UMGANG MIT COVID-19 – Wir setzen uns dafür ein, unsere wissenschaftliche Gemeinschaft während dieser Pandemie zu unterstützen. Mehr erfahren 

KI, maschinelles Lernen und Deep-Learning-Werkzeuge für die Analyse von Zellbildern

Künstliche Intelligenz in automatisierten Arbeitsabläufen der Bildanalyse

 

Die kürzliche Einführung von Methoden des maschinellen Lernens, einem Ansatz zum Erzielen Künstlicher Intelligenz (KI), in die Bildanalyse erlebt in vielen Forschungsbereichen einen Auftrieb. Deep Learning ist Teil eines umfassenderen Algorithmus des maschinellen Lernens, der auf einem künstlichen neuronalen Netzwerk basiert. Die Architektur des Deep Learning löste komplexe Analyseprobleme in medizinischen, pathologischen und biologischen Imaging-Anwendungen erfolgreich.

Definition von KI-Begriffen:

Künstliche Intelligenz (KI) – eine Simulation der Prozesse menschlicher Intelligenz durch Computersysteme.

Maschinelles Lernen (ML) – ein Ansatz, um KI durch die Anwendung von Algorithmen zur Ermittlung oder Vorhersage von Mustern auf Grundlage vorhandener Daten zu erzielen. Die Algorithmen des maschinellen Lernens leiten dann automatisch die Regeln zur Unterscheidung der Klassen ab.

Deep Learning (DL) – eine Untergruppe von Methoden des maschinellen Lernens, die künstliche neuronale Netzwerke (KNN) nutzen, um Eingabe/Ausgabe-Beziehungen zu erlernen. KNN sind mathematische Modelle, die durch mehrere Schichten von „Neuronen“ oder Rechenzellen dargestellt werden.

 

Morphometrische Analyse der Behandlung von aus Patienten stammenden Sphäroiden mit Verbindungen

Morphometrische Analyse der Behandlung von aus Patienten stammenden Sphäroiden mit Verbindungen im Zeitverlauf. A) Die Sphäroide wurden mittels Hellfeld-Imaging am Tag 1, 3, und 5 nach der Behandlung überprüft. Die Abbildungen wurden mithilfe des SINAP-Moduls der IN Carta Software segmentiert (magentafarbene Overlays).

Maschinelles Lernen verbessert die Bildsegmentierung und die Klassifizierung von Objekten

 

Die automatisierte Bildanalyse ist ein integraler Bestandteil der meisten High-Content-Imaging-Plattformen. Die Fähigkeit, Zellen und Organoide in Echtzeit zu überwachen und dann aussagekräftige Informationen zu extrahieren, ist von einer robusten Bildanalyse labelfreier Durchlichtbilder abhängig. Zu den Herausforderungen bei der Analyse von Hellfeldbildern gehören ein geringer Kontrast, ein ungleichmäßiger Hintergrund und Bildartefakte. Ein definierter Satz globaler Parameter würde bei der Segmentierung von im Hellfeld aufgenommenen Objekten nur selten zum Erfolg führen. Die jüngsten Fortschritte im Bereich des maschinellen Lernens verbessern die Arbeitsabläufe der Bildanalyse und ermöglichen eine robustere Bildsegmentierung in komplexen Datensätzen.

Bei der BioImage-Analyse bietet das Deep Learning eine leistungsstarke Toolbox zur Bewältigung der anspruchsvollen Bildsegmentierung und Objektverfolgung. Bei der konventionellen Bildanalyse wird in der Regel ein fester Satz von Parametern definiert, um die Objekte von Interesse für die nachfolgende Quantifizierung zu segmentieren. Diese vordefinierten Parameter sind jedoch aufgrund der großen Variabilität der experimentellen Bedingungen nicht für alle Versuche geeignet. Manuelle Anpassungen des Analyseprotokolls sind aufgrund der großen Menge an Imaging-Daten in einer Hochdurchsatz-Umgebung kaum durchführbar.

Um diese Herausforderungen zu bewältigen, können die Werkzeuge des maschinellen Lernens zur Bildsegmentierung und Objektklassifizierung eingesetzt werden, um den Arbeitsablauf der Bildanalyse zu automatisieren.

