Fortschritte bei der Zellenerkennung mit orientierten Begrenzungsrahmen

Das Erkennen und Verfolgen von lebenden Zellen in Bildern, die mit Mikroskopen aufgenommen wurden, ist wichtig für viele medizinische und Forschungsaufgaben. Dazu gehören das Studieren, wie Zellen wachsen, sich bewegen, andere Bereiche infiltrieren, ihre Formen verändern und wie Moleküle innerhalb der Zellen lokalisiert werden. Die Hellfeldmikroskopie hat einige Vorteile. Sie benötigt keine fluoreszierenden Markierungen auf den Zellen, verursacht weniger Schäden an den Zellen, und die Mikroskope sind normalerweise günstiger. Allerdings haben Hellfeldbilder einen Nachteil: Sie sind schwer automatisch zu analysieren, weil sie im Vergleich zu Bildern, die mit fluoreszierenden Techniken aufgenommen wurden, einen geringeren Kontrast zum Hintergrund haben. Das kann dazu führen, dass Bilder ähnlich wie die Zellen selbst aussehen.

Es wurden mehrere Techniken vorgeschlagen, um Zellen in Hellfeldbildern zu erkennen. Aufgrund der Vielfalt der verwendeten Mikroskope und Zelltypen ist es schwierig, dieselbe Methode über verschiedene Setups hinweg anzuwenden. Neben dem blossen Erkennen von Zellen ist es wichtig, ihre Grösse und Form zu messen, um bestimmte Merkmale wie Alterung und Veränderungen während von Krankheiten zu identifizieren.

Horizontale Begrenzungsrahmen (HBBs) werden häufig zur Erkennung von Objekten verwendet. Sie erfassen jedoch nicht die wahre Form und Grösse der Zellen genau. Eine andere Methode besteht darin, vollständige Zellmasken durch Segmentierung zu erhalten, aber dieser Prozess ist oft mühsam und schwierig, insbesondere bei überlappenden oder unklaren Bildern. Wir glauben, dass orientierte Begrenzungsrahmen (OBBs) eine bessere Option sind, um Zellen in Mikroskopbildern darzustellen. OBBs beinhalten einen zusätzlichen Winkelparameter, der eine bessere Darstellung von länglichen Zellformen ermöglicht.

#Die Bedeutung der Zellmessung

Die Messung der Grösse und Form von Zellen ist entscheidend, um ihre Eigenschaften zu analysieren. Unterschiede in den Formen von Zellen können beispielsweise auf Alterung oder deren Reaktion auf Behandlungen hinweisen. Mit OBBs können wir die Form der Zellen genauer darstellen. Das ist wichtig, denn HBBs enthalten oft unnötige Hintergrundbereiche und erfassen nicht genau das Aussehen von länglichen oder orientierten Zellen.

Ein erheblicher Vorteil der Verwendung von OBBs ist, dass sie helfen können, die Verfolgung von Zellen über die Zeit zu verbessern, was zu einer besseren Analyse ihrer Bewegung und ihres Verhaltens unter verschiedenen Bedingungen führen kann.

#Verwandte Arbeiten zur Zellerkennung

Es gibt viele Ansätze zum Zählen, Erkennen und Segmentieren von Zellen in Hellfeldbildern, wobei Deep-Learning-Methoden die besten Ergebnisse erzielen. Diese Methoden unterscheiden sich in der Netzwerkarchitektur und dem Grad der Unterstützung, die benötigt wird, um Trainingsdaten zu kennzeichnen. Zum Beispiel benötigt das Auffinden nur des Zentrums einer Zelle einen Punkt zur Überwachung, während das Finden von Zellgrenzen mit einem HBB zwei Punkte benötigt, und OBBs benötigen einen weiteren Punkt, um die Ausrichtung zu bestimmen.

Einige Techniken verwenden modifizierte Versionen von Objekterkennungsalgorithmen, wie Faster-RCNN. Es gibt erhebliche Verbesserungen in der allgemeinen Objekterkennung mit HBBs, aber diese Darstellung hat Schwierigkeiten in überfüllten Szenarien, insbesondere wenn längliche Zellen beteiligt sind. Während es Arbeiten gibt, die OBBs verwenden, konzentrieren sie sich hauptsächlich auf spezialisierte Anwendungen.

#Der orientierte Zell-Datensatz

Um diesen Forschungsbereich voranzubringen, schlagen wir einen neuen öffentlichen Datensatz namens Oriented Cell Dataset (OCD) vor, der Bilder lebender Zellen enthält, die mit OBBs annotiert sind. Dieser Datensatz besteht aus Bildern, die von verschiedenen Mikroskopen und Zelllinien aufgenommen wurden, und ermöglicht es Forschern, das Zellverhalten in unterschiedlichen Umgebungen zu untersuchen.

Unser Datensatz enthält drei Teile:

1. Train: 120 Bilder zur Schulung von Erkennungssystemen.
2. Test: 30 Bilder zur Überprüfung der Modellleistung.
3. Annotator’s Comparison: 10 Bilder zur Analyse der Zuverlässigkeit zwischen den Annotatoren und zur Validierung biologischer Anwendungen.

Jedes Bild in den Train- und Test-Sets ist von einem einzelnen Experten annotiert, während das Annotator’s Comparison Set mehrere Annotationen für eine robuste Analyse umfasst. Dieser Datensatz ist entscheidend, um zu bewerten, wie OBBs bei automatischen Zellenerkennungstasks helfen können.

#Methodik: Beschaffung von Annotationen

Der OCD-Datensatz wurde durch manuelles Annotieren von Bildern mit einem speziellen Tool erstellt, das Forschern ermöglicht, OBBs für jede Zelle zu definieren. Zellen wurden als länglich oder rund identifiziert. Insgesamt wurden über 6.700 OBBs annotiert. Die Fläche, die von Zellen in jedem Bild eingenommen wird, wurde berechnet, um die Zellkonfluenz zu schätzen, definiert als der Anteil des Bildes, der von Zellen eingenommen wird.

#Experimente und Anwendungen

Unsere Experimente begannen damit, zu prüfen, ob OBBs für die Annäherung an Zellformen geeignet sind. Danach führten wir eine Inter-Annotator-Bewertung durch, um die Konsistenz unter menschlichen Annotatoren zu bewerten. Diese Analyse hilft zu bestimmen, ob automatische Erkennungsmethoden Ergebnisse liefern, die mit den von menschlichen Experten obtenierten Ergebnissen vergleichbar sind.

Wir haben auch mehrere Objekterkennungsmodelle mit unserem Datensatz trainiert. Diese Modelle wurden auf ihre Genauigkeit bei der Zellenerkennung und der Schätzung relevanter biologischer Masse wie Konfluenz und Zellpolarität bewertet.

#Evaluierung von OBBs als Zellrepräsentationen

Um zu sehen, ob OBBs gute Darstellungen von Zellformen sind, verglichen wir sie mit anderen Methoden unter Verwendung von Validierungsdatensätzen. Die Ergebnisse zeigten, dass OBBs und orientierte Ellipsen (OEs) die Formschätzung im Vergleich zu HBBs erheblich verbesserten. Während OBBs weniger Benutzerklicks während der Annotation benötigten, erforderten Segmentierungsmasken viel mehr Klicks, was die Effizienz der Verwendung von OBBs hervorhebt.

#Inter-Annotator-Bewertung

Menschliche Annotationen variieren, und wir erwarten ein gewisses Mass an Meinungsverschiedenheiten unter Experten, insbesondere bei herausfordernden Datensätzen. Wir haben diese Variabilität mit einer Statistik namens Krippendorff's Alpha untersucht, die die Übereinstimmung unter den Annotatoren bewertet. Unsere Ergebnisse zeigten ein gutes Mass an Übereinstimmung, was die Zuverlässigkeit unseres Datensatzes unterstützt.

Um die Faktoren zu analysieren, die die Qualität der Annotationