[논문 리뷰] Quantifying yeast colony morphologies with feature engineering from time-lapse photography

Andy J. Goldschmidt, James Kunert-Graf외 4명|arXiv (Cornell University)|2022. 01. 13.

Cell Image Analysis Techniques참고 문헌 33인용 수 4

한 줄 요약

이 논문은 시간 경과에 따른 영상 촬영, 국소 이진 패턴(LBP) 무늬 특징 공학, 계층적 군집화를 활용하여 사카로마이세스 세레비스이아(Saccharomyces cerevisiae)의 집락 형태를 정량적으로 분류하는 데이터 기반 프레임워크를 제시한다. 집락 성장 과정을 저차원의 LBP-PCA 특징 공간에 투영함으로써, 매끄럽고 변종에 특화된 무늬 경로를 드러내어 해석 가능한 비지도 군집화와 대표성 있는 시각적 이미지 기반의 분류를 가능하게 하며, 마이크로생물학 분야에서 형태 분석에 대한 확장 가능한 솔루션을 제공한다.

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.

연구 동기 및 목표

• 전문가의 시각적 평가를 초월하여 정량적이고 재현 가능한 방법으로 효모 집락 형태를 분류할 수 있는 방법의 부족을 해결하기 위해.
• S. cerevisiae 집락의 시간 경과 영상 데이터를 분석하기 위한 확장 가능한, 해석 가능한 파ip라인을 개발하기 위해.
• 정적 특징이 아닌 동적 무늬 변화 기반으로 비지도 분류를 가능하게 하기 위해.
• 생물학적 영상 데이터셋에서 시간적 특징을 추출하고 분석하기 위한 일반화 가능한 방법을 제공하기 위해.

제안 방법

• 모터 제어 카메라 랙을 사용해 3일간 매시간 S. cerevisiae 집락의 시간 경과 영상을 촬영하였으며, 48세포의 인oculum로 시작된 성장을 촬영하였다.
• 이미지 사전 처리 과정으로 Canny 경계 검출, 원형 Hough 변환을 통한 집락 경계 마스킹, 볼록 헐 보존을 통한 비원형 형태 유지가 수행되었다.
• 표면 무늬를 정량화하기 위해 국소 이진 패턴(LBP)을 계산한 후, 주요 3개의 무늬 모드로 차원을 감소시키기 위해 주성분 분석(PCA)을 수행하였다.
• LBP-PCA 경로에 대해 새로운 계층적 군집화 알고리즘을 적용하였으며, 각 군집의 대표성 있는 시각적 이미지(프로토타입)를 식별하는 데 중점을 두었다.
• LBP-PCA 공간 내 통합 경로 거리 기반으로 집락 경로 간의 거리 행렬을 계산하여 성장 역학의 견고한 비교를 가능하게 하였다.
• 모든 방법은 오픈소스 파이썬 패키지로 구현되었으며, Jupyter 노트북 튜토리얼을 통해 완전한 재현 가능성을 확보하였다.

실험 결과

연구 질문

• RQ1 시간 경과 영상에서 추출한 무늬 기반 특징 공학이 효모 집락의 동적 형태 발달을 신뢰성 있게 포착할 수 있는가?
• RQ2 시간적 특징 데이터는 어떻게 매끄럽고 저차원의 경로로 변환되어 군집화 및 해석에 적합한가?
• RQ3 프로토타입 대표 이미지를 포함한 계층적 군집화가 사전 레이블 없이도 변종 특화된 집락 형태를 효과적으로 분류할 수 있는가?
• RQ4 잘못 레이블링된 집락이 무늬 경로의 매끄러움에 얼마나 영향을 미치며, 이러한 오류는 자동으로 감지될 수 있는가?
• RQ5 제안된 프레임워크는 마이크로생물학 및 발달생물학 분야의 다른 시간 경과 영상 데이터셋에 일반화 가능한가?

주요 결과

• LBP-PCA 특징 공간은 복잡한 집락 무늬 변화를 시간에 따라 매끄럽고 변종에 특화된 경로로 성공적으로 투영하였다.
• 무늬 발달 경로는 생물학적 성장 과정을 반영하여 매끄럽고 연속적이었으며, 잘못 레이블링된 경우 이 연속성이 깨지면서 이질적인 경로로 드러나, 이는 이상치로 감지 가능하였다.
• 프로토타입 대표 이미지를 포함한 계층적 군집화를 통해 집락 형태의 해석 가능한 분류가 가능했으며, 각 군집은 그 군집의 형태를 시각적으로 잘 반영한 대표 이미지와 연관되었다.
• 이 방법은 정적 또는 크기 기반 분석보다 우수한 성능을 보이며, 196개의 고유한 S. cerevisiae 변종의 동적 무늬 변화 기반으로 비지도 분류를 달성하였다.
• 레이블 오류에 대한 강건성도 입증되었으며, 잘못 레이블링된 집락는 불연속적인 경로를 보이며 군집화 과정에서 자연스럽게 경고 신호로 탐지되었다.
• 오픈소스 구현과 튜토리얼 덕분에 이 파이프라인은 다른 생물학적 영상 데이터셋에 직접 재사용 및 변형 적용이 가능하다.