 

IN Carta Image Analysis Software für die auf maschinellem Lernen basierende Hochdurchsatz-Analyse

IN Carta® Image Analysis Software für die auf maschinellem Lernen basierende High-Throughput-Analyse

 

Die IN Carta® Bildanalyse-Software bietet eine intuitive Benutzeroberfläche, die KI-Werkzeuge in den Arbeitsablauf der Bildanalyse mit einbezieht. Zwei Schlüsselkomponenten der IN Carta Software, die das maschinelle Lernen nutzen, sind die Softwaremodule SINAP und Phenoglyphs. Das auf Deep Learning basierende SINAP ermöglicht eine robuste Erkennung komplexer Objekte von Interesse (z. B. Stammzell-Kolonien oder Organoide), um die Genauigkeit und Zuverlässigkeit im ersten Schritt der Bildanalyse zu verbessern – mit nur minimalem Eingreifen durch den Benutzer. Die ausgegebenen Analysen beinhalten morphologische, Intensitäts- und Texturmessungen.

Die Klassifizierung der Daten kann auch mit dem auf maschinellem Lernen basierenden Modul Phenoglyphs durchgeführt werden. Phenoglyphs nutzt Hunderte von Bildmerkmalen, die von SINAP extrahiert wurden, und erstellt einen optimalen Satz an Regeln zur Gruppierung von Objekten mit ähnlichem Erscheinungsbild. Beide Module verwenden unüberwachte Entscheidungsfindungsprozesse, um ein erstes Ergebnis zu erzeugen, das dann durch Benutzereingaben schrittweise optimiert wird. Gemeinsam verbessern sie die Integrität und Genauigkeit der Ergebnisse durch einen benutzerfreundlichen Komplett-Arbeitsablauf.

 

 

Anwendung von Deep Learning auf die Segmentierung von Objekten mit dem IN Carta SINAP Modul

 

Die automatisierte Objektsegmentierung in mikroskopischen Abbildungen kann aufgrund der Vielfalt der Datensätze eine Herausforderung darstellen. Die IN Carta Bildanalyse-Software nutzt SINAP, ein trainierbares Segmentierungsmodul, das einen Deep Convolutional Neural Networks Lernalgorithmus verwendet, um diese anspruchsvollen Probleme zu bewältigen.

Da SINAP mit Deep Learning arbeitet, kann es erhebliche Variabilität im Erscheinungsbild der Proben berücksichtigen, die sich aus den untersuchten Behandlungen ergibt. Indem sichergestellt wird, dass jede Behandlung mit einem gleichwertigen Genauigkeitsgrad segmentiert wird, sind die in diesem Schritt extrahierten Informationen zuverlässig und für den Vergleich von Behandlungen in nachfolgenden Analyseschritten verwendbar.

 

Herausforderungen bei der Bildsegmentierung überwinden – mit auf maschinellem Lernen basierenden Modellen:

Bildsegmentierung mithilfe auf maschinellem Lernen basierender Modelle

 

A) Beispiele verschiedener biologischer Modelle werden vorgestellt, die für die quantitative Analyse eine Herausforderung darstellen. 3D-Sphäroide, die in Platten mit Mikrokavitäten gezüchtet werden, erzeugen einen Schatten um jede Mikrokavität herum, der die Objektsegmentierung beeinträchtigt (Pfeil). 3D-Organoide werden in Matrigel herangezogen, was häufig zu einem nicht-homogenen Hintergrund führt, der aufgrund einer Verzerrung durch die Matrigel-Kuppel und durch Objekte jenseits der Bildebenen (Kasten) entsteht. iPSCs wachsen in relativ flachen Kulturen und daher behindern der geringe Kontrast (blauer Pfeil) und die Zelltrümmer (gelber Pfeil) eine robuste Bildsegmentierung von iPSC-Kolonien.

B) Überblick über den Arbeitsablauf des Modelltrainings: Bilder für das Training generieren > Modell trainieren > Modell testen > Wiederholen.

