La observación de células individuales a través de microscopios puede revelar una variedad de fenómenos biológicos celulares importantes que con frecuencia desempeñan un papel en las enfermedades humanas, pero el proceso de distinguir células individuales entre sí y su entorno requiere mucho tiempo y es una tarea adecuada. para asistencia de IA.
Los modelos de IA aprenden cómo llevar a cabo tales tareas utilizando un conjunto 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, existe una cantidad limitada de datos anotados para usar en conjuntos de entrenamiento de IA. Los investigadores de UC Santa Cruz han desarrollado un método para resolver esto mediante la construcción de un modelo de IA de generación de imágenes de microscopía para crear imágenes realistas de células individuales, que luego se utilizan como "datos sintéticos" para entrenar un modelo de IA para llevar a cabo mejor la segmentación de células individuales.
El nuevo software se describe en un nuevo artículo publicado en la revista iScience. . El proyecto fue dirigido por el profesor asistente de ingeniería biomolecular Ali Shariati y su estudiante de posgrado Abolfazl Zargari. El modelo, llamado cGAN-Seg, está disponible gratuitamente en GitHub.
"Las imágenes que surgen de nuestro modelo están listas para usarse para entrenar modelos de segmentación", dijo Shariati. "En cierto sentido, estamos haciendo microscopía sin microscopio, en el sentido de que podemos generar imágenes que son muy cercanas a las imágenes reales de las células en términos de los detalles morfológicos de cada célula. La belleza de esto es que cuando salen del modelo, ya están anotadas y etiquetadas. Las imágenes muestran un montón de similitudes con imágenes reales, lo que luego nos permite generar nuevos escenarios que nuestro modelo no ha visto 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 la detección de enfermedades y encontrar nuevos medicamentos. Los detalles subcelulares, como la textura, pueden ayudar a los investigadores a responder preguntas importantes, como si una célula es cancerosa o no.
Sin embargo, encontrar y etiquetar manualmente los límites de las células a partir de su fondo es extremadamente difícil, especialmente en muestras de tejido donde hay muchas células en una imagen. Los investigadores podrían tardar varios días en realizar manualmente la segmentación celular en sólo 100 imágenes de microscopía.
El aprendizaje profundo puede acelerar este proceso, pero se necesita un conjunto de datos inicial de imágenes anotadas para entrenar los modelos; se necesitan al menos miles de imágenes como base para entrenar un modelo de aprendizaje profundo preciso. Incluso si los investigadores pudieran encontrar y anotar 1000 imágenes, es posible que esas imágenes no contengan la variación de características que aparecen en diferentes condiciones experimentales.
"Quiere mostrar que su modelo de aprendizaje profundo funciona en diferentes muestras con diferentes tipos de células y diferentes calidades de imagen", dijo Zargari. "Por ejemplo, si entrena su modelo con imágenes de alta calidad, no podrá segmentar las imágenes celulares de baja calidad. Rara vez podemos encontrar un conjunto de datos tan bueno en el campo de la microscopía".
Para abordar este problema, los investigadores crearon un modelo de IA generativa de imagen a imagen que toma un conjunto limitado de imágenes de células etiquetadas y anotadas y genera más, introduciendo características y estructuras subcelulares más complejas y variadas para crear un conjunto diverso de imágenes "sintéticas". imágenes. En particular, pueden generar imágenes anotadas con una alta densidad de células, que son especialmente difíciles de anotar a mano y son especialmente relevantes para estudiar tejidos. Esta técnica funciona para procesar y generar imágenes de diferentes tipos de células, así como diferentes modalidades de imágenes, como las tomadas mediante fluorescencia o tinción histológica.
Zargari, quien dirigió el desarrollo del modelo generativo, empleó un algoritmo de IA de uso común llamado "red adversarial generativa de ciclo" para crear imágenes realistas. El modelo generativo está mejorado con las llamadas "funciones de aumento" y una "red de inyección de estilo", que ayuda al generador a crear una amplia variedad de imágenes sintéticas de alta calidad que muestran diferentes posibilidades de cómo podrían verse las células. Hasta donde saben los investigadores, esta es la primera vez que se utilizan técnicas de inyección de estilo en este contexto.
Luego, este conjunto diverso de imágenes sintéticas creadas por el generador se utiliza para entrenar un modelo para realizar con precisión la segmentación celular en imágenes nuevas y reales tomadas durante los experimentos.
"Usando un conjunto de datos limitado, podemos entrenar un buen modelo generativo. Usando ese modelo generativo, podemos generar un conjunto más diverso y más grande de imágenes sintéticas anotadas. Usando las imágenes sintéticas generadas podemos entrenar un buen modelo de segmentación. esa es la idea principal", dijo Zagari.
Los investigadores compararon los resultados de su modelo utilizando datos de entrenamiento sintéticos con métodos más tradicionales de entrenamiento de IA para llevar a cabo la segmentación celular en diferentes tipos de células. Descubrieron que su modelo produce una segmentación significativamente mejorada 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 durante el entrenamiento del modelo de segmentación mejora el rendimiento.
A través de estas capacidades de segmentación mejoradas, los investigadores podrán detectar mejor las células y estudiar la variabilidad entre células individuales, especialmente entre células madre. En el futuro, los investigadores esperan utilizar la tecnología que han desarrollado para ir más allá de las imágenes fijas y generar vídeos, que puedan ayudarles a identificar qué factores influyen en el destino de una célula en las primeras etapas de su vida y predecir su futuro.
"Estamos generando imágenes sintéticas que también pueden convertirse en una película a intervalos, donde podemos generar el futuro invisible de las células", dijo Shariati. "Con eso, queremos ver si somos capaces de predecir los estados futuros de una célula, como si la célula va a crecer, migrar, diferenciarse o dividirse".
Más información: Abolfazl Zargari et al, Segmentación celular mejorada con conjuntos de datos de entrenamiento limitados utilizando redes adversarias generativas de ciclo, iScience (2024). DOI:10.1016/j.isci.2024.109740
Información de la revista: iCiencia
Proporcionado por la Universidad de California - Santa Cruz
