用于细胞成像分析的 AI、机器学习和深度学习工具

自动化成像分析工作流程中的人工智能

机器学习改进了图像分割和物体分类

自动化成像分析是大多数高内涵成像平台不可或缺的一部分。实时监测细胞和类器官并提取有意义信息的能力，取决于非标记透射光图像的稳健成像分析。明场图像分析面临的挑战包括对比度低、背景不均匀和成像伪影。一组确定的全局参数很少能成功分割明场中的成像物体。机器学习的最新进展完善了成像分析工作流程，可在复杂的数据集中实现更加稳健的图像分割。

在生物图像分析中，深度学习提供了一个强大的工具箱，可以解决具有挑战性的图像分割和物体跟踪。常规成像分析通常包括明确一组固定的参数来分割目标物体，以便进行下游定量分析。但这些预先确定的参数并不适用于所有实验，因为实验条件存在高度可变性。手动调节分析方案不切实际，因为高通量环境下的成像数据量很大。

为了克服这些挑战，可以使用机器学习工具进行图像分割和物体分类，以实现成像分析工作流程的自动化。

基于机器学习的高通量分析的 IN Carta 成像分析软件

在成像分析工作流程中，IN Carta® 成像分析软件提供一个包括 AI 工具的直观用户界面。IN Carta 软件中机器学习的两个关键组件是软件模块 SINAP 和 Phenoglyphs。基于深度学习的 SINAP 可以稳健地检测复杂的目标物体（如干细胞集落或类器官），只需极少的人为干预就能提高成像分析的准确度和可靠性。分析输出包括形态、密度和纹理测定结果。

基于机器学习的 Phenoglyphs 也可以进行数据分类。Phenoglyphs 需要数百个通过 SINAP 提取的图像特征描述，并创建一组对外观相似物体进行分组的最佳规则。两个模块都可根据无监督决策生成初始结果，该结果通过用户输入进行反复优化。通过一个易用、端到端的工作流程，两者可共同提高结果的完整性和准确度。

通过 IN Carta SINAP 在物体分割中应用深度学习

由于数据集的多样性，显微镜图像的自动物体分割可能具有挑战性。IN Carta 成像分析软件采用 SINAP（一个利用深度卷积神经网络学习算法的可训练分割模块）处理这些具有挑战性的问题。

SINAP 使用深度学习，因此能够处理由于处理方法不同和细胞种类不同导致的样品形态的变异。每种处理方法的分割都确保相同的准确度，因此在本步骤中提取的信息对于后续分析步骤中比较各种不同处理方法都有很多高可靠性。

克服基于机器学习的模型的图像分割挑战：

A) 呈现了对定量分析而言具有挑战性的不同生物学模型的示例。对于在微腔板中培养的 3D 细胞球，在每个微腔周围会产生一个干扰物体分割的阴影（箭头）。3D 类器官在基质胶中培养，基质胶常常因基质胶穹顶和物体超出成像平面（矩形）导致的失真而产生非匀质背景。iPSC 作为相对平坦的培养物生长；因此，低对比度（蓝色箭头）和碎片（黄色箭头）会妨碍 iPSC 集落图像的稳健分割。

B) 模型培训工作流程概览：生成训练图像 > 训练模型 > 检测模型 > 重复。

C) 使用 SINAP，通过所示图像例子在 IN Carta 软件中创建模型的主要步骤。使用标注工具给图像加注释，以说明目标物体和背景。将代表真实情况的加标注图像添加到训练集。在训练步骤中，根据最适合的现有模型和用户指定标注建模。在所示示例中，需要修正分割掩膜（第 3 步），重复第 1-3 步。

对 IN Carta Phenoglyphs 物体分类应用机器学习