trattamento di sferoidi derivati da pazienti con composti nel tempo. A) Gli sferoidi sono stati monitorati utilizzando l’imaging in campo chiaro nei giorni 1, 3 e 5 post-trattamento. La segmentazione delle immagini è stata eseguita con il modulo SINAP del software IN Carta (overlay magenta).
L’apprendimento automatico migliora la segmentazione delle immagini e la classificazione degli oggetti
L’analisi automatizzata delle immagini è parte integrante della maggior parte delle piattaforme di imaging ad alto contenuto. La capacità di monitorare cellule e organoidi in tempo reale e poi di estrarre informazioni significative dipende dall’efficiente analisi delle immagini senza marcatura ottenute in luce trasmessa. Tra le difficoltà associate all’analisi delle immagini in campo chiaro si annoverano il contrasto ridotto, il background disomogeneo e gli artefatti di imaging. Un set definito di parametri globali ha poche probabilità di consentire la corretta segmentazione degli oggetti acquisiti in campo chiaro. I recenti progressi compiuti nel campo dell’apprendimento automatico migliorano il flusso di lavoro per l'analisi delle immagini e permettono una più efficace segmentazione delle immagini in set di dati complessi.
Nell’analisi delle bioimmagini, il deep learning offre un potente insieme di strumenti per superare le difficoltà associate alla segmentazione delle immagini e al monitoraggio degli oggetti. L’analisi delle immagini convenzionale prevede solitamente la definizione di un insieme fisso di parametri per segmentare gli oggetti di interesse per la quantificazione a valle. Tuttavia, questi parametri predefiniti non sono applicabili a tutti gli esperimenti a causa dell’elevata variabilità delle condizioni sperimentali. L’esecuzione di regolazioni manuali del protocollo di analisi è poco pratica a causa dell’enorme volume di dati di imaging in un ambiente ad alto rendimento.
Per superare queste difficoltà, è possibile utilizzare strumenti di apprendimento automatico per la segmentazione delle immagini e la classificazione degli oggetti che consentono di automatizzare il flusso di lavoro per l'analisi delle immagini.
Software di analisi delle immagini IN Carta per l’analisi ad alto rendimento basata sull’apprendimento automatico
Il software di analisi delle immagini IN Carta® fornisce un’interfaccia utente intuitiva che include strumenti di IA nel flusso di lavoro per l'analisi delle immagini. I due principali componenti del software IN Carta che sfruttano l’apprendimento automatico sono i moduli software SINAP e Phenoglyphs. Il modulo SINAP basato sul deep-learning permette l’efficace rilevazione di oggetti di interesse complessi (ad es. colonie di cellule staminali o organoidi) con intervento umano minimo per migliorare l’accuratezza e l’affidabilità nella prima fase dell’analisi delle immagini. Il risultato dell’analisi include misurazioni morfologiche, di intensità e di consistenza.
La classificazione dei dati può anche essere utilizzata con il modulo Phenoglyphs basato sull’apprendimento automatico. Il modulo Phenoglyphs analizza centinaia di descrittori di immagini estratti dal modulo SINAP e crea un set di regole ottimale per il raggruppamento degli oggetti con aspetto visivo simile. Entrambi i moduli utilizzano decisioni non supervisionate per generare un risultato iniziale che viene ottimizzato in maniera iterativa mediante input dell’utente. Insieme, permettono di migliorare l’integrità e l’accuratezza dei dati attraverso un flusso di lavoro completo di facile utilizzo.
Applicazione del deep learning alla segmentazione degli oggetti con il modulo SINAP del software IN Carta
La segmentazione automatica degli oggetti nelle immagini di microscopia può essere problematica a causa della natura diversificata dei set di dati. Nel software di analisi delle immagini IN Carta è disponibile il modulo di segmentazione addestrabile SINAP, che sfrutta un algoritmo di deep learning basato su una rete neurale convoluzionale per risolvere questi problemi complessi.
