[논문 리뷰] Nellie: Automated organelle segmentation, tracking, and hierarchical feature extraction in 2D/3D live-cell microscopy

Austin E.Y.T. Lefebvre, Gabriel Sturm외 5명|arXiv (Cornell University)|2024. 03. 20.

Cell Image Analysis Techniques인용 수 5

한 줄 요약

Nellie는 2D/3D 생세포 현미경 영상에서 세포 내 구조물의 분할, 추적 및 다중 스케일 특징 추출을 자동화하는 메타데이터 적응 파이프라인과 사용자 친화적인 Napari GUI를 제공합니다.

ABSTRACT

The analysis of dynamic organelles remains a formidable challenge, though key to understanding biological processes. We introduce Nellie, an automated and unbiased user-friendly pipeline for segmentation, tracking, and feature extraction of diverse intracellular structures. Nellie adapts to image metadata, eliminating user input. Nellie's preprocessing pipeline enhances structural contrast on multiple intracellular scales allowing for robust hierarchical segmentation of sub-organellar regions. Internal motion capture markers are generated and tracked via a radius-adaptive pattern matching scheme, and used as guides for sub-voxel flow interpolation. Nellie extracts a plethora of features at multiple hierarchical levels for deep and customizable analysis. Nellie features a point-and-click Napari-based GUI that allows for code-free operation and visualization, while its modular open-source codebase invites extension by experienced users. We demonstrate Nellie's wide variety of use cases with three examples: unmixing multiple organelles from a single channel using feature-based classification, training an unsupervised graph autoencoder on mitochondrial multi-mesh graphs to quantify latent space embedding changes following ionomycin treatment, and performing in-depth characterization and comparison of endoplasmic reticulum networks across different cell types and temporal frames.

연구 동기 및 목표

• 생물학적 과정을 이해하기 위한 동적 소기관의 자동화되고 편향되지 않은 분석을 촉진한다.
• 세분화, 추적 및 특징 추출에 필요한 사용자 입력을 최소화하는 메타데이터 적응 파이프라인을 개발한다.
• 다중 스케일에서 서브 소기관 구조를 포착하는 강건한 계층적 분할을 가능하게 한다.
• Napari 기반의 시각화가 가능한 비코드 인터페이스와 확장 가능한 모듈식 오픈 소스 코드베이스를 제공한다.

제안 방법

• 계층적 분할을 가능하게 하도록 세포 내 규모에 걸친 구조 대비를 강화하는 전처리.
• 반지름 적응 패턴 매칭을 통해 내부 운동 마커를 생성하고 추적하며 서브 보셀 흐름 보간을 안내한다.
• 소기관의 여러 조직 수준에 걸친 계층적 분할 및 특징 추출.
• 다양한 수준에서의 특징 추출로 심층적이고 사용자 정의 가능한 분석을 지원한다.
• 코드 없이 작동·시각화를 위한 Napari 기반의 클릭-앤-드래그 GUI와 확장을 위한 오픈 소스 모듈식 코드베이스를 제공한다.

실험 결과

연구 질문

• RQ1 Nellie가 2D 및 3D 생세포 현미경에서 사용자 입력 없이 다양한 세포 내 소기관의 자동 분할 및 추적이 가능합니까?
• RQ2 메타데이터 적응 전처리가 다양한 영상 조건에서 분할의 강건성을 얼마나 효과적으로 향상시키나요?
• RQ3 다중 수준(계층적) 특징이 분류, 군집화 또는 네트워크 기반 표현과 같은 다운스트림 분석을 향상시키나요?
• RQ4 내부 운동 마커와 서브-보셀 흐름 보간이 빽빽한 세포 맥락에서 추적 정확도를 향상시키나요?
• RQ5 제시된 사용 사례들(소기관 분리, 미토콘드리아 그래프의 그래프 오토인코더, ER 네트워크 비교)이 Nellie의 다양한 세포 유형과 시간 프레임에 걸친 유연성을 대표합니까?

주요 결과

• Nellie는 이미지 메타데이터에 대한 사용자 입력 없이 자동적이고 편향되지 않은 분할, 추적 및 계층적 특징 추출을 제공합니다.
• 전처리와 반경-적응 추적은 스케일과 구조에 걸쳐 견고한 분할과 운동 포착을 이루어냅니다.
• 데모에는 단일 채널에서의 특징 기반 소기관 분리, 이오노마이신 처리 후 잠재 변화의 정량화를 위한 미토콘드리아 그래프의 비지도 그래프 오토인코더, 그리고 세포 유형과 시간에 따른 ER 네트워크 비교가 포함됩니다.