Hybrid Deep Learning–Based Computer Vision Framework for Brain Organoid and Embryoid Body Segmentation
Dit artikel presenteert een hybride op deep learning gebaseerd computer vision-framework dat Median Filtering, Histogram Equalization en het Watershed-algoritme combineert om superieure segmentatie en extractie van kenmerken te bereiken voor afbeeldingen van hersenorganoïden en embryoïde lichamen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de stille, gecontroleerde omgeving van een laboratorium kweken wetenschappers kleine, driedimensionale clusters van cellen die bekend staan als organoïden. Dit zijn geen volledige organen, maar eerder miniature, vereenvoudigde versies die de complexe structuur van menselijke weefsels, zoals de hersenen, nabootsen. Onderzoekers gebruiken ze om te bestuderen hoe de hersenen zich ontwikkelen en om ziekten zoals Alzheimer te onderzoeken, vaak beginnend met stamcellen die het potentieel hebben om elke type cel in het lichaam te worden. Om van deze microscopische structuren te kunnen leren, moeten wetenschappers ze eerst duidelijk kunnen zien. Dit vereist het omzetten van ruwe beelden, die vaak korrelig, dof of vol visuele ruis zijn, naar scherpe, duidelijke foto's waar elke celgrens zichtbaar is. De uitdaging ligt in het scheiden van de ene cel van de andere wanneer ze dicht op elkaar gepakt zitten, een taak die moeilijk is voor zowel het menselijk oog als standaard computerprogramma's.
Een team van onderzoekers van het SRM Arts and Science College in India zette zich af om dit specifieke probleem van helderheid en scheiding op te lossen. Ze werkten met een collectie afbeeldingen van hersenorganoïden en embryoïde lichamen, die vergelijkbare celclusters zijn, om een nieuw systeem voor het analyseren van deze structuren te bouwen. Hun doel was om een methode te creëren die de beelden automatisch kon opschonen en ze vervolgens nauwkeurig kon opdelen in individuele stukken, wat zorgt voor een nauwkeurige telling en meting. Ze testten een verscheidenheid aan standaardinstrumenten die worden gebruikt bij beeldverwerking en vergeleken hoe goed elk instrument omging met de rommelige realiteit van microscopische fotografie. Sommige instrumenten waren ontworpen om willekeurige korreligheid glad te strijken, terwijl andere bedoeld waren om de randen te verscherpen waar het ene object eindigt en het andere begint.
De onderzoekers ontdekten dat niet alle instrumenten even goed werkten voor elk deel van de taak. Wanneer het ging om het verwijderen van de gespikkelde ruis die vaak in microscoopfoto's verschijnt, bleek een techniek genaamd de mediaanfilter superieur aan de meer gebruikelijke Gaussische filter. Terwijl de Gaussische filter het beeld verzachtte door kleuren te middelen, wat soms de delicate randen van de cellen vervaagde, verving de mediaanfilter elke pixel door de meest voorkomende waarde in de nabijheid. Deze aanpak hield de scherpe contouren van de cellen intact terwijl de achtergrond toch werd opgeschoond. Om de zwakke structuren duidelijker te laten uitkomen tegen de donkere achtergrond, paste het team een proces toe dat het bereik van licht- en donkertonen in het beeld uitrekte, een methode die bekend staat als histogramequalisatie. Deze stap maakte de verschillen tussen de cellen en hun omgeving veel duidelijker.
Zodra de beelden schoon en met een hoog contrast waren, moest het team een manier vinden om de aanrakende cellen te scheiden. Ze testten verschillende methoden, waaronder algoritmen die zoeken naar scherpe veranderingen in helderheid om randen te vinden. Echter, deze methoden lieten de cellen vaak gefragmenteerd lijken of misten de grenzen volledig. De meest succesvolle aanpak was een techniek genaamd watershed-segmentatie. Deze methode behandelt het beeld als een landschap, waarbij heldere gebieden pieken zijn en donkere gebieden valleien. Door te simuleren hoe water vanuit de laagste punten omhoog stroomt, kan het systeem van nature de ruggen vinden die één cel van de buurcel scheiden. In combinatie met de eerdere stappen van ruisonderdrukking en contrastverbetering, produceerde deze hybride pijplijn de duidelijkste scheiding van individuele organoïde cellen, waarbij de werkelijke vormen beter werden behouden dan bij enige enkele methode die op zichzelf werd gebruikt.
Om de analyse een stap verder te brengen, bouwden de onderzoekers ook een systeem om deze structuren te classificeren met behulp van deep learning, een vorm van kunstmatige intelligentie die patronen direct uit data leert. Ze combineerden twee krachtige modellen, waarvan er één bekend staat om het herkennen van texturen en de andere om het begrijpen van diepe structurele details. Door deze twee modellen te laten stemmen op het uiteindelijke antwoord, creëerden ze een systeem dat nauwkeuriger en stabieler was dan welk model alleen ook. Dit gecombineerde systeem bereikte een hoog niveau van precisie bij het identificeren van de organoïden, waardoor de fouten werden verminderd die vaak voorkomen wanneer computers proberen complexe biologische vormen te interpreteren. De studie toont aan dat door deze verschillende technieken zorgvuldig te gelaagd — het opschonen van de ruis, het verhogen van het contrast en het gebruik van een slim segmentatie-instrument — wetenschappers een veel helderder beeld kunnen krijgen van deze minuscule biologische structuren. Deze helderheid is essentieel voor de volgende stappen in het onderzoek, waarbij het begrijpen van de exacte vorm en het aantal cellen kan leiden tot betere inzichten in hoe de hersenen groeien en hoe ze beïnvloed kunnen worden door ziekte.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.