UnMICST: Aprendizado profundo com aumento real para segmentação robusta de imagens altamente multiplexadas de tecidos humanos

Biologia das Comunicações volume 5, Número do artigo: 1263 (2022) Citar este artigo

2494 acessos

1 Citações

7 Altmétrica

Detalhes das métricas

As próximas tecnologias permitem a coleta de rotina de imagens de resolução subcelular altamente multiplexadas (20 a 60 canais) de tecidos de mamíferos para pesquisa e diagnóstico. A extração de dados de célula única de tais imagens requer segmentação de imagem precisa, um problema desafiador comumente abordado com aprendizado profundo. Neste artigo, relatamos duas descobertas que melhoram substancialmente a segmentação de imagens de tecidos usando uma variedade de arquiteturas de aprendizado de máquina. Primeiro, descobrimos inesperadamente que a inclusão de imagens intencionalmente desfocadas e saturadas nos dados de treinamento melhora substancialmente a segmentação subsequente da imagem. Esse aumento real supera o aumento computacional (desfoque gaussiano). Além disso, descobrimos que é prático visualizar o envelope nuclear em vários tecidos usando um coquetel de anticorpos, identificando melhor os contornos nucleares e melhorando a segmentação. As duas abordagens melhoram cumulativamente e substancialmente a segmentação em uma ampla gama de tipos de tecido. Especulamos que o uso de aumentos reais terá aplicações no processamento de imagens fora da microscopia.

Os tipos de células, membranas basais e estruturas conectivas que organizam tecidos e tumores estão presentes em escalas de comprimento que variam de organelas subcelulares a órgãos inteiros (<0,1 a >104 µm). A microscopia com Hematoxilina e Eosina (H&E) complementada pela imuno-histoquímica1 há muito desempenha um papel primordial no estudo da arquitetura tecidual2,3. Além disso, a histopatologia clínica continua sendo o principal meio pelo qual doenças como o câncer são estadiadas e tratadas clinicamente4. No entanto, a histologia clássica fornece informações moleculares insuficientes para identificar com precisão os subtipos celulares, estudar os mecanismos de desenvolvimento e caracterizar os genes das doenças. A imagem high-plex (tabela suplementar 1)5,6,7,8,9 de tecidos normais e doentes (às vezes chamada de proteômica espacial) produz dados de resolução subcelular sobre a abundância de 20 a 60 antígenos, o que é suficiente para identificar tipos de células, mede os estados celulares (quiescentes, proliferando, morrendo, etc.) e interroga as vias de sinalização celular. A imagem high-plex também revela as morfologias e posições de estruturas acelulares essenciais para a integridade do tecido em um ambiente 3D preservado. Os métodos de imagem high-plex diferem em resolução, campo de visão e multiplicidade (plex), mas todos geram imagens 2D de seções de tecido; na prática atual, eles geralmente têm 5–10 µm de espessura.

Quando as imagens multiplexadas são segmentadas e quantificadas, os dados de célula única resultantes são um complemento natural aos dados de sequenciamento de RNA de célula única (scRNASeq), que tiveram um impacto dramático em nossa compreensão de células e tecidos normais e doentes10,11. Ao contrário do RNASeq dissociativo, no entanto, a imagem de tecido multiplex preserva a morfologia e a informação espacial. No entanto, os dados de imagem high-plex são substancialmente mais desafiadores de analisar computacionalmente do que as imagens de células cultivadas, a principal ênfase dos sistemas de visão de máquina com foco na biologia até o momento. Em particular, a análise de célula única de dados de imagem requer segmentação, uma técnica de visão computacional que atribui rótulos de classe a uma imagem em uma instância ou maneira de pixel para subdividi-la. A máscara de segmentação resultante é então usada para quantificar as intensidades de diferentes marcadores integrando intensidades de sinal fluorescente em cada objeto (célula) identificado pela máscara ou em uma forma (geralmente um anel) que contorna ou é centralizada na máscara12. Extenso trabalho foi dedicado ao desenvolvimento de métodos para segmentar células de metazoários cultivadas em cultura, mas a segmentação de imagens de tecidos é um desafio mais difícil devido ao apinhamento de células e às diversas morfologias de diferentes tipos de células. Recentemente, rotinas de segmentação que usam aprendizado de máquina tornaram-se padrão, paralelamente ao uso generalizado de redes neurais convolucionais (CNNs) no reconhecimento de imagens, detecção de objetos e geração de imagens sintéticas13. Arquiteturas como ResNet, VGG16 e, mais recentemente, UNet e Mask R-CNN14,15 ganharam ampla aceitação por sua capacidade de aprender milhões de parâmetros e generalizar em conjuntos de dados, como evidenciado pelo excelente desempenho em uma ampla gama de competições de segmentação, como bem como em desafios de hackathon16 usando conjuntos de dados de imagens disponíveis publicamente17,18.