深い学習を使用した体積電子顕微鏡における細胞オルガネラの自動セグメンテーション

コンピューティングパワーの最近の進歩により、ライフサイエンスの画像分析における人工知能の使用が引き起こされました。これらのアルゴリズムをトレーニングするには、認定されたラベル付きデータの十分な大きさのセットが必要です。訓練されたニューラルネットワークは、正確なインスタンスセグメンテーション結果を生成できるため、元のデータセットに再組み立てする必要があります。プロセス全体には、定量化可能な結果を達成するために実質的な専門知識と時間が必要です。細胞オルガネラの検出から電子顕微鏡モダリティ全体の定量化まで、プロセスをスピードアップするために、画像の形態と組み合わせたオルガネラの検出と3Dメッシュを自動的にセグメントに組み合わせた高速自動アウトラインセグメンテーション（有名）のための深部学習ベースのアプローチを提案します。、体積電子顕微鏡データセット内の細胞オルガネラを視覚化および定量化します。最初から最後まで、有名は以前に見えたデータセットで1週間以内に完全なセグメンテーション結果を提供します。有名な人は、集中したイオンビームスキャン電子顕微鏡を使用して取得したHeLa細胞データセットと、透過型電子断層撮影によって後天的になった酵母細胞で紹介されました。研究のハイライト：3D細胞オルガネラの自動セグメンテーションのための迅速なマルチモーダルマシンラーニングワークフローの導入。さまざまな体積電子顕微鏡データセットと細胞株に正常に適用されます。時間と精度のマニュアルセグメンテーション方法を上回る。ハイスループットの定量的細胞生物学を有効にします。

Recent advances in computing power triggered the use of artificial intelligence in image analysis in life sciences. To train these algorithms, a large enough set of certified labeled data is required. The trained neural network is then capable of producing accurate instance segmentation results that will then need to be re-assembled into the original dataset: the entire process requires substantial expertise and time to achieve quantifiable results. To speed-up the process, from cell organelle detection to quantification across electron microscopy modalities, we propose a deep-learning based approach for fast automatic outline segmentation (FAMOUS), that involves organelle detection combined with image morphology, and 3D meshing to automatically segment, visualize and quantify cell organelles within volume electron microscopy datasets. From start to finish, FAMOUS provides full segmentation results within a week on previously unseen datasets. FAMOUS was showcased on a HeLa cell dataset acquired using a focused ion beam scanning electron microscope, and on yeast cells acquired by transmission electron tomography. RESEARCH HIGHLIGHTS: Introducing a rapid, multimodal machine-learning workflow for the automatic segmentation of 3D cell organelles. Successfully applied to a variety of volume electron microscopy datasets and cell lines. Outperforming manual segmentation methods in time and accuracy. Enabling high-throughput quantitative cell biology.