顕微鏡画像における2-D細胞セグメンテーションのための深い学習ベースのアルゴリズム

背景：細胞培養における細胞の自動で信頼できる特性評価は、がん研究や創薬などのいくつかのアプリケーションの鍵です。光学顕微鏡の最近の進歩と細胞の正確でハイスループット分析の必要性を考えると、顕微鏡画像の細胞をセグメント化および分析するための自動アルゴリズムが開発されました。それにもかかわらず、正確で一般的で堅牢な全セルセグメンテーションは、その形態学的特性、表現型、および細胞下ダイナミクスを正確に定量化するための持続的なニーズです。 結果：シングルチャネル全体の細胞セグメンテーションアルゴリズムを提示します。細胞全体を染色するマーカーを使用しますが、核の染色が少なく、別の核染色を使用せずに使用します。さまざまな条件での細胞培養の顕微鏡画像におけるアプローチの有用性を示しています。私たちのアルゴリズムは、深い学習アプローチを使用して、細胞とその核の位置を学習および予測し、それをしきい値と流域ベースのセグメンテーションと組み合わせます。さまざまなマーカーで染色され、さまざまな倍率で画像化されたさまざまな画像セットを使用して、さまざまな画像セットを使用してアプローチを訓練および検証しました。私たちのアプローチは、細胞を特定して分離する際に、グラウンドトゥルースセグメンテーションと86％の類似性を達成しました。 結論：提案されたアルゴリズムは、さまざまなマーカーと倍率を使用して、単一チャネル画像からセルを自動的にセグメント化することができます。

BACKGROUND: Automatic and reliable characterization of cells in cell cultures is key to several applications such as cancer research and drug discovery. Given the recent advances in light microscopy and the need for accurate and high-throughput analysis of cells, automated algorithms have been developed for segmenting and analyzing the cells in microscopy images. Nevertheless, accurate, generic and robust whole-cell segmentation is still a persisting need to precisely quantify its morphological properties, phenotypes and sub-cellular dynamics. RESULTS: We present a single-channel whole cell segmentation algorithm. We use markers that stain the whole cell, but with less staining in the nucleus, and without using a separate nuclear stain. We show the utility of our approach in microscopy images of cell cultures in a wide variety of conditions. Our algorithm uses a deep learning approach to learn and predict locations of the cells and their nuclei, and combines that with thresholding and watershed-based segmentation. We trained and validated our approach using different sets of images, containing cells stained with various markers and imaged at different magnifications. Our approach achieved a 86% similarity to ground truth segmentation when identifying and separating cells. CONCLUSIONS: The proposed algorithm is able to automatically segment cells from single channel images using a variety of markers and magnifications.