Posted in

Cellpose+, Alat Analisis Morfologi untuk Ekstraksi Fitur Gambar Sel yang Diwarnai

Cellpose+, Alat Analisis Morfologi untuk Ekstraksi Fitur Gambar Sel yang Diwarnai
Cellpose+, Alat Analisis Morfologi untuk Ekstraksi Fitur Gambar Sel yang Diwarnai

Abstrak
Alat segmentasi dan pemrosesan gambar tingkat lanjut memberikan peluang untuk mempelajari proses sel dan dinamikanya. Akan tetapi, analisis gambar sering kali rutin dan memakan waktu. Saat ini, pendekatan berbasis data alternatif menggunakan pembelajaran mendalam berpotensi menawarkan analisis gambar yang otomatis, akurat, dan cepat. Dalam makalah ini, kami memperluas aplikasi Cellpose , kerangka kerja segmentasi sel mutakhir, dengan kemampuan ekstraksi fitur untuk menilai karakteristik morfologi. Kami juga memperkenalkan kumpulan data sel yang diwarnai dengan 4′,6-diamidino-2-phenylindole dan fluorescein isothiocyanate yang menerapkan metode baru kami.

1 Pendahuluan
Pemahaman tentang kultur sel yang berhasil didasarkan pada penilaian sampel yang benar. Analisis gambar memberikan dukungan kuantitatif dan kualitatif untuk menilai kesehatan sel; mikroskopi juga mengidentifikasi kerusakan nuklir, kontaminasi mikoplasma, mutasi sel, serta tanda-tanda visual diferensiasi sel [ 1 , 2 – 3 ]. Namun, untuk memahami mekanisme biologis, analisis yang tepat dan kuantifikasi statistik, sejumlah besar data gambar diperlukan. Permintaan konstan ini membuat pemrosesan data manual tidak efisien dan memakan waktu. Analisis gambar mikroskopi memerlukan beberapa parameter dan algoritma iteratif yang memakan waktu untuk pemrosesan karena mengandung banyak informasi karena rasio sinyal terhadap derau yang berbeda [ 4 ]. Kemajuan dalam analisis gambar sel menyajikan alat untuk mendekati karakteristik visual yang berbeda [ 5 – 7 – 8 ] dengan penggunaan algoritma tradisional.

Deteksi nuklei dan sel dalam foto sangat penting dalam analisis gambar mikroskopi. Misalnya, pengenalan nuklei atau sel dapat memberikan dukungan signifikan untuk penghitungan objek, segmentasi, dan pelacakan. Saat ini, jaringan saraf convolutional (CNN), jaringan convolutional penuh (FCN), dan autoencoder bertumpuk (SAE) telah berhasil digunakan untuk deteksi objek dalam gambar, dan lokasi objek sering disarankan dengan titik tunggal yang diidentifikasi di dekat centroid objek, yang diindikasikan sebagai benih atau penanda [ 3 ]. Dengan demikian, deteksi objek dapat diformulasikan sebagai masalah klasifikasi piksel-bijaksana. Menganalisis gambar input, jaringan mengeluarkan peta probabilitas, di mana setiap nilai piksel menyiratkan probabilitas satu piksel menjadi benih. Oleh karena itu, objek target dapat ditemukan dengan mencari maksima lokal di peta probabilitas yang dihasilkan. Dalam praktiknya, penekanan non-maksimum sering digunakan untuk meningkatkan akurasi [ 3 , 9 , 10 ].

Langkah selanjutnya adalah segmentasi dan ekstraksi fitur sel dari gambar kultur; sebuah proses yang telah dihadapi dengan penggunaan algoritma pembelajaran mendalam [ 11 , 12 ] dan lingkungan analisis gambar [ 13 , 14 – 15 ]. Tugas segmentasi sel adalah masalah kompleks yang telah didekati dari solusi yang lebih sederhana, seperti alat analisis gambar dan teknik pra-pemrosesan seperti binarisasi dan thresholding, hingga teknik yang lebih baru, misalnya, SuperSegger [ 16 ], yang menggunakan penyaringan gambar dan sumber daya pembelajaran mesin untuk mengoreksi noise analisis gambar umum. Solusi pembelajaran mesin awal didasarkan pada arsitektur Mask R-CNN [ 17 ], sementara algoritma baru-baru ini seperti Stardist [ 18 ], MiSiC [ 19 ], Cellpose [ 20 ], dan Omnipose [ 21 ] didasarkan pada variasi arsitektur U-net.

