Dans une étude récente publiée dans Méthodes naturellesles chercheurs ont évalué une nouvelle méthode de segmentation des cellules bactériennes nommée Omnipose.
Sommaire
Arrière plan
Les percées en microscopie sont extrêmement prometteuses pour permettre des mesures quantitatives et précises des phénomènes morphologiques et moléculaires chez les bactéries au niveau de la cellule unique. Cependant, cette approche est limitée par l’accessibilité et la disponibilité de méthodes qui peuvent segmenter les cellules sans dépendre de leurs propriétés optiques ou morphologiques.
Évaluation des algorithmes de segmentation des cellules bactériennes
Dans la présente étude, les chercheurs ont évalué les performances des algorithmes de segmentation cellulaire de pointe sur une variété de cellules bactériennes.
L’efficacité de plusieurs techniques de segmentation d’images qui ont été développées sur des cellules bactériennes a été documentée. Ces méthodes peuvent être globalement divisées en trois groupes :
- Méthodes conventionnelles de traitement d’images
- Méthodes hybrides conventionnelles/apprentissage automatique
- Méthodes des réseaux de neurones profonds (DNN)
L’équipe a cherché à découvrir des algorithmes efficaces pour poursuivre les recherches afin de créer un logiciel capable de reconnaître les bactéries à l’échelle mondiale. En raison de l’absence de comparaison approfondie entre les algorithmes de segmentation cellulaire sur les cellules bactériennes, l’équipe a choisi un ou plusieurs exemples de chaque groupe pour cette étude : Mask R-CNN, StarDist, MiSiC et Cellpose ; Morphométrie; et Super Segger.
Des micrographies de nombreuses espèces bactériennes présentant diverses morphologies et propriétés optiques ont été obtenues pour la formation et l’analyse comparative de ces algorithmes. Des mutations ou des procédures qui aboutissent à des morphologies extrêmes sont fréquemment utilisées dans les recherches sur les bactéries. Des combinaisons d’espèces bactériennes qui présentent des morphologies et des propriétés visuelles uniques ont été photographiées. L’équipe a rassemblé un total de 4 833 photos ou plus de 700 900 cellules individuelles de 14 espèces différentes. Une méthode rapide d’annotation manuelle des cellules a été développée et utilisée sur ces photos. Le résultat était de 47 000 cellules annotées de manière représentative, qui ont été utilisées pour créer l’ensemble de données de vérité au sol (phase bact).
Création d’un algorithme de segmentation U-net de haute précision
L’équipe visait à créer une méthode de segmentation qui ne dépend pas de l’identification du centre cellulaire. Le cadre Cellpose, qui peut être décomposé en cinq parties principales, telles que le traitement des fichiers, l’architecture du réseau neuronal, les fonctions d’objectif de formation, les prédictions du réseau et la reconstruction du masque, a servi de base à l’algorithme créé dans la présente étude. Bien que des améliorations aient été apportées à chacune de ces parties, la reconstruction du masque et les prédictions du réseau sont les deux percées les plus importantes du système développé nommé Omnipose.
Le champ de distance, également connu sous le nom de transformée de distance, représente la séparation entre chaque point x dans une région confinée et le point le plus proche de la frontière. La sortie de probabilité de cellule associée à Cellpose est remplacée par le champ de distance dans Omnipose. Par rapport à d’autres solutions qui produisent des champs similaires, cela se traduit par une convergence plus rapide et une stabilité numérique améliorée.
Omnipose a démontré sa précision de segmentation en tant qu’outil de segmentation multifonctionnel
Les chercheurs ont formé un modèle (bact phase omni) sur l’ensemble de données de la phase bact afin de comparer les performances d’Omnipose par rapport à celui-ci. Étonnamment, en utilisant le modèle comparatif (bact phase cp), la précision d’Omnipose surpasse de manière significative celle de Cellpose. Cette disparité de performances entre les algorithmes est particulièrement évidente dans la plage IoU élevée de 0,8 à 1,0. Les bactéries sont généralement imagées à une taille de pixel calibrée d’environ 0,1 m, produisant des cellules et des étiquettes de cellules de cinq à 50 pixels de diamètre. Les bactéries sont généralement mesurées à des échelles comprises entre 0,5 et 5 m. Les valeurs IoU supérieures à 0,8 sont essentielles pour la précision au niveau du pixel dans les expériences quantitatives à cette échelle. Par conséquent, Omnipose est parfaitement adapté à l’étude microscopique des cellules bactériennes.
Lorsqu’il est formé sur un ensemble de données représentatif, Omnipose peut également segmenter des images acquises à l’aide de diverses modalités et comprenant divers sujets. Un ensemble de données de fluorescence du cytosol et de la membrane de 33 200 cellules bactériennes a été développé afin de tester Omnipose sur des images capturées en utilisant une modalité autre que le contraste de phase. L’équipe a découvert qu’Omnipose (bact fluor omni) surpassait Cellpose (bact fluor cp) en termes de performances sur des cellules morphologiquement variées.
Ensuite, l’équipe a exploré comment Omnipose pourrait être utilisé pour segmenter des sujets autres que les bactéries. Le modèle généraliste, qui a été formé sur l’ensemble de données de la phase bact et l’ensemble de données sur les vers (worm bact omni), a obtenu des résultats aussi bons ou meilleurs que le modèle vers (worm omni). L’équipe a également utilisé un ensemble personnalisé d’images haute résolution de C. elegans pour former un modèle Omnipose et a découvert que l’algorithme pouvait segmenter efficacement ces images malgré leur structure sous-jacente complexe.
Conclusion
Dans l’ensemble, les résultats de l’étude ont démontré que sur des cultures bactériennes mixtes, des cellules traitées avec des antibiotiques et des cellules de forme allongée ou ramifiée, Omnipose atteint des performances de segmentation louables. De plus, les avantages d’Omnipose s’appliquent aux sujets non bactériens, à un certain nombre de modalités d’imagerie et aux objets tridimensionnels.
