ИИ-инструмент создаёт «синтетические» изображения клеток для улучшенного анализа в микроскопии

Наблюдение за отдельными клетками под микроскопом позволяет выявить важные биологические явления, часто связанные с человеческими заболеваниями. Однако процесс различения отдельных клеток друг от друга и от фона крайне трудоёмок и идеально подходит для помощи искусственного интеллекта.

Модели ИИ обучаются таким задачам на наборах данных, размеченных людьми. Но процесс разметки клеток (single-cell segmentation) требует много времени и сил, поэтому размеченных данных для обучения ИИ недостаточно. Исследователи из UC Santa Cruz решили эту проблему, создав генеративную модель ИИ для микроскопии. Она генерирует реалистичные изображения одиночных клеток, которые используются как «синтетические данные» для обучения модели сегментации.

Новое программное обеспечение описано в статье в журнале iScience. Проектом руководили доцент Али Шариати и его аспирант Абольфазл Заргари. Модель под названием cGAN-Seg доступна на GitHub.

Изображения, создаваемые моделью, готовы для обучения моделей сегментации. По сути, это «микроскопия без микроскопа» — генерация изображений, близких к реальным по морфологическим деталям. Их преимущество в том, что они уже размечены и аннотированы.

Изображения отдельных клеток помогают изучать их поведение во времени, улучшать диагностику заболеваний и искать лекарства. Субклеточные детали, например текстура, могут указывать на раковую природу клетки.

Ручное определение границ клеток, особенно в образцах тканей, крайне сложно. На разметку 100 микроскопических изображений могут уйти дни. Глубокое обучение ускоряет процесс, но для обучения нужны тысячи размеченных изображений, которые к тому же должны отражать разнообразие условий экспериментов.

Чтобы решить эту проблему, исследователи создали image-to-image генеративную модель ИИ. Она использует ограниченный набор размеченных изображений клеток и генерирует больше, добавляя сложные и разнообразные субклеточные особенности. Модель может создавать размеченные изображения с высокой плотностью клеток, что особенно сложно сделать вручную и важно для изучения тканей. Технология работает с разными типами клеток и методами визуализации (флуоресценция, гистологическое окрашивание).

Заргари использовал алгоритм «циклической генеративно-состязательной сети» (cycle generative adversarial network). Генеративная модель улучшена за счёт «функций аугментации» и «сети инъекции стиля», что позволяет создавать разнообразные высококачественные синтетические изображения, показывающие различные варианты того, как могут выглядеть клетки. По словам исследователей, это первый случай применения техник инъекции стиля в таком контексте.

Затем этот разнообразный набор синтетических изображений используется для обучения модели точно выполнять сегментацию клеток на новых, реальных экспериментальных изображениях.

Исследователи сравнили результаты своей модели, обученной на синтетических данных, с традиционными методами обучения ИИ для сегментации разных типов клеток. Они обнаружили, что их модель обеспечивает значительно улучшенную сегментацию по сравнению с моделями, обученными на обычных ограниченных наборах данных. Это подтверждает, что более разнообразный набор данных улучшает производительность модели сегментации.

Улучшенная сегментация позволит лучше детектировать клетки и изучать вариабельность между ними, особенно среди стволовых клеток. В будущем исследователи надеются использовать свою технологию для генерации не только статичных изображений, но и видео, чтобы определять факторы, влияющие на судьбу клетки на ранних этапах, и предсказывать их будущее.