Beberapa aplikasi proposal terbaru berdasarkan analisis morfologi yang diterapkan pada segmentasi sel dari Cellpose mencakup evaluasi sel induk yang berasal dari jaringan lemak (ADSC) [ 22 ] dan gambar mikroskop elektron [ 23 ], dengan fokus pada karakteristik seperti luas nukleus (mathematical equation), diameter median, dan jumlah sel. Alur kerja mekanisme sel untuk mempelajari kulit katak juga diperkenalkan [ 24 ], yang ditujukan kepada mahasiswa untuk digunakan dalam analisis luas sel dan rasio sel-inti. Alur kerja serupa, dengan otot dada ayam pedaging sebagai subjek utama juga diterbitkan [ 25 ], mereka berfokus pada diameter dan luas sel. Selain penggunaan Cellpose , penelitian ini berbagi penggunaan alat analisis gambar seperti ImageJ [ 26 ] dan MorphoLibJ [ 27 ], yang memiliki urutan langkah yang kurang terintegrasi. Ini adalah masalah yang juga ingin kami pecahkan. Pendekatan kami, yang detailnya dapat dilihat pada Gambar 1 , dimulai dengan memilih alat segmentasi sel yang dapat diperluas dengan kinerja canggih, untuk memasangkannya dengan algoritma analisis morfologi dan geometri (keteraturan dan keseragaman untuk pembudidayaan sel, yang menghadirkan hal baru untuk aplikasi analisis geometri, juga disertakan), menyatukan alur kerja kami dalam satu alat yang memanfaatkan antarmuka yang telah dirancang dengan baik. Sehubungan dengan alat ini, kami juga memperkenalkan kumpulan data baru sel yang diwarnai dengan 4′,6-diamidino-2-phenylindole (DAPI) dan fluorescein isothiocyanate (FITC).

GAMBAR 1
Buka di penampil gambar
Kekuatan Gambar
Alur kerja untuk memperoleh metrik dari sel yang tersegmentasi. Data mentah awal (a) digabungkan menjadi satu gambar (b) dan disusun ke dalam subfolder untuk diproses (c). Prosedur segmentasi sel dilakukan menggunakan Cellpose (d). Kami mengekstrak metrik (e) sesuai dengan struktur folder yang ditentukan, dan akhirnya kami memperoleh hasil (f) dalam bentuk gambar dan file CSV yang berisi metrik yang disebutkan (g). Batang skala di bagian bawah gambar mewakilimathematical equation.

2 Metode
2.1 Produksi Polimer
Poli-3-hidroksibutirat-ko-hidroksivalerat (10% hidroksivalerat) (P3HBV) disintesis dengan kultur batch Cupriavidus necator B-10646, yang dikenal dengan hasil kopolimer polihidroksialkanoat (PHA) yang tinggi dan toleransi terhadap substrat, menurut protokol standar [ 28 ]. Kultivasi dilakukan dalam fermentor laboratorium otomatis BioFlo-115 (Bioengineering AG, Swiss) dalam kondisi aseptik yang ketat. Media Schlegel dengan penyangga fosfat dengan glukosa sebagai sumber karbon utama digunakan. Asam valerat digunakan sebagai prekursor valerat. Untuk memperoleh hasil polimer yang tinggi, proses dua tahap dilakukan. Pada tahap pertama, sel tumbuh dalam kondisi defisiensi nitrogen. Pada tahap kedua, sel dikultur dalam media bebas nitrogen.

