細胞画像解析のためのAI、機械学習、
ディープラーニングツール

人工ニューラルネットワークに基づくボーダー機械学習アルゴリズムの一部

機械学習による画像セグメンテーションと対物レンズ分類の改善

自動画像解析は、ほとんどのハイコンテントイメージングプラットフォームに不可欠な要素です。細胞やオルガノイドをリアルタイムでモニターし、意味のある情報を抽出できるかどうかは、ラベルフリー透過光イメージのロスト性画像解析にかかっています。明視野画像の解析に伴う課題には、低コントラスト、不均一な背景、イメージングアーチファクトなどがあります。定義されたグローバルパラメータのセットでは、明視野で撮像された対物レンズのセグメンテーションに成功することはほとんどありません。機械学習における最近の進歩は、画像解析ワークフローを改善し、複雑なデータセットにおいてよりロバスト性の高い画像セグメンテーションを可能にします。

バイオ画像解析において、ディープラーニングは、困難な画像セグメンテーションと対物レンズ追跡に取り組むための強力なツールボックスを提供します。従来の画像解析では、下流の定量化のために、対象オブジェクトをセグメンテーションするための固定パラメーターセットを定義することが一般的でした。しかし、これらの事前定義されたパラメータは、実験条件のばらつきが大きいため、すべての実験で機能するわけではありません。ハイスループット環境では画像データの量が膨大であるため、解析プロトコルを手動で調整することは現実的ではありません。

これらの課題を克服するために、画像セグメンテーションと対物レンズ分類に機械学習ツールを使用し、画像解析ワークフローを自動化することができます。

IN Carta™ 機械学習ベースのハイスループット解析用画像解析ソフトウェア

IN Carta™画像解析ソフトウェアは、画像解析ワークフローにAIツールを含む直感的なユーザーインターフェースを提供します。機械学習を活用したIN Cartaソフトウェアのキーコンポーネントとして、ソフトウェアモジュールSINAPとPhenoglyphsがあります。ディープラーニングベースのSINAPは、複雑な対象オブジェクト（幹細胞のコロニーやオルガノイドなど）を最小限の人的介入でロバストに検出し、画像解析の最初のステップにおける精度と信頼性を向上させます。解析出力には、形態学的、強度、テクスチャー測定が含まれる。

データの分類は、機械学習ベースのPhenoglyphsを使用することもできます。Phenoglyphsは、SINAPによって抽出された数百の画像記述子を取り込み、類似した視覚的外観を持つオブジェクトをグループ化するための最適なルールセットを作成する。両モジュールは教師なし学習を利用して初期結果を生成し、ユーザー入力によって繰り返し最適化される。両モジュールを組み合わせることで、使いやすいエンドツーエンドのワークフローを通じて、所見の完全性と精度が向上します。

IN Carta SINAPで対物レンズのセグメンテーションにディープラーニングを適用

顕微鏡画像の自動対物レンズセグメンテーションは、データセットの多様性により困難な場合があります。IN Carta™画像解析ソフトウェアは、ディープコンボリューショナルニューラルネットワーク学習アルゴリズムを利用した学習可能なセグメンテーションモジュールであるSINAPを使用し、これらの困難な問題に取り組んでいます。

SINAPはディープラーニングを使用しているため、調査中の試験治療から生じるサンプルの外観の大きなばらつきを考慮することができます。各治療が同等の精度でセグメンテーションされるようにすることで、このステップで抽出された情報は信頼性が高く、後続の分析ステップで治療を比較するのに役立ちます。

機械学習ベースのモデルで画像セグメンテーションの課題を克服：

A) 定量解析が困難な様々な生物製剤モデルの例を示します。マイクロキャビティプレートで成長させた3Dスフェロイドは、各マイクロキャビティの周囲に影が生じ、対物レンズのセグメンテーションを妨げます（矢印）。3Dオルガノイドはマトリゲル中で培養されますが、マトリゲルドームによる歪みと撮像平面の外側にある対物（ボックス）により、ホモジニアスでない背景が生じることが多いです。 iPSCは比較的平坦な培養物として成長しますが、その結果、コントラストが低く（青矢印）、破片（黄矢印）が生じるため、iPSCコロニーのロバストな画像セグメンテーションが妨げられます。

B) モデル学習ワークフローの概要： トレーニング用画像の生成 > モデルのトレーニング > モデルのテスト > 繰り返し。

C) INカルタ™ソフトウェアでSINAPを使ってモデルを作成する主なステップです。画像は、対象オブジェクトと背景を示すために、ラベリングツールを使用して注釈を付けます。グランドトゥルースを示すアノテーション画像はトレーニングセットに追加されます。学習ステップでは、最も適した既存のモデルとユーザが指定したアノテーションに基づいてモデルが作成されます。この例では、セグメンテーションマスクを修正する必要があり（ステップ3）、ステップ1～3を繰り返します。

機械学習をベースとしたアプリケーション

従来の画像解析方法は、手作業や半自動で行う場合、非常に複雑で時間がかかるものでした。作業が複雑で非常に詳細であるため、ヒューマンエラーやバイアスが発生する可能性が常にあります。これにワークフローの反復性、長さ、しばしば手間のかかる性質が加わると、機械学習を適用する機会がやってきます。

IN Carta™のディープラーニングソフトウェアとImageXpress® Confocal HT.aiシステムの組み合わせにより、個人差、ヒューマンエラー、バイアスを除去し、データの品質と信頼性を向上させ、ワークフローと効率を最適化した方法の詳細をご覧ください。

IN CartaからStratoMineRへデータセットをエクスポートし、データをより深く理解することができます。

IN Carta™画像解析ソフトウェアは、複雑な生物学の画像やデータセットから、高度なAI技術を駆使したロバスト性の高い定量結果を提供します。ハイコンテント、マルチパラメトリックデータの解析における典型的なワークフローをガイドする直感的なウェブベースのプラットフォームであるStratoMineRに、このデータを直接インポートします。