Poiché il modulo SINAP utilizza tecniche di deep learning, è in grado di tenere conto della significativa variabilità nell’aspetto dei campioni derivante dai trattamenti sperimentali in esame. Questo approccio assicura che ogni trattamento venga segmentato con un livello equivalente di accuratezza, per cui le informazioni estratte in questa fase sono affidabili e utili per confrontare i trattamenti nelle fasi successive dell’analisi.
Superamento delle difficoltà nella segmentazione delle immagini con modelli basati sull’apprendimento automatico:
A) Sono presentati esempi di modelli biologici diversi la cui analisi quantitativa è problematica. Sferoidi 3D cresciuti in piastre con microcavità producono un’ombra intorno a ogni microcavità, che interferisce con la segmentazione degli oggetti (freccia). Gli organoidi 3D vengono cresciuti in Matrigel, che spesso produce un background non omogeneo a causa della distorsione dovuta alla cupola di Matrigel e alla presenza di oggetti al di là dei piani di imaging (riquadro). Le iPSC crescono sotto forma di colture relativamente piane; di conseguenza, il basso contrasto (freccia blu) e la presenza di detriti (freccia bianca) ostacolano un’efficace segmentazione delle immagini delle colonie di queste cellule.
B) Panoramica del flusso di lavoro per l’addestramento del modello: Generazione di immagini per l’addestramento > Addestramento del modello > Verifica del modello > Ripetizione.
C) Principali passaggi per la creazione di un modello nel software IN Carta mediante l’uso del modulo SINAP con visualizzazione di immagini esemplificative. Le immagini vengono annotate utilizzando strumenti di etichettatura per indicare gli oggetti di interesse e il background. L’immagine annotata che fornisce una rappresentazione affidabile della realtà viene aggiunta al set di addestramento. Nella fase di addestramento, viene creato un modello in base al modello esistente più adatto e alle annotazioni specificate dall’utente. Nell’esempio mostrato è necessario correggere la maschera di segmentazione (passaggio 3), ripetendo i passaggi 1-3.
Applicazione dell’apprendimento automatico alla classificazione degli oggetti con il modulo Phenoglyphs del software IN Carta
L’utente dovrà semplicemente esaminare un piccolo numero di esempi per ogni classe e fornire il proprio input prima che il modulo Phenoglyphs applichi il modello all’intero set di dati. Questo approccio riduce al minimo la necessità di input dell’utente durante il primo passaggio dell’assegnazione a una classe, permettendo un considerevole risparmio di tempo.
Applicazioni basate sull’apprendimento automatico
I metodi tradizionali di analisi delle immagini possono essere estremamente intricati e richiedere molto tempo quando vengono eseguiti manualmente o anche in modo semi-automatico. Esiste sempre la possibilità di errore umano e di bias dovuti alla natura complessa e altamente dettagliata dell’operazione. Considerando anche il carattere ripetitivo, prolungato e spesso laborioso del flusso di lavoro, esiste l’opportunità di applicare l’apprendimento automatico.
Scoprite in che modo le funzioni di deep learning del software IN Carta, combinate con il sistema ImageXpress Confocal HT.ai, hanno aiutato a eliminare la variabilità tra gli operatori, l’errore umano e i bias, permettendo di migliorare la qualità e l’affidabilità dei dati e di ottimizzare il flusso di lavoro e l’efficienza.
Esportate dataset dal software IN Carta a StratoMineR per una comprensione più approfondita dei vostri dati
Il software di analisi delle immagini IN Carta permette di ottenere solidi risultati quantitativi dai dataset e dalle immagini biologiche complesse utilizzando un’avanzata tecnologia basata sull’IA. Importate direttamente questi dati in StratoMineR, un’intuitiva piattaforma basata sul web che guida gli utenti attraverso un flusso di lavoro tipico nell’analisi dei dati multiparametrici ad alto contenuto.