Inokulum disiapkan dalam inkubator pengocok InnovaH 44 (New Brunswick Scientific, AS) dengan cara mensuspensikan kembali kultur museum [ 29 ]. Pemulihan polimer dilakukan dengan etanol untuk menghilangkan lipid dan asam lemak, diikuti dengan ekstraksi polimer dalam diklorometana. Ekstrak diklorometana diuapkan dua kali menggunakan evaporator putar (Rotovapor R-300, Buchi, Jerman). Kemudian, polimer diendapkan dengan heksana dan dikeringkan.

Kandungan polimer ditentukan menggunakan kromatografi gas dengan kromatografi-spektrometer massa. Untuk memurnikan polimer, polimer dilarutkan dalam kloroform beberapa kali dan diendapkan menggunakan isopropanol atau heksana. Akhirnya, polimer yang dihasilkan dikeringkan padamathematical equationBahasa Indonesia: C [ 30 ].

Analisis struktur PHA, kemurnian dan sifat fisikokimia P3HBV ditentukan menggunakan serangkaian uji standar. Spektrum H 1 NMR kopolimer direkam dalam CDCl3 pada spektrometer Bruker AVANCE III 600 MHz (Bruker, Jerman) yang beroperasi pada 600,13 MHz. Karakteristik berat molekul ditentukan oleh kromatografi permeasi gel (‘Agilent Technologies’ 1260 Infinity, AS) dengan detektor indeks bias dan kolom Agilent PLgel Mixed-C. Karakteristik termal ditetapkan oleh kalorimeter pemindaian diferensial DSC-1 (METTLER TOLEDO, Swiss). Analisis struktur XRD dilakukan dengan menggunakan difraktometer bubuk sinar-X D8ADVANCE yang dilengkapi dengan detektor linier cepat VANTEC, menggunakan radiasi CuKa (‘Bruker, AXS’, Jerman), untuk menentukan kristalinitas P3HBV [ 31 ].

Film polimer P3HBV dengan ketebalan yang berbeda dibuat dengan teknik larutan pengecoran. P3HBV dilarutkan dalam kloroform untuk mendapatkan larutan homogen dengan konsentrasi 1,0%, 1,5%, 2,0%, 2,5%, dan 3,0%. Larutan ini dipanaskan perlahan hinggamathematical equationC agar larut sempurna sebelum dicetak pada permukaan kaca yang bersih dan bebas minyak. Film dikeringkan pada suhu ruangan selama 48 jam di lingkungan bebas debu, sehingga kloroform menguap sepenuhnya dan menghasilkan film padat. Ketebalan sampel diukur pada enam titik untuk setiap film dengan Legioner EDM-25−0,001 µm (Legioner, Tiongkok) [ 32 ]. Permukaan atas film digunakan untuk pembudidayaan sel.

2.2 Kultur Sel dan Akuisisi Gambar
Kultur linier fibroblas tikus NIH 3T3 digunakan untuk mendapatkan data visual adhesi sel pada sampel film P3HBV [ 33 ]. Sel dikultur dalam kondisi steril dalam atmosfer yang dilembabkan:mathematical equationC dengan 5% CO 2 (MCO-19AIC SANYO Electric Co., Ltd., Jepang). Dulbecco’s Modified Eagle Medium, DMEM (Gibco, AS) yang dilengkapi dengan 10% serum fetal bovine, FBS, (HyClone, AS) dan antibiotik/antimikotik (Sigma–Aldrich, AS) digunakan. Sel-sel dipisahkan dari dasar tabung kultur menggunakan tripsin (Gibco, AS) saat mencapai konfluensi 85%–95%.

Untuk menilai sitokompatibilitas sampel PHA, sel disemai ke sampel film polimer steril dengan kepadatanmathematical equationdan dikultur selama 72 jam. Setelah inkubasi, sampel dicuci dengan larutan penyangga fosfat dan sel difiksasi dengan larutan paraformaldehida 4%. Membran sel dipermeabilisasi dengan Triton-X 0,2%, dan sitoplasma diwarnai dengan fluorescein isothiocyanate, FITC (hijau) (Sigma–Aldrich, AS), selama 1 jam dalam gelap pada suhu kamar. Inti sel divisualisasikan menggunakan 4′, 6-diamidino-2-phenylindole, DAPI (biru) (Sigma–Aldrich, AS).

