[论文解读] 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 4

一句话总结

本文提出了一种数据驱动的框架，结合时间序列成像、局部二值模式（LBP）纹理特征工程以及层次聚类，对酿酒酵母（Saccharomyces cerevisiae）菌落形态进行定量分类。通过将菌落生长投影到低维LBP-PCA特征空间，该方法揭示了平滑且具有菌株特异性的纹理轨迹，实现了可解释的无监督聚类，并生成具有代表性的图像，为微生物学中的形态学分析提供了一种可扩展的解决方案。

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.

研究动机与目标

• 为解决现有方法在酵母菌落形态分类中缺乏定量、可重复的手段，超越专家视觉评分的问题。
• 开发一种可扩展、可解释的分析流程，用于处理酿酒酵母（S. cerevisiae）菌落的时间序列图像数据。
• 基于动态纹理演变而非静态特征，实现无监督的菌落形态分类。
• 提供一种可推广的方法，用于从生物图像数据集中提取和分析时间序列图像特征。

提出的方法

• 使用电动相机支架，以每小时一次的频率对酿酒酵母（S. cerevisiae）菌落进行为期3天的时间序列成像，记录从48个细胞接种物开始的生长过程。
• 图像预处理包括Canny边缘检测、基于圆的霍夫变换进行菌落边界掩码处理，以及凸包优化，以保留非圆形形态特征。
• 计算局部二值模式（LBP）以量化表面纹理，随后通过主成分分析（PCA）将维度降低至三个关键纹理模式。
• 应用一种新型层次聚类算法处理LBP-PCA轨迹，重点在于识别每个聚类的代表性原型图像。
• 通过LBP-PCA空间中的路径积分距离计算菌落轨迹之间的距离矩阵，实现对生长动态的稳健比较。
• 所有方法均使用开源Python包实现，完整可复现性通过Jupyter笔记本教程提供。

实验结果

研究问题

• RQ1 从时间序列图像中基于纹理的特征工程能否可靠捕捉酵母菌落动态形态发育过程？
• RQ2 时间序列图像数据如何转化为适合聚类和解释的平滑、低维轨迹？
• RQ3 带有原型代表图像的层次聚类能否在无先验标签的情况下有效分类菌株特异性的菌落形态？
• RQ4 错误标注的菌落会在多大程度上破坏纹理轨迹的平滑性？此类错误能否被自动检测？
• RQ5 所提出的框架是否可推广至微生物学和发育生物学中的其他时间序列图像数据集？

主要发现

• LBP-PCA特征空间成功地将复杂的菌落纹理演化过程投影为随时间变化的平滑、菌株特异性的轨迹。
• 纹理发育轨迹被发现是平滑且连续的，反映了生物生长过程；而错误标注会破坏这种连续性，因此可作为异常值被检测到。
• 带有原型代表图像的层次聚类实现了对菌落形态的可解释性分类，每个聚类均关联一张能直观反映该组形态特征的代表性图像。
• 该方法基于动态纹理演化，实现了对196种独特酿酒酵母（S. cerevisiae）菌株的无监督分类，优于基于静态特征或大小的分析方法。
• 该框架对标注错误具有鲁棒性，因为错误标注的菌落表现出不连续的轨迹，并在聚类过程中自然被标记为异常。
• 开源实现与教程使得该流程可直接复用并适配至其他生物图像数据集。