소식

Nov 14, 2023

본인

커뮤니케이션 생물학 볼륨

커뮤니케이션 생물학 5권, 기사 번호: 1162(2022) 이 기사 인용

3397 액세스

1 인용

7 알트메트릭

측정항목 세부정보

단일 세포 분할은 생물학적 현미경 이미지에서 정량적 데이터를 추출하는 데 필요한 프로세스입니다. 지난 10년 동안 이 프로세스를 지원하기 위해 기계 학습(ML) 방법이 출현했으며, 그 중 압도적 다수는 ML 알고리즘을 훈련하기 위해 사전 처리되고 사람이 주석을 추가한 레이블의 방대한 라이브러리가 필요한 지도 학습(SL)에 속합니다. . 이러한 SL 전처리는 노동 집약적이며 편견을 유발할 수 있고 최종 사용자마다 다르며 아직 더 큰 세포 생물학 커뮤니티 전반에 걸쳐 효과적으로 활용될 수 있는 강력한 모델이 가능한 것으로 나타나지 않았습니다. 여기서는 이러한 전처리 문제를 해결하기 위해 연속 이미지 간의 셀룰러 모션을 활용하여 ML 분류기를 자체 학습하고 조정 가능한 매개변수나 큐레이트된 이미지 없이 셀 및 배경 분할을 가능하게 하는 자가 지도 학습(SSL) 접근 방식을 제공합니다. . 모션을 활용함으로써 우리는 최종 사용자 데이터에 대해 직접 훈련하고, 광학 양식에 독립적이며, 최신 SL 방법보다 성능이 뛰어나고, 완전히 자동화된 방식으로 수행되는 정확한 분할을 달성하여 최종 사용자 가변성과 편견을 제거합니다. 우리가 아는 한, 이 SSL 알고리즘은 최초의 노력을 나타내며 광범위한 세포 생물학 연구 커뮤니티를 위한 이상적인 분할 도구 후보가 되는 매력적인 기능을 갖추고 있습니다.

저속 촬영 생세포 현미경 이미지에 저장된 정보는 세포 생물학에 있어 가장 중요합니다. 특히 2차원(2D) 세포 배양 및 실험은 학술 및 산업 연구, 규제 프로세스 및 상업용 파이프라인 모두에서 널리 퍼져 있습니다. 따라서 종종 세포 분할 형태의 정량적 생체이미지 분석 도구에 대한 필요성이 확립되어 있습니다. 지난 10년 동안 기계 학습은 세포 분할을 위한 강력한 방법으로 등장했습니다1,2,3. 기계 학습은 데이터를 사람이 주석을 추가한 레이블과 결합하여 관심 있는 기능을 식별하기 위한 분류 모델을 형성하는 프레임워크인 지도 학습(SL)을 제공합니다. 특히 인공 신경망(ANN)은 일반적으로 표준 이미지 처리 파이프라인3,4보다 성능이 뛰어나기 때문에 최근 몇 년 동안 생체 이미지 분석에서 인기 있는 SL 기술이었습니다.

머신러닝의 가장 큰 단점은 데이터가 부족하다는 것입니다. 특히 ANN은 일반적으로 데이터 사전 처리라고 하는 단계에서 복잡한 데이터 세트에서 우수한 성능을 발휘하기 위해 엄청난 양의 레이블이 지정된 데이터가 필요합니다. 예를 들어 Microsoft의 COCO와 같은 표준 컴퓨터 비전 교육 라이브러리에는 ANN을 적절하게 교육하기 위한 100만 개가 넘는 레이블 개체가 포함되어 있습니다5. 이 접근 방식의 문제점은 인터넷 관련 컴퓨터 비전 문제(예: 동물 인식)에 대한 일반적인 이미지와 비교할 때 세포 생물학의 이미지가 엄청나게 다양하다는 것입니다. 결과적으로 최근 큐레이팅된 EVICAN6(26,000개의 레이블이 지정된 개체), CellPose7(70,000개의 레이블이 지정된 개체) 및 LIVEcell8(160만 개의 레이블이 지정된 개체) 라이브러리와 같이 이러한 요구를 해결하기 위해 훨씬 더 큰 교육 라이브러리를 만들기 위한 수많은 대규모 노력이 있습니다. 대규모 세포 생물학 연구 커뮤니티에서 간단히 활용할 수 있는 강력한 모델을 달성하기를 희망합니다. 그러나 ANN을 포함한 모든 SL의 기본은 모델이 훈련 중에 사용된 것과 유사한 데이터에서만 안정적으로 수행된다는 사실입니다9. 이 "대형 라이브러리" 접근 방식은 세포 유형, 광학 방식, 현미경 구성, 2D 및 3D 세포외 환경, 세포 현미경 검사를 구현하는 맞춤형 실험 조건 등 지속적으로 발전하는 광범위한 세포 유형에는 적합하지 않습니다. 기계 학습의 일반적인 모토인 "의심스러운 경우 재훈련"은 이 사실을 분명히 입증하지만 모델 훈련은 결코 사소하지 않으며 악명 높은 노동 집약적 작업10이며 종종 최종 사용자를 희생시킵니다.