Sel divisualisasikan menggunakan mikroskop fluoresensi Leica DMI8 dengan perangkat lunak LAS X yang sesuai. Gambar direkam menggunakan penganalisa Leica Microsystem CMS GmbH (Leica Microsystem, Jerman). Area yang dipindaimathematical equationmengandungmathematical equation piksel. Foto-foto tersebut dibuat menggunakan lensa objektif N PLAN EPI 10x/0,25 PH1 dan N PLAN EPI 20x/0,40 PH1. Gambar sel yang digabungkan digunakan dalam analisis mesin berikut.

2.3 Analisis Statistik Sel
Analisis statistik sel yang dikultur dilakukan oleh operator menggunakan analisis varians (uji ANOVA). Karena objek biologis bersifat variabel, analisis varians menemukan dependensi dalam data eksperimen dengan memeriksa signifikansi perbedaan nilai rata-rata. Metode ini dapat membandingkan sampel berdasarkan rata-ratanya dan menggambarkan seberapa berbeda sampel ini satu sama lain. Selain itu, uji ANOVA dapat digunakan untuk menggambarkan hubungan yang kompleks di antara variabel. Varians yang diamati dalam variabel tertentu dipartisi menjadi komponen yang dapat diatribusikan ke berbagai sumber variasi. Varian paling sederhana dari uji ANOVA memberikan uji statistik apakah dua atau lebih rata-rata populasi sama. Dengan demikian, ANOVA menggeneralisasi uji – t (uji Student) di luar dua rata-rata. Sel yang dihitung oleh operator manusia kemudian dibandingkan dengan jumlah sel yang diperoleh oleh Cellpose . Penghitungan akhir dari perangkat lunak disempurnakan hingga deviasi standar dalam nilai yang diperoleh oleh program tersebut cocok dengan deviasi standar yang diperoleh oleh operator manusia.

3 Hasil dan Pembahasan
3.1 Segmentasi Sel
Kami menggunakan kerangka kerja Cellpose 2.0 [ 20 ] untuk memperoleh subjek tersegmentasi dari gambar yang diwarnai untuk sitoplasma (FITC) atau inti sel (DAPI). Untuk pemrosesan batch gambar mikroskopi, kami menggunakan Cellpose dalam mode noninteraktif (baris perintah). Alat ini memungkinkan pembuatan file kustom (.npy) untuk menyimpan informasi parsial sebagai parameter segmentasi. Kami memperluas konten file ini untuk juga menyimpan masker tersegmentasi, untuk memungkinkan penyempurnaan manual.

Sebagai solusi untuk sejumlah besar kumpulan citra sel, kami mengadopsi alur kerja pemrosesan campuran, yang terdiri dari skrip yang melakukan segmentasi sel secara otomatis dengan parameter yang telah ditetapkan sebelumnya, dan penggunaan file sementara untuk meningkatkan hasil otomatis secara manual.

3.2 Implementasi Ekstraksi Fitur
Setelah segmentasi dilakukan, kami melanjutkan untuk mengekstrak karakteristik dari sel-sel yang tersegmentasi, yang dapat digunakan untuk menilai biokompatibilitas substrat dan viabilitas serta status sel (lihat Gambar 2 ). Untuk studi ini, kami menggunakan pustaka DIP dan scipy , yang mencakup algoritme untuk analisis gambar. Kami memilih fitur relevan yang dapat digunakan untuk interpretasi lebih lanjut, yang tercantum di bawah ini. Ketika kami merujuk pada subjek yang terdeteksi dalam gambar, ini menunjukkan area sitoplasma yang termasuk dalam satu sel atau nukleus.

