在最近发表在NatureMethods上的一项研究中,研究人员评估了一种名为Omnipose的细菌细胞分割新方法。显微镜技术的突破对于在单细胞水平上对细菌的形态和分子现象进行定量和准确测量是非常有希望的。然而,这种方法受到可在不依赖其光学或形态特性的情况下分割细胞的方法的可访问性和可用性的限制。

在本研究中,研究人员评估了最先进的细胞分割算法如何在各种细菌细胞上执行。

已经记录了在细菌细胞上开发的几种图像分割技术的有效性。这些方法大致可以分为三组:

该团队试图发现有效的算法以进行进一步研究,以创建可以在全球范围内识别细菌的软件。由于对细菌细胞的细胞分割算法之间缺乏彻底的比较,因此该团队从每组中选择了一个或多个示例进行这项研究:MaskR-CNN、StarDist、MiSiC和Cellpose;形态测量学;和SuperSegger。

获得了许多表现出各种形态和光学特性的细菌物种的显微照片,用于训练和基准测试这些算法。导致极端形态的突变或程序经常用于细菌研究。拍摄了表现出独特形态和视觉特性的细菌物种的组合。该团队总共收集了来自14个不同物种的4,833张图片或超过700,900个单个细胞。开发了一种手动注释细胞的快速方法,并将其用于这些照片。结果是47,000个具有代表性的注释单元,用于创建真实数据集(实际阶段)。

该团队旨在创建一种不依赖于细胞中心识别的分割方法。Cellpose框架可分为五个主要部分,例如文件处理、神经网络架构、训练目标函数、网络预测和掩模重建,是本研究中创建的算法的基础。虽然对这些部分中的每一个都进行了增强,但掩模重建和网络预测是已开发的名为Omnipose的系统中最重要的两个突破。

距离场,也称为距离变换,表示受限区域内每个点x与距离边界最近的点之间的距离。与Cellpose相关的细胞概率输出被Omnipose中的距离场替换。与产生类似场的其他解决方案相比,这会导致更快的收敛并提高数值稳定性。

研究人员在bactphase数据集上训练了一个模型(bactphaseomni),以便将Omnipose的性能与其进行比较。令人惊讶的是,使用比较模型(bactphasecp),Omnipose的准确性明显优于Cellpose。算法之间的这种性能差异在0.8-1.0的高IoU范围内尤为明显。细菌通常以约0.1m的校准像素大小成像,产生5到50个像素宽的细胞和细胞标签。细菌的测量范围通常在0.5到5m之间。高于0.8的IoU值对于这种规模的定量实验中的像素级精度至关重要。因此,Omnipose非常适合在显微镜下研究细菌细胞。

当在代表性数据集上进行训练时,Omnipose还可以分割使用各种模式获取并包含各种主题的图像。开发了一个包含33,200个细菌细胞的胞质溶胶和膜荧光的数据集,以便在使用相位对比以外的方式捕获的图像上测试Omnipose。该团队发现Omnipose(bactfluoromni)在形态变化细胞上的表现优于Cellpose(bactfluorcp)。

接下来,该团队探索了如何使用Omnipose来分割细菌以外的对象。在bact阶段数据集和蠕虫数据集(wormbactomni)上训练的通才模型的性能与蠕虫模型(wormomni)一样好或更好。该团队还使用一组定制的高分辨率C.elegans图像来训练Omnipose模型,并发现该算法可以有效地分割这些图像,尽管它们具有复杂的底层结构。