C) Wichtigste Schritte zum Erstellen eines Modells in der IN Carta Software unter Verwendung des SINAP-Moduls anhand der gezeigten Beispielbilder. Die Bilder werden mithilfe von Beschriftungswerkzeugen mit Anmerkungen versehen, um die Objekte von Interesse und den Hintergrund zu kennzeichnen. Das mit Anmerkungen versehene Bild, das die „Grundwahrheit“ (Ground Truth, das Wissen um die korrekte Klassifizierung) darstellt, wird zum Trainingssatz hinzugefügt. Im Trainingsschritt wird auf Grundlage des am besten geeigneten vorhandenen Modells und der vom Benutzer definierten und hinzugefügten Anmerkungen ein Modell erstellt. Im gezeigten Beispiel ist es notwendig, die Segmentierungsmaske zu korrigieren (Schritt 3), indem die Schritte 1 bis 3 wiederholt werden.

 

 

Anwendung des maschinellen Lernens auf die Objektklassifizierung – mit dem IN Carta Phenoglyphs Modul

 

IN Carta Bildanalyse-Software beinhaltet auch ein trainierbares Klassifizierungsmodul auf Objektebene namens Phenoglyphs. Das Phenoglyphs Modul nutzt Messungen der Segmentierung, um Objekte mit ähnlichem Erscheinungsbild zu gruppieren. Auf diese Weise kann beurteilt werden, ob eine Behandlung einen günstigen Phänotyp hervorruft, und es ist sogar möglich, Rückschlüsse auf die zugrundeliegenden Mechanismen zu ziehen. Durch den Einsatz des maschinellen Lernens können alle visuellen Merkmale gleichzeitig analysiert werden, um das komplexe Regelset zu optimieren, das für die Zuordnung von Objekten zu ihrer ordnungsgemäßen Gruppe erforderlich ist. Dieser hochgradig multivariate und datengestützte Ansatz ist weitaus besser in der Lage, subtile phänotypische Unterschiede aufzulösen, und er ist robuster gegenüber der Zuordnung von Objekten zur falschen Gruppe.

 

IN Carta Phenoglyphs

Als Benutzer müssen Sie nur eine kleine Anzahl an Beispielen aus jeder Klasse überprüfen und Anmerkungen hinzufügen, bevor das Phenoglyphs Modul das Modell auf den gesamten Datensatz anwendet. Dieser Ansatz minimiert den Bedarf an Benutzeranmerkungen beim ersten Schritt einer Klassenzuweisung und spart dadurch viel Zeit.

 

Auf maschinellem Lernen basierende Anwendungen

Herkömmliche Bildanalyseverfahren können unglaublich kompliziert und zeitaufwändig sein, wenn sie manuell und sogar, wenn sie halbautomatisiert durchgeführt werden. Da es sich um eine komplexe und sehr detaillierte Aufgabe handelt, besteht immer die Möglichkeit für von Menschen verursachte Fehler und Verzerrungen. Wenn man dann noch die sich wiederholenden, langwierigen und oft arbeitsintensiven Abläufe hinzunimmt, bietet sich die Möglichkeit an, maschinelles Lernen anzuwenden.

Erfahren Sie mehr darüber, wie das Deep Learning der IN Carta Software zusammen mit dem ImageXpress Confocal HT.ai System dazu beigetragen hat, durch unterschiedliche Personen verursachte Abweichungen, menschliche Fehler und Verzerrungen zu beseitigen, und wie dadurch die Datenqualität und -sicherheit verbessert sowie der Arbeitsablauf und die Effizienz optimiert wurde.

Neueste Ressourcen

Ressourcen für KI, maschinelles Lernen und Deep-Learning-Werkzeuge für die BioImage-Analyse

Videos und Webinare

Tour durch das Organoid Innovation Center

Tour durch das Organoid Innovation Center

Ein KI-basierter Ansatz zur phänotypischen Charakterisierung humaner, aus iPSC gewonnener Nervenzellen im High-Content-Format

Ein KI-basierter Ansatz zur phänotypischen Charakterisierung humaner, aus iPSC gewonnener Nervenzellen im High-Content-Format

Zugehörige Produkte und Service