GAMBAR 2
Buka di penampil gambar
Kekuatan Gambar
Tahapan pemrosesan gambar tunggal. Dari gambar gabungan dari FITC dan DAPI (a), kami mengekstrak kontur sel dan topeng inti (b) untuk ekstraksi fitur. Kami menggunakan koordinat pusat untuk memplot diagram Voronoi (c) dan mendapatkan pembacaan keseragamannya (d). Skala batang,mathematical equation.
Jumlah total subjek dalam suatu gambar, yang merupakan hitungan sel tersegmentasi per saluran.
Area suatu subjek (mathematical equation) dihitung menggunakan kode rantainya (kontur). Setiap subjek harus berupa komponen terhubung dengan label unik. Area dihitung sebagai pikselmathematical equationpertama-tama, kemudian diubah menjadi mikrometer persegimathematical equationmenggunakan dimensi gambar.
Kebulatan (mathematical equation) dari subjek (0,0–1,0), dengan 1,0 untuk lingkaran sempurna. Dihitung sebagai

Di manamathematical equationadalah daerah danmathematical equationadalah perimeter.
Rasio antara ukuran sel (area sitoplasma yang diwarnai)mathematical equation) dan nukleusnya (mathematical equation), dihitung sebagai

per setiap pasanganmathematical equationsel dan nukleus.
Persentase area gambar yang ditutupi oleh sel atau inti, dihitung sebagai

Di manamathematical equationadalah area sel atau inti danmathematical equationadalah total luas gambar.
Koordinat pusat setiap subjek dalam gambar, sebagai posisi relatif dari titik asal di sudut kiri atas.
Diagram Voronoi berdasarkan koordinat pusat inti, dihitung dan diplot dengan metode Voronoi dari scipy.spatial .
Entropi Voronoi (mathematical equation) dari diagram Voronoi, dihitung sebagai

Di manamathematical equationadalah proporsi setiap kelas.
Pengukuran simetri kontinu (CSM) dari diagram Voronoi, kami memperoleh nilai normalisasi yang dihitung sebagai
Di manamathematical equationadalah titik poligon,mathematical equationadalah titik yang sesuai dari poligon simetris,mathematical equationadalah jumlah titik sudut dalam poligon, danmathematical equationadalah luas poligon simetris.
Alat yang kami kembangkan (antarmuka pengguna grafis ditunjukkan pada Gambar 3 ) digunakan untuk menganalisis kumpulan data yang diuraikan dalam Bagian 2.2 . Fitur-fitur diperoleh untuk lima gambar representatif dari masing-masing tiga film dengan masing-masing lima ketebalan yang berbeda. Nilai rata-rata fitur yang diukur untuk setiap ketebalan dilaporkan dalam Gambar 4 dan Tabel 1. Hasil terperinci untuk setiap film serta gambar mentah dan tersegmentasi dapat ditemukan dalam materi tambahan. Proyek dapat diakses di repositori publik https://github.com/ITMO-MMRM-lab/cellpose_plus , tempat pemasangan, penggunaan, dan contoh tersedia. Kami menambahkan informasi lebih lanjut tentang lingkungan tempat alat kami diuji, serta petunjuk langkah demi langkah dengan data sampel, yang menjelaskan konten folder keluaran. Kami juga menyediakan kumpulan data yang terdiri dari gambar mentah yang digunakan untuk eksperimen kami, bersama dengan topengnya [ 34 ].

GAMBAR 3
Buka di penampil gambar
Kekuatan Gambar
GUI Cellpose yang diperbarui . (a) Alat ekstraksi fitur baru ditandai dengan warna cyan, menunjukkan sel tersegmentasi dengan area masing-masing dimathematical equation.(b) Dua tab baru, Masker dan Gambar, ditambahkan untuk menyimpan subjek tersegmentasi dan untuk memvisualisasikan fitur. Kami menambahkan fitur morfologi yang dapat kami pilih untuk diekstrak dari subjek tersegmentasi.

GAMBAR 4
Buka di penampil gambar
Kekuatan Gambar
Fitur yang diekstraksi dari sel dan inti berdasarkan tingkat ketebalannya.
TABEL 1. Nilai fitur yang diekstraksi per subjek (sel, nukleus, dan lain-lain) dari Gambar 4 .

