End-to-end plaque counting and virus titration from laboratory plate images with deep learning

Riepilogo Tecnico: Conteggio end-to-end delle placche e titolazione virale da immagini di piastre di laboratorio con deep learning

Enunciato del Problema
Le saggi a placca rimangono lo standard di riferimento per misurare l'infezione virale; tuttavia, la quantificazione delle placche dalle immagini delle piastre viene tradizionalmente eseguita tramite ispezione visiva. Questo processo manuale è laborioso, soggettivo, soggetto a variabilità inter-operatoria e difficile da standardizzare tra diversi analisti e laboratori. Sebbene esistano soluzioni software precedenti (ad es. Plaque2.0, Viridot, macro Fiji/ImageJ), esse spesso dipendono da condizioni di imaging controllate, ottiche specializzate (come fluorescenza o olografia) o da una noiosa sintonizzazione dei parametri. Queste limitazioni ne restringono l'adozione per saggi a placca di effetto citopatico (CPE) privi di marcatori, eseguiti di routine e acquisiti come semplici fotografie.

Metodologia
Gli autori propongono un flusso di lavoro assistito da computer, end-to-end, per la titolazione virale direttamente dalle immagini dei saggi a placca di laboratorio. La pipeline integra due modelli di deep learning derivati dalla famiglia Segment Anything Model (SAM), progettati per operare in condizioni di imaging eterogenee senza hardware specializzato.

1. Segmentazione dei Pozzi (basata su SAM2):

   • Obiettivo: Rilevare e localizzare automaticamente i singoli pozzi del saggio all'interno di un'immagine dell'intera piastra, indipendentemente dal formato della piastra (6 o 12 pozzi) o dalle condizioni di illuminazione.
   • Modello: Utilizza il generatore di maschere SAM2 (specificamente il checkpoint sam2.1_hiera_base_plus) in un contesto zero-shot.
   • Processo: Le immagini in ingresso vengono ridimensionate e generate maschere candidate. Una fase di filtraggio personalizzata applica vincoli geometrici (area > 100 pixel, circolarità > 0,7) per rimuovere rilevamenti spurii. Le maschere validate vengono mappate alla risoluzione originale per determinare il layout della griglia (riga/colonna), consentendo l'associazione con i piani di diluizione sperimentali.
   • Addestramento: Non è stata applicata alcuna messa a punto fine; il modello si basa su pesi pre-addestrati.

2. Segmentazione delle Placche (basata su SAM):

   • Obiettivo: Rilevare ed enumerare le placche all'interno di ogni pozzo ritagliato.
   • Modello: Utilizza il codificatore di immagini SAM (backbone ViT-B) come estrattore di caratteristiche congelato, accoppiato a un decoder convoluzionale leggero e specifico per il compito.
   • Addestramento: Solo i parametri del decoder sono stati ottimizzati utilizzando PyTorch Lightning, l'ottimizzatore Adam e la funzione di perdita di entropia incrociata binaria. Il modello è stato addestrato su un dataset misto di immagini dei virus Mayaro (MAYV), Coxsackievirus B3 (CVB3) e Vaccinia (VACV). È stata impiegata un'estesa augmentazione dei dati (geometrica e basata sul colore) per migliorare la generalizzazione.
   • Post-processing: Poiché il modello produce mappe di probabilità senza una separazione esplicita delle istanze, viene applicata una pipeline di post-processing dedicata. Questa include la segmentazione watershed sulle trasformate di distanza, il rilevamento di cerchi di Hough per la validazione geometrica, l'analisi della circolarità, il clustering DBSCAN per unire i picchi vicini e il filtraggio del rumore (scartando i rilevamenti < 10×10 pixel). Questo passaggio affronta specificamente la sfida di separare le placche sovrapposte.

3. Calcolo della Titolazione:

   • I conteggi finali delle placche per pozzo vengono combinati con i dati forniti dall'utente relativi alle diluizioni e al volume di inoculo per calcolare automaticamente le Unità Formanti Placche per millilitro (PFU/mL).

