mnDINO: Accurate and robust segmentation of micronuclei with vision transformer networks

Deze paper introduceert mnDINO, een op Vision Transformer gebaseerd segmentatiemodel dat, getraind op een divers dataset met meer dan vijfduizend geannoteerde micronuclei, een nauwkeurige en robuuste detectie van deze subcellulaire structuren mogelijk maakt onder diverse experimentele omstandigheden.

De kern

mnDINO: De "Super-Oog" die Verborgen DNA-Deeltjes Vindt

Stel je voor dat je een enorme, drukke stad bekijkt vanuit een helikopter. Je ziet duizenden grote huizen (de celkernen). Maar ergens tussen die huizen, soms zelfs op de daken, liggen er kleine, vergeten speelgoedautootjes of brokstukken (de micronuclei). Deze stukjes zijn niet alleen ontzettend klein, ze zijn ook zeldzaam en vaak heel moeilijk te onderscheiden van stof of vuil op de straat.

In de biologie zijn deze "speelgoedautootjes" eigenlijk stukjes DNA die niet goed zijn meegegaan tijdens de celdeling. Als ze eruit vallen, is dat een teken dat er iets mis is gegaan in de cel, wat kan leiden tot kanker of andere ziektes. Het probleem? Mensen zijn slecht in het vinden van deze piepkleine deeltjes onder een microscoop. Het is als zoeken naar een speld in een hooiberg, terwijl je blind bent.

Hier komt mnDINO om de hoek kijken.

Wat is mnDINO eigenlijk?

mnDINO is een slim computerprogramma (een kunstmatige intelligentie) dat is getraind om deze vergeten DNA-stukjes te vinden. Je kunt het zien als een super-gevoelige hond die getraind is om niet naar grote honden te blaffen, maar specifiek naar die ene, piepkleine muis die tussen de struiken kruipt.

De onderzoekers hebben dit programma niet zomaar bedacht; ze hebben het gevoed met een enorme verzameling foto's van cellen. Ze hebben duizenden voorbeelden van deze kleine deeltjes handmatig gemarkeerd, zodat het programma precies wist waar het naar moest zoeken.

Hoe werkt het? (De Analogie van de Vergrootglas)

Stel je voor dat je een heel groot schilderij moet bekijken om de kleinste details te zien.

1. De Sliding Window (Het Schuifraam): In plaats van het hele schilderij in één keer te bekijken, laat mnDINO een klein vierkant raampje over het beeld schuiven. Dit raampje kijkt telkens naar een klein stukje van de foto.
2. De Vergroting: Omdat de deeltjes zo klein zijn, vergroot mnDINO dit raampje digitaal. Het is alsof je een vergrootglas gebruikt dat de details scherp in beeld brengt.
3. De Slimme Herkenning: Het programma heeft een "hersenen" (een Vision Transformer) die is getraind op duizenden andere foto's. Het weet al hoe een normaal huis eruitziet, en leert nu snel het verschil tussen een huis, een stukje vuil en het zeldzame speelgoedautootje (het micronucleus).

Waarom is dit zo speciaal?

Vroeger waren de beste methoden om dit te doen:

• Mensen: Die moesten urenlang door foto's kijken, wat saai was en veel fouten opleverde (moeheid, verschillende meningen).
• Oude computers: Die dachten dat alles wat ze zagen een groot huis was. Als ze iets kleins zagen, dachten ze: "Oh, dat is vast een vlekje stof," en negeerden het.

mnDINO doet het beter dan al het vorige:

• Het is een detective: Het ziet de deeltjes zelfs als ze heel klein zijn of als de foto wazig is.
• Het is flexibel: Het werkt op foto's van verschillende microscopen en met verschillende soorten cellen. Het maakt niet uit of je in Kopenhagen of in Madison fotografeert; het programma past zich aan.
• Het is snel: Het kan duizenden cellen in een paar seconden scannen, iets waar een mens dagen over zou doen.

Het Resultaat

De onderzoekers hebben bewezen dat mnDINO veel nauwkeuriger is dan de huidige beste methoden. Het mist minder deeltjes en roept minder vals alarm af (het denkt niet dat stof een deeltje is).

Kortom: mnDINO is als een superkrachtige, onfatsoenlijke zoektocht-hulp die wetenschappers helpt om de "verborgen foutjes" in onze cellen te vinden. Dit helpt hen om beter te begrijpen hoe kanker ontstaat en hoe we het kunnen voorkomen. En het beste deel? De code en de data zijn gratis beschikbaar voor iedereen die hier meer over wil leren.

Technische samenvatting

Probleemstelling

Micronuclei (MN) zijn kleine, DNA-bevattende structuren die zich buiten de hoofdkern bevinden en ontstaan door chromosoominstabiliteit, genotoxiciteit en mitotische defecten. Ze zijn cruciale biomerkers voor kankerprogressie en DNA-schade. Het detecteren en kwantificeren van MN is echter uiterst uitdagend voor de beeldverwerking:

• Grootte en Zeldzaamheid: MN zijn zeer klein (vaak 1/16 tot 1/3 van de diameter van een normale kern) en komen zelden voor in cellen onder normale omstandigheden.
• Beeldkwaliteit: Ze zijn moeilijk te onderscheiden van ruis, puin of achtergrondverkleuring.
• Beperkingen van bestaande modellen: Bestaande deep-learning modellen voor celsegmentatie (zoals Cellpose, StarDist, microSAM) zijn getraind op volledige cellen of kernen. Ze falen vaak bij subcellulaire structuren omdat ze aannames doen over grootte en vorm die niet op MN van toepassing zijn.
• Gebrek aan data: Er was geen uitgebreide, gevarieerde dataset beschikbaar met hoogwaardige handmatige annotaties van MN voor het trainen van robuuste modellen.

