AI-værktøj skaber syntetiske billeder af celler til forbedret mikroskopianalyse

"Du vil gerne vise, at din dybe læringsmodel fungerer på tværs af forskellige prøver med forskellige celletyper og forskellige billedkvaliteter," sagde Zargari. "Hvis du for eksempel træner din model med billeder af høj kvalitet, vil den ikke være i stand til at segmentere cellebillederne af lav kvalitet. Vi kan sjældent finde et så godt datasæt i mikroskopifeltet."

For at løse dette problem skabte forskerne en billed-til-billede-generativ AI-model, der tager et begrænset sæt af kommenterede, mærkede cellebilleder og genererer flere, der introducerer mere indviklede og varierede subcellulære funktioner og strukturer for at skabe et mangfoldigt sæt af "syntetiske" billeder. De kan især generere kommenterede billeder med en høj tæthed af celler, som er særligt vanskelige at annotere i hånden og er særligt relevante til at studere væv. Denne teknik fungerer til at behandle og generere billeder af forskellige celletyper såvel som forskellige billeddannelsesmodaliteter, såsom dem taget ved hjælp af fluorescens eller histologisk farvning.

Zargari, der ledede udviklingen af ​​den generative model, brugte en almindeligt brugt AI-algoritme kaldet et "cyklusgenerativt modstridende netværk" til at skabe realistiske billeder. Den generative model er forbedret med såkaldte "augmentation functions" og et "style injecting network", som hjælper generatoren med at skabe en bred vifte af højkvalitets syntetiske billeder, der viser forskellige muligheder for, hvordan cellerne kunne se ud. Så vidt forskernes viden er det første gang, stilinjiceringsteknikker er blevet brugt i denne sammenhæng.

Derefter bruges dette mangfoldige sæt syntetiske billeder skabt af generatoren til at træne en model til nøjagtigt at udføre cellesegmentering på nye, rigtige billeder taget under eksperimenter.

"Ved at bruge et begrænset datasæt kan vi træne en god generativ model. Ved at bruge den generative model er vi i stand til at generere et mere forskelligartet og større sæt af kommenterede, syntetiske billeder. Ved at bruge de genererede syntetiske billeder kan vi træne en god segmenteringsmodel— det er hovedideen," sagde Zagari.

Forskerne sammenlignede resultaterne af deres model ved hjælp af syntetiske træningsdata med mere traditionelle metoder til træning af AI til at udføre cellesegmentering på tværs af forskellige typer celler. De fandt ud af, at deres model producerer væsentligt forbedret segmentering sammenlignet med modeller trænet med konventionelle, begrænsede træningsdata. Dette bekræfter forskerne, at tilvejebringelse af et mere forskelligartet datasæt under træning af segmenteringsmodellen forbedrer ydeevnen.

Gennem disse forbedrede segmenteringsevner vil forskerne være i stand til bedre at detektere celler og studere variabiliteten mellem individuelle celler, især blandt stamceller. I fremtiden håber forskerne at bruge den teknologi, de har udviklet, til at bevæge sig ud over stillbilleder til at generere videoer, som kan hjælpe dem med at finde ud af, hvilke faktorer der påvirker en celles skæbne tidligt i dens liv og forudsige deres fremtid.

"Vi genererer syntetiske billeder, der også kan omdannes til en time lapse-film, hvor vi kan generere cellers usete fremtid," sagde Shariati. "Med det vil vi se, om vi er i stand til at forudsige en celles fremtidige tilstande, som om cellen skal vokse, migrere, differentiere eller dele sig."

Flere oplysninger: Abolfazl Zargari et al., Forbedret cellesegmentering med begrænsede træningsdatasæt ved hjælp af Cycle Generative Adversarial Networks, iScience (2024). DOI:10.1016/j.isci.2024.109740

Journaloplysninger: iScience

Leveret af University of California - Santa Cruz