[論文レビュー] Extracting quantitative biological information from brightfield cell images using deep learning

Saga Helgadóttir, Benjamin Midtvedt+6 more|arXiv (Cornell University)|Dec 23, 2020

Cell Image Analysis Techniques参考文献 48被引用数 4

ひとこと要約

本論文では、ヒト幹細胞由来の脂肪細胞の明-field顕微鏡画像から、仮想的に染色された蛍光様画像を生成するための深層学習アプローチを提案する。この手法により、リピート性が高く、毒性が低く、安価な非侵襲的定量分析が可能となり、脂質ドロイプ、細胞質、核の評価が可能となる。化学的染色と同等の正確さを維持しつつ、細胞数え算および形態解析の精度を確保する。

ABSTRACT

Quantitative analysis of cell structures is essential for biomedical and pharmaceutical research. The standard imaging approach relies on fluorescence microscopy, where cell structures of interest are labeled by chemical staining techniques. However, these techniques are often invasive and sometimes even toxic to the cells, in addition to being time-consuming, labor-intensive, and expensive. Here, we introduce an alternative deep-learning-powered approach based on the analysis of brightfield images by a conditional generative adversarial neural network (cGAN). We show that this approach can extract information from the brightfield images to generate virtually-stained images, which can be used in subsequent downstream quantitative analyses of cell structures. Specifically, we train a cGAN to virtually stain lipid droplets, cytoplasm, and nuclei using brightfield images of human stem-cell-derived fat cells (adipocytes), which are of particular interest for nanomedicine and vaccine development. Subsequently, we use these virtually-stained images to extract quantitative measures about these cell structures. Generating virtually-stained fluorescence images is less invasive, less expensive, and more reproducible than standard chemical staining; furthermore, it frees up the fluorescence microscopy channels for other analytical probes, thus increasing the amount of information that can be extracted from each cell.

研究の動機と目的

• 従来の蛍光染色法の限界、特に細胞毒性、光劣化、人的負担の大きなプロトコルを克服すること。
• 明-field画像を入力として用いる非侵襲的でコスト効率の高い定量的細胞構造解析の代替手法を開発すること。
• 化学的染料の使用を回避することで、長期間にわたる観察や高スループットスクリーニングが可能となるようにすること。
• 生物学的に意味のある仮想染色画像を生成する可能性を実証し、その後続の定量的解析に適していることを示すこと。
• 多様なバイオメディカル応用分野で利用可能かつカスタマイズ可能なオープンソースソフトウェアパッケージを提供すること。

提案手法

• 明-field画像から合成された蛍光染色画像へのマッピングを学習するための条件付き生成対抗ネットワーク（cGAN）を訓練した。
• 教師あり学習のため、ヒト幹細胞由来の脂肪細胞の明-field画像と、それに対応する真値の蛍光画像を用いた。
• 明-field画像に内在する空間的文脈とコントラストパターンを活用し、脂質ドロイプ、細胞質、核などの構造を高精度に再構築した。
• U-Netベースの生成器とPatchGANベースの識別器を採用することで、生成画像のテクスチャと構造的一致性を確保した。
• 訓練済みのcGANを用いて、実際の染色を必要とせずに仮想染色画像を生成し、その後続の定量的解析に応用した。
• 標準的な画像解析パイプラインを用いて、生成画像から核の数、面積、強度などの指標を抽出し、検証を行った。

実験結果

リサーチクエスチョン

• RQ1 cGANモデルは、脂肪細胞における主要な細胞内構造に対して、明-field画像から蛍光様画像を正確に生成できるか？
• RQ2 仮想染色画像の性能は、化学的染色による蛍光画像と比較して、定量的形態的指標においてどの程度優れているか？
• RQ3 仮想染色法は、特に長期的観察や高コンテンツスクリーニング応用において、生物学的関連性をどの程度保持しているか？
• RQ4 本手法は、光学的特性が異なる他の細胞型や細胞内構造に対しても一般化可能か？
• RQ5 本アプローチは、定量的細胞解析における再現性と正確さを維持しつつ、実験的負担を軽減できるか？

主な発見

• cGANによって生成された仮想染色画像は、核の数と平均面積の定量的評価において、化学的染色による蛍光画像と同等の正確さを達成した。
• 本手法は、生細胞イメージングにおけるホエッチスト33342の光毒性リスクが伴う状況下でも、核の信頼性の高いセグメンテーションと数え算を可能にした。
• 明-field画像で明確に観察可能な脂質ドロイプは、高精度に再構築され、化学的染色なしでそのサイズと内容を定量的に評価可能となった。
• 明-field画像ではコントラストが低い細胞質と核に対しても、脂質ドロイプの分布からの空間的文脈を活用することで、ネットワークが効果的に再構築した。
• 仮想染色プロセスでは、明-field入力に存在しない細かな染色体テクスチャの詳細が捉えられていないが、これは大多数の形態解析において重要な問題とはならなかった。
• 本手法は、実験間で再現性が高く、染色プロトコルの最適化を必要としないため、複数研究室間での比較や高スループットスクリーニングに適している。