Methodologie

De auteurs introduceren mnDINO, een segmentatiemodel gebaseerd op Vision Transformer (ViT) netwerken, specifiek ontworpen voor DNA-gekleurde microscopie-afbeeldingen.

1. Dataset Cureratie:

• Er is een heterogene dataset samengesteld van 232 afbeeldingen met in totaal 5.685 handmatig geannoteerde micronuclei.
• De data komt uit vier verschillende bronnen (BBBC039, MNFinder_data, en twee nieuwe datasets: mnDINO_data01 en 02).
• De dataset omvat verschillende cel lijnen (U2OS, RPE1, HeLa), microscopen, vergrotingen (20X en 40X) en experimentele verstoringen (chemisch en CRISPR-Cas9) om MN-ontwikkeling te induceren.
• Nuclei werden geautomatiseerd gedetecteerd met Cellpose3, terwijl MN handmatig werden geannoteerd door experts.

2. Model Architectuur:

• Backbone: Het model gebruikt DINOv2 (een self-supervised Vision Transformer) als feature extractor, voorgetraind op natuurlijke afbeeldingen.
• Segmentatie Head: Een aangepaste, lichtgewicht segmentatiekop (gebaseerd op Mask2Former) wordt toegevoegd om de lokale patch-features om te zetten in segmentatiemaskers.
• Invoer: Afbeeldingen worden opgesplitst in 256x256 pixels patches via een schuifend venster (sliding window). Deze patches worden geconverteerd van grijs naar RGB en geïnterpoleerd naar 448x448 pixels om kleine objecten te vergroten voor betere feature-extractie.
• Training: Het model wordt getraind met een combinatie van Focal Loss en Dice Loss (met een gewicht van 0,8 voor MN en 0,2 voor kernen). Data-augmentatie (rotatie, spiegeling, helderheid) en willekeurige crop-groottes worden gebruikt om robuustheid te vergroten.

3. Inferentie Strategie:

• Voor voorspellingen wordt een sliding window-benadering gebruikt met een stapgrootte (step size) van 32 pixels om overlap te creëren en artefacten te minimaliseren.
• Het model is ontworpen om direct te werken op afbeeldingen van verschillende resoluties zonder handmatige aanpassing van de invoergrootte.

Kernbijdragen

1. De eerste grote, heterogene MN-dataset: Een publiek beschikbare dataset met meer dan 5.000 annotaties uit diverse experimentele condities, wat essentieel is voor generalisatie.
2. mnDINO Model: Een state-of-the-art segmentatiemodel dat specifiek is getraind om de uitdagingen van kleine, zeldzame subcellulaire structuren aan te pakken.
3. Generalisatie: Het bewijs dat een model getraind op een zeer diverse dataset kan generaliseren naar nieuwe microscopen en cel lijnen zonder opnieuw te hoeven trainen (zero-shot generalisatie).
4. Open Science: De volledige dataset, code en het voorgetrainde model zijn openbaar beschikbaar gesteld via BioImage Archive, GitHub en Hugging Face.

Resultaten

• Prestaties: mnDINO bereikte een gemiddelde precisie van 75% en een recall van 82% op de testset. Dit is een significante verbetering ten opzichte van de huidige standaard (MNFinder), die 65% precisie en 77% recall haalde.
• Vergelijking met andere modellen:
  • microSAM (zonder fine-tuning): 22% precisie, 3% recall.
  • Cellpose (gefine-tuned): 50% precisie, 18% recall.
  • mnDINO overtreft deze modellen aanzienlijk, vooral omdat ze zijn ontworpen voor cel-grootte objecten en niet voor subcellulaire structuren.
• Generalisatie: Bij cross-validatie (waarbij specifieke microscopen of cel lijnen uit de trainingset werden verwijderd) daalde de prestatie slechts marginaal (gemiddeld 2,6% voor microscopen en 8,2% voor cel lijnen). Het model bleef robuust zelfs bij grote verschillen in vergroting en resolutie.
• Efficiëntie: Hoewel mnDINO iets meer rekentijd kost dan Cellpose, is het aanzienlijk sneller dan het ensemble-model MNFinder. Voor een 1024x1024 afbeelding duurt de inferentie ongeveer 25 seconden (op een NVIDIA A100 GPU) met een stapgrootte van 32 pixels.

Betekenis en Impact

mnDINO markeert een doorbraak in de automatische analyse van micronuclei, een fenomeen dat tot nu toe vaak handmatig of met onbetrouwbare methoden werd geanalyseerd.

• Biologisch Onderzoek: Het stelt onderzoekers in staat om grootschalige studies uit te voeren naar chromosoominstabiliteit, genotoxiciteit en kankerprogressie met hoge nauwkeurigheid.
• Toekomstige Toepassingen: De succesvolle toepassing van een generieke Vision Transformer op een zeer specifiek biologisch probleem suggereert dat vergelijkbare methoden kunnen worden gebruikt voor andere zeldzame en kleine subcellulaire structuren.
• Reproduceerbaarheid: Door het openbaar maken van de data en het model, wordt de drempel voor toekomstig onderzoek in de MN-biologie verlaagd, waardoor snellere en betrouwbaardere ontdekkingen mogelijk worden.

Kortom, mnDINO combineert geavanceerde computer vision-technieken met een zorgvuldig samengestelde dataset om een langdurig probleem in de celbiologie op te lossen: het nauwkeurig en robuust detecteren van microscopisch kleine structuren in diverse beeldvormingsomstandigheden.