3.3 Diskusi
Untuk mendeteksi sel atau nukleus, penting untuk memperhatikan tidak hanya bentuknya, tetapi juga ukurannya. Dalam hal ini, Cellpose mengidentifikasi objek dan membandingkannya secara rata-rata berdasarkan area, membuang nilai yang menyimpang dari nilai target (dihitung secara otomatis atau ditetapkan secara manual). Dalam pekerjaan saat ini, operator manusia juga menyesuaikan nilai-nilai ini.

Namun, selama mitosis, ukuran sel dan nukleusnya dapat meningkat secara signifikan [ 35 ], yang dapat menyebabkan kesalahan deteksi. Dalam hal ini, kami juga memutuskan untuk memperhatikan rasio luas nukleus dan sitoplasma (lihat Gambar 4 ). Selain itu, kami berencana untuk menggunakan Cellpose+ untuk deteksi mitosis di masa mendatang. Untuk tujuan ini, kami juga akan menggunakan dataset sel NIH 3T3 yang diwarnai dengan hematoxylin dan eosin. Telah ditunjukkan [ 36 , 37 – 38 ] bahwa jenis pewarnaan sel ini memisahkan fragmen nukleus berdasarkan warna dan dapat digunakan dalam metode pembelajaran mendalam berdasarkan analisis piksel dan pencitraan seperti Cellpose . Perlu dicatat bahwa penghitungan nukleus juga dapat digunakan untuk memperkirakan kepadatan sel pada sampel (Gambar 4 ). Dengan asumsi bahwa jumlah sel pada sampel sesuai dengan jumlah inti dan mengetahui luas gambar yang dianalisis, maka kepadatan sel (dalam sel per satuan luas) dapat dihitung, yang mencirikan jumlah sel pada sampel dan secara tidak langsung dapat digunakan untuk menilai biokompatibilitas sampel. Dengan menggabungkan metode analisis statistik (misalnya, ANOVA) dalam metode yang dihasilkan, kita dapat memperkirakan kepadatan sel pada sampel dengan cukup akurat. Diketahui bahwa sel-sel terdistribusi secara tidak merata pada sampel dengan kekakuan permukaan yang berbeda, yang sering kali berkorelasi dengan ketebalan lapisan dan sifat material [ 39 , 40 ]. Setelah menguji Cellpose+ pada gambar sel pada permukaan film polihidroksialkanat dengan ketebalan dan elastisitas yang berbeda, kami mengamati korelasi antara ketebalan sampel dan kepadatan sel pada sampel.

Data yang diperoleh oleh Cellpose+ dibandingkan dengan data eksperimen yang diproses oleh operator manusia. Perlu dicatat bahwa metode yang disajikan memungkinkan Anda untuk dengan cepat dan efisien menentukan kepadatan sel per milimeter persegi atau sentimeter sampel. Perlu juga dicatat bahwa metode ini dapat dengan mudah diterapkan untuk menilai viabilitas sel. Yang paling terkenal adalah pewarnaan Hidup/Mati menggunakan akridin oranye dan propidium iodida [ 41 , 42 ]. Viabilitas sel dalam sampel didefinisikan sebagai rasio jumlah inti yang diwarnai hijau (menunjukkan sel hidup) dengan jumlah inti yang diwarnai merah, yang sesuai dengan jumlah total sel dalam sampel. Dengan demikian, Cellpose+ dapat dengan mudah diadaptasi untuk teknik ini jika Anda mengganti pengenalan inti dalam saluran biru (DAPI) dengan saluran warna oranye (RHOD).

Perlu disebutkan bahwa metode berbasis warna dan tekstur memiliki beberapa keterbatasan karena metode tersebut memerlukan tampilan warna/tekstur yang stabil agar masing-masing nukleus dapat bekerja secara optimal. Misalnya, versi awal Cellpose bekerja dengan baik pada gambar yang diwarnai dengan baik, sedangkan karena variasi metode pewarnaan dan persiapan sel, sejumlah gambar yang diwarnai dengan buruk, mengakibatkan kegagalan deteksi pada gambar yang direkam secara tidak adil dan kabur. Kami telah memperhitungkan beberapa piksel tepi yang bising di luar nukleus sebenarnya pada segmen tepi karena adanya bising dan komponen jaringan asing dalam gambar. Menghilangkan sinyal-sinyal ini sangat penting karena perkiraan jumlah nukleus mungkin berada di luar jumlah nukleus yang sebenarnya, yang mengarah pada penentuan yang salah tentang piksel mana yang valid atau tidak valid untuk analisis. Dalam percobaan kami, jumlah kasus seperti itu kecil.

Perlu dicatat bahwa analisis bentuk sel sangat penting, karena memungkinkan kita untuk menyarankan diferensiasi sel di masa mendatang. Menurut tinjauan pustaka [ 43-46-47 ] , beberapa lini sel diketahui memiliki morfologi tertentu sebelum diferensiasi sel. Misalnya, sel MSC kontrol tanpa agen farmakologis menunjukkan 72% sel MSC pada bentuk bunga memiliki nasib adipogenik dibandingkan dengan 67% sel pada bentuk bintang yang menunjukkan nasib osteogenik [ 44 ]. Secara khusus, sel-sel seperti bintang ditemukan untuk mempromosikan ekspresi molekul pensinyalan Wnt/Fzd nonkanonik (termasuk efektor hilir RhoA dan ROCK yang sebelumnya ditunjukkan terlibat dalam osteogenesis [ 44 , 45 ]. Ada kecenderungan yang sama untuk sel-sel C2C12 yang mampu berdiferensiasi sepanjang beberapa garis keturunan dan digunakan sebagai sistem model untuk diferensiasi osteogenik dan miogenik [ 47 ]. Sel-sel yang mengadopsi morfologi seperti bintang cenderung pada diferensiasi osteogenik sementara sel-sel yang memiliki struktur sitoskeletal seperti spindel memanjang secara moderat menunjukkan diferensiasi miogenik [ 47 ]. Bentuk geometris sel dapat diberikan pada sinyal mekanokimia dan faktor parakrin/autokrin yang dapat mengarahkan MSC ke nasib yang sesuai [ 45 ].

Hal lain yang menjadi alasan pentingnya menilai bentuk sel adalah untuk memprediksi migrasinya sepanjang sampel. Diketahui bahwa ketika sel bergerak, morfologinya berubah, menjadi lebih memanjang, membulat, atau melebar. Selain kerangka sel, bentuk inti sel juga berubah. Jadi, dalam karya ini, kami meletakkan dasar untuk studi analisis sel kompleks di masa mendatang.

4 Kesimpulan
Mengingat relevansi prosedur segmentasi untuk pencitraan sel menggunakan model pembelajaran mendalam, integrasi algoritma analisis morfologi ke kerangka kerja segmentasi sel tingkat tinggi menjadi kebutuhan yang kami penuhi. Kehadiran GUI yang solid membuat kerangka kerja tersebut dapat diakses oleh pengguna dengan latar belakang yang berbeda. Dengan memprioritaskan hal ini, kami memilih proyek Cellpose untuk memperluasnya dengan algoritma ekstraksi fitur. Repositori versi Cellpose kami di-fork langsung dari sumber utama, sehingga terus disinkronkan. Meskipun Cellpose memungkinkan segmentasi 3D, algoritma kami hanya mencakup analisis gambar 2D. Mengenai kumpulan data, kami menyediakan sampel gambar yang dianalisis dengan semua fitur yang tersedia yang diekstraksi, serta sampel mentah lainnya dengan topengnya. Untuk langkah selanjutnya, kami ingin memperluas jumlah fitur yang diekstraksi, serta meningkatkan GUI sesuai dengan peningkatan fungsionalitas, dan kemudian, menyediakan kemungkinan untuk membuat dan menggunakan plug-in sesuai dengan kebutuhan khusus.

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *