Herramientas de IA, aprendizaje automático y aprendizaje profundo para el análisis de imágenes celulares
Inteligencia artificial en flujos de trabajo automatizados de análisis de imágenes
La reciente adopción de métodos de aprendizaje automático, un enfoque para lograr la inteligencia artificial (IA), en el análisis de imágenes está cobrando fuerza rápidamente en muchas áreas de investigación. El aprendizaje profundo es parte de un algoritmo de aprendizaje automático más amplio basado en una red neuronal artificial. La estructura de aprendizaje profundo resolvió con éxito problemas de análisis complejo en aplicaciones médicas, patológicas y de adquisición de imágenes biológicas.
Definición de términos de IA:
Inteligencia artificial (IA) – Simulación de procesos de inteligencia humana por sistemas informáticos.
Aprendizaje automático (ML) – Método para lograr la IA utilizando algoritmos para determinar o predecir patrones basados en los datos existentes. Los algoritmos de aprendizaje automático infieren automáticamente las reglas para discriminar las clases.
Aprendizaje profundo (DL) – Subconjunto de métodos de aprendizaje automático que utilizan redes neuronales convolucionales (CNN) para aprender relaciones insumo/producto. Las CNN son modelos matemáticos representados por múltiples capas de “neuronas” o células informáticas.
Análisis morfométrico del tratamiento con compuestos en esferoides derivados de pacientes a lo largo del tiempo. A) Los esferoides se monitorizaron usando imágenes de campo claro los días 1, 3 y 5 después del tratamiento. Las imágenes se segmentaron usando el módulo SINAP del software IN Carta (máscara magenta).
El aprendizaje automático mejora la segmentación de la imagen y la clasificación de objetos
El análisis automático de imágenes es una parte integral de la mayoría de las plataformas de adquisición de imágenes de alto contenido. La posibilidad de monitorizar células y organoides en tiempo real y, a continuación, extraer información significativa depende de un sólido análisis de las imágenes de luz transmitida sin marcaje. Los problemas asociados con el análisis de imágenes de campo claro son, por ejemplo, el bajo contraste, el fondo desigual y el artefacto de adquisición de imágenes. Un conjunto definido de parámetros globales raramente tendría éxito en la segmentación de objetos en imágenes de campo claro. Los recientes avances en el aprendizaje automático mejoran el flujo de trabajo de análisis de imágenes y permiten una segmentación de la imagen más sólida en conjuntos de datos complejos.
En el análisis de imágenes biológicas, el aprendizaje profundo proporciona herramientas potentes para resolver los problemas de segmentación de la imagen y seguimiento de objetos. El análisis convencional de imágenes normalmente implica la definición de un conjunto fijo de parámetros para segmentar los objetos para su cuantificación posterior. Sin embargo, estos parámetros predefinidos no funcionan para todos los experimentos debido a la alta variabilidad de las condiciones experimentales. Los ajustes manuales del protocolo de análisis son impracticables debido al enorme volumen de datos de imágenes en un entorno de alto rendimiento.
Para resolver estos problemas, se pueden usar herramientas de aprendizaje automático para la segmentación de la imagen y la clasificación de objetos con el fin de automatizar el flujo de trabajo de análisis de imágenes.
Software de análisis de imágenes IN Carta para el análisis de alto rendimiento basado en el aprendizaje automático
El software de análisis de imágenes IN Carta® cuenta con una interfaz de usuario intuitiva que incluye herramientas de IA en el flujo de trabajo de análisis de imágenes. Los dos componentes clave del software IN Carta que se benefician del aprendizaje automático son los módulos de software SINAP y Phenoglyphs. El módulo SINAP basado en el aprendizaje profundo permite una detección sólida de objetos complejos de interés (p. ej., colonias de células madre u organoides) con mínima intervención humana para mejorar la exactitud y fiabilidad en el primer paso del análisis de imágenes. El resultado del análisis incluye medidas morfológicas, de intensidad y de textura.
La clasificación de los datos se puede usar también con el módulo Phenoglyphs basado en el aprendizaje automático. El módulo Phenoglyphs toma cientos de descriptores de imágenes extraídos por el módulo SINAP y crea un conjunto óptimo de reglas para agrupar objetos con una apariencia visual similar. Ambos módulos utilizan decisiones no supervisadas para generar un resultado inicial que es optimizado repetidamente a través de información introducida por el usuario. En conjunto, los dos módulos mejoran la integridad y exactitud de los hallazgos a través de un flujo de trabajo completo fácil de usar.
Aplicación del aprendizaje profundo a la segmentación de objetos con el módulo SINAP de IN Carta
La segmentación automática de objetos de imágenes de microscopía puede ser problemática debido a la naturaleza diversa de los conjuntos de datos. El software de análisis de imágenes IN Carta utiliza SINAP, un módulo de segmentación entrenable que utiliza un algoritmo de aprendizaje de red neuronal convolucional profundo para resolver estos problemas.
Puesto que SINAP utiliza el aprendizaje profundo, puede dar cuenta de la variabilidad significativa en la apariencia de la muestra que surge de los tratamientos en investigación. Asegurando que cada tratamiento es segmentado con un nivel equivalente de exactitud, la información extraída en este paso es fiable y útil para comparar tratamientos en etapas posteriores de análisis.
Resolución de los problemas en la segmentación de la imagen con modelos basados en el aprendizaje automático:
A) Se presentan ejemplos de modelos biológicos diferentes que constituyen un reto para el análisis cuantitativo. Los esferoides 3D cultivados en placas con microcavidades producen una sombra alrededor de cada microcavidad que interfiere con la segmentación de objetos (flecha). Los organoides 3D se cultivan en Matrigel, lo que a menudo produce un fondo no homogéneo debido a la distorsión de la cúpula de Matrigel y objetos más allá de los planos de la imagen (recuadro). Las iPSC crecen como cultivos relativamente planos; como consecuencia, el bajo contraste (flecha azul) y los restos celulares (flecha amarilla) entorpecen una sólida segmentación de la imagen de colonias de iPSC.
B) Esquema general del flujo de trabajo de entrenamiento del modelo: Generar imágenes para el entrenamiento > Entrenar al modelo > Probar el modelo > Repetir.
C) Pasos principales para crear un modelo en el software IN Carta usando el módulo SINAP; se muestran imágenes de ejemplo. Las imágenes se anotan usando herramientas de etiquetado para indicar los objetos de interés y el fondo. La imagen anotada que representa la realidad del terreno se añade al conjunto de entrenamiento. En el paso de entrenamiento, se crea un modelo basado en el modelo existente más adecuado y en las anotaciones especificadas por el usuario. En el ejemplo que se muestra es necesario corregir la máscara de segmentación (paso 3) repitiendo los pasos 1 a 3.
Aplicación del aprendizaje automático a la clasificación de objetos con el módulo Phenoglyphs de IN Carta
Como usuario, usted solo necesita revisar y proporcionar información sobre un número pequeño de ejemplos de cada clase antes de que el módulo Phenoglyphs aplique el modelo al conjunto completo de datos. Este método minimiza la necesidad de información introducida por el usuario en el primer paso de una asignación de clases, lo que ahorra un tiempo considerable.
Aplicaciones basadas en el aprendizaje automático
Los métodos tradicionales de análisis de imágenes pueden ser increíblemente intrincados y laboriosos cuando se realizan manualmente o incluso semiautomáticamente. Existe siempre la posibilidad de error humano y sesgo debido a la naturaleza compleja y muy detallada de la tarea. Cuando a esto se añade la naturaleza repetitiva, prolongada y a menudo laboriosa del flujo de trabajo, surge la oportunidad de aplicar el aprendizaje automático.
Descubra cómo el software de aprendizaje profundo de IN Carta junto con el sistema ImageXpress HCS.ai ayudó a eliminar la variación entre usuarios, el error humano y el sesgo, mejorando así la calidad de los datos y la confianza, optimizando el flujo de trabajo y la eficiencia.