Contributi Chiave

• Architettura Guidata da Doppio SAM: Un flusso di lavoro innovativo che combina SAM2 per una robusta localizzazione dei pozzi e una variante SAM messa a punto fine per la segmentazione delle placche, riducendo il carico di annotazione mantenendo al contempo l'accuratezza.
• Piattaforma Web Integrata (Titra): La pipeline è integrata in una piattaforma web (Titra) che consente un'analisi automatizzata basata sul machine learning, un rapido controllo di qualità e la gestione degli esperimenti.
• Dataset Curato (MAYV/CVB3): La creazione e la futura pubblicazione pubblica di un dataset composto da immagini di saggi a placca di MAYV e CVB3, acquisite in condizioni di laboratorio di routine mediante fotografia con smartphone su piastre da 6 e 12 pozzi.
• Rilascio Open-Source: Il sistema è progettato per essere rilasciato come open-source all'accettazione del manoscritto per facilitare un'analisi riproducibile e scalabile.

Risultati
Il flusso di lavoro è stato valutato su un dataset misto comprendente immagini private MAYV/CVB3 e immagini pubbliche VACV (dataset VACVPlaque).

• Rilevamento dei Pozzi: Il modello ha dimostrato alta precisione e richiamo su entrambi i dataset. Per MAYV/CVB3, il richiamo è stato 0,9898 e la precisione 0,9614; per VACV, il richiamo è stato 0,9920 e la precisione 0,9841 (a soglia IoU 0,5). I casi di fallimento erano limitati principalmente a pozzi quasi completamente trasparenti con colorazione minima.
• Rilevamento delle Placche:
  • Correlazione: Sono state osservate forti correlazioni lineari tra i conteggi automatizzati e manuali. Per MAYV/CVB3, il coefficiente di correlazione di Pearson è stato 0,98 (N=180). Per VACV, è stato 0,88 (N=126), con prestazioni inferiori attribuite a pozzi ad alta densità dove il sovrapporsi delle placche è esteso.
  • Variabilità Inter-Esperti: Confrontato con quattro esperti indipendenti, il metodo automatizzato ha mostrato un'alta concordanza (r di Pearson compreso tra 0,909 e 0,999). Nei pozzi a bassa densità, le discrepanze erano spesso comparabili alla variabilità osservata tra esperti umani. Nei pozzi ad alta densità, il modello tendeva a sottostimare a causa della confluenza, una limitazione condivisa dagli annotatori umani.
  • Analisi degli Errori: Gli errori relativi simmetrici nel conteggio delle placche erano generalmente bassi (< 0,2). Il tasso di falsi positivi nei pozzi vuoti era più alto per MAYV/CVB3 (0,74) rispetto a VACV (0,50).
• Stima PFU/mL: Per il dataset MAYV/CVB3, i valori PFU/mL automatizzati hanno mostrato una forte concordanza con i calcoli manuali (r di Pearson = 0,975). L'analisi di Bland-Altman ha mostrato una differenza media di 0,06 con limiti di accordo al 95% compresi tra -0,31 e 0,44.
• Prestazioni: Senza accelerazione GPU, il rilevamento dei pozzi richiede circa 4 secondi e la segmentazione delle placche circa 4 secondi per pozzo.

Significato e Affermazioni
Il documento afferma che il sistema proposto fornisce uno strumento pratico, scalabile e riproducibile per l'analisi dei saggi a placca di laboratorio. Sfruttando i modelli fondazionali, il flusso di lavoro raggiunge una quantificazione agnostica rispetto al virus su diverse specie virali (MAYV, CVB3, VACV) e formati di piastra senza richiedere hardware di imaging specializzato.

Gli autori sottolineano che il sistema riduce sostanzialmente lo sforzo di annotazione manuale e la variabilità inter-operatoria. Pur riconoscendo le limitazioni nei pozzi estremamente ad alta densità (confluenti), lo studio dimostra che l'approccio automatizzato produce risultati altamente concordi con il conteggio manuale esperto e i calcoli standard di titolazione. Il rilascio dello strumento open-source e del dataset curato mira a abilitare una quantificazione virale pronta per l'audit e riproducibile per la più ampia comunità di ricerca.