[論文レビュー] Quantifying yeast colony morphologies with feature engineering from time-lapse photography

Andy J. Goldschmidt, James Kunert-Graf+4 more|arXiv (Cornell University)|Jan 13, 2022

Cell Image Analysis Techniques参考文献 33被引用数 4

ひとこと要約

本論文は、時間経過による画像、局所的バイナリーパターン（LBP）のテクスチャ特徴量設計、階層的クラスタリングを用いたデータ駆動型フレームワークを提示する。コロニー成長を低次元のLBP-PCA特徴空間に投影することで、滑らかで系統特異的なテクスチャ軌道が明らかとなり、代表的な画像を伴う解釈可能な非教師ありクラスタリングが可能となり、微生物学における形態解析のスケーラブルなソリューションを提供する。

ABSTRACT

Baker's yeast (Saccharomyces cerevisiae) is a model organism for studying the morphology that emerges at the scale of multi-cell colonies. To look at how morphology develops, we collect a dataset of time-lapse photographs of the growth of different strains of S. cerevisiae. We discuss the general statistical challenges that arise when using time-lapse photographs to extract time-dependent features. In particular, we show how texture-based feature engineering and representative clustering can be successfully applied to categorize the development of yeast colony morphology using our dataset. The local binary pattern (LBP) from image processing is used to score the surface texture of colonies. This texture score develops along a smooth trajectory during growth. The path taken depends on how the morphology emerges. A hierarchical clustering of the colonies is performed according to their texture development trajectories. The clustering method is designed for practical interpretability; it obtains the best representative colony image for any hierarchical sub-cluster.

研究の動機と目的

• 専門家の視覚的スコアリングを超えて、定量的で再現可能な方法によるユーライ・コロニー形態分類の欠如に対処すること。
• S. cerevisiaeコロニーの時間経過による画像データを分析するスケーラブルで解釈可能なパイプラインの開発。
• 静的特徴量ではなく、動的テクスチャの進化に基づいて、非教師ありのコロニー形態分類を可能にすること。
• 生物学的画像データセットにおける時系列画像特徴量の抽出と分析に一般化可能な手法の提供。

提案手法

• S. cerevisiaeコロニーの時間経過による画像を、3日間にわたり1時間ごとにモーター制御カメラレーザーを用いて取得し、48細胞のインoculumからの成長を捉えた。
• 画像前処理には、Cannyエッジ検出、コロニー境界マスクのための円形Hough変換、非円形形態を保持するための凸包の最適化を実施。
• 表面のテクスチャを定量化するために局所的バイナリーパターン（LBP）を計算し、次に主成分分析（PCA）を用いて3つの主要なテクスチャモードに次元削減を行った。
• LBP-PCA軌道に新しい階層的クラスタリングアルゴリズムを適用し、各クラスタの代表的な代表画像の特定に重点を置いた。
• LBP-PCA空間における統合パス距離を用いて、コロニー軌道間の距離行列を計算し、成長ダイナミクスの堅牢な比較を可能にした。
• すべての手法はオープンソースのPythonパッケージに実装されており、Jupyterノートブックのチュートリアルにより完全な再現性が確保されている。

実験結果

リサーチクエスチョン

• RQ1 時間経過による画像からのテクスチャ特徴量設計は、ユーライ・コロニーの動的形態発達を信頼性高く捉えることができるか？
• RQ2 時系列画像データは、クラスタリングと解釈に適した滑らかで低次元の軌道にどのように変換できるか？
• RQ3 代表的な画像を伴う階層的クラスタリングは、事前のラベルなしに系統特異的なコロニー形態を効果的に分類できるか？
• RQ4 誤ってラベル付けされたコロニーは、テクスチャ軌道の滑らかさにどの程度影響を与え、そのような誤りは自動的に検出可能か？
• RQ5 提案されたフレームワークは、微生物学および発生生物学分野の他の時間経過による画像データセットにも一般化可能か？

主な発見

• LBP-PCA特徴空間は、複雑なコロニーのテクスチャ進化を時間経過に伴い滑らかで系統特異的な軌道に効果的に投影した。
• テクスチャ発達軌道は滑らかで連続的であり、生物学的成長プロセスを反映しており、誤ってラベル付けされたコロニーはこの連続性を破り、外れ値として検出可能であった。
• 代表的な画像を伴う階層的クラスタリングにより、コロニー形態の解釈可能な分類が可能となり、各クラスタはそのグループの形態を視覚的に捉えた代表画像と関連づけられた。
• 本手法は、静的特徴量やサイズに基づく分析を上回り、196種の異なるS. cerevisiae系統の動的テクスチャ進化に基づく非教師あり分類に成功した。
• 誤ってラベル付けされたコロニーは不連続な軌道を示し、クラスタリングの過程で自然に特定されたため、本手法はラベル誤りに対して頑健であることが示された。
• オープンソースの実装とチュートリアルにより、他の生物学的画像データセットへのパイプラインの直接的再利用および適合が可能となった。