[论文解读] Enhancing high-content imaging for studying microtubule networks at large-scale

Hao-Chih Lee, Sarah T. Cherng+2 more|arXiv (Cornell University)|Oct 1, 2019

Cell Image Analysis Techniques参考文献 37被引用 4

一句话总结

本文提出了一种基于无监督CycleGAN的计算框架，通过利用高分辨率共聚焦图像作为参考，提升低分辨率、高通量成像（HCS）数据的质量，显著改善了微管网络的可视化与分割效果。该方法在微管检测中实现了0.93以上的AUC-ROC，成功量化了药物诱导的微管密度变化，表现出对图像噪声的鲁棒性，并适用于大规模药物筛选。

ABSTRACT

Given the crucial role of microtubules for cell survival, many researchers have found success using microtubule-targeting agents in the search for effective cancer therapeutics. Understanding microtubule responses to targeted interventions requires that the microtubule network within cells can be consistently observed across a large sample of images. However, fluorescence noise sources captured simultaneously with biological signals while using wide-field microscopes can obfuscate fine microtubule structures. Such requirements are particularly challenging for high-throughput imaging, where researchers must make decisions related to the trade-off between imaging quality and speed. Here, we propose a computational framework to enhance the quality of high-throughput imaging data to achieve fast speed and high quality simultaneously. Using CycleGAN, we learn an image model from low-throughput, high-resolution images to enhance features, such as microtubule networks in high-throughput low-resolution images. We show that CycleGAN is effective in identifying microtubules with 0.93+ AUC-ROC and that these results are robust to different kinds of image noise. We further apply CycleGAN to quantify the changes in microtubule density as a result of the application of drug compounds, and show that the quantified responses correspond well with known drug effects

研究动机与目标

• 解决高通量筛选（HCS）中因荧光噪声导致图像质量低下、细小微管结构被遮蔽的挑战。
• 通过计算增强低质量HCS图像，在不牺牲分辨率的前提下实现实时、大规模成像。
• 开发一种无监督方法，避免对低分辨率与高分辨率图像之间成对训练数据的需求。
• 验证该方法在药物处理诱导的微管密度变化方面准确量化的能力。
• 通过使用适当的参考图像，将该方法推广至其他亚细胞组分。

提出的方法

• 使用来自人类蛋白质图谱（The Human Protein Atlas）的高分辨率共聚焦图像作为真实图像，低分辨率HCS图像作为假图像，训练CycleGAN模型。
• 利用CycleGAN的循环一致性损失，学习从低质量HCS图像到增强后高质量表示的映射，无需成对数据。
• 将训练好的CycleGAN应用于HCS图像的增强，减少离焦荧光，提升微管网络的可见性。
• 在增强图像中使用Otsu阈值法进行微管网络分割，并以细胞核周围区域定义微管密度。
• 采用Richardson-Lucy去卷积和pix2pix作为基线方法，评估性能。
• 使用模拟数据计算AUC-ROC，以评估微管检测性能。

实验结果

研究问题

• RQ1 无监督深度学习模型能否有效增强高通量成像数据质量，以恢复细小微管结构？
• RQ2 基于CycleGAN的增强是否能在不同图像噪声条件下提升微管检测的准确性？
• RQ3 增强后的图像能否可靠地量化不同化合物处理下微管密度的变化？
• RQ4 与监督基线方法（如pix2pix和去卷积方法）相比，CycleGAN在微管分割中的性能如何？
• RQ5 该方法在微管以外的其他亚细胞组分上具有多大程度的可推广性？

主要发现

• CycleGAN在微管检测中实现了0.93或更高的AUC-ROC，表明其在增强图像中准确识别微管网络的能力极强。
• 该方法在不同类型的图像噪声下表现出稳健性能，且无需成对训练数据即可维持高检测准确性。
• 从增强的HCS图像中获得的微管密度量化结果正确反映了已知的生物学效应：微管稳定剂在低剂量时增加密度，高剂量时因细胞死亡而下降。
• 肌动蛋白抑制剂对微管密度影响极小，与已知作用机制一致。
• Aurora激酶抑制剂诱导微管密度升高，可能由于有丝分裂阻滞和多核化现象，这一结果在剂量-反应曲线中得到验证。
• 该方法支持对数十万个分割后的微管网络进行大规模分析，适用于高通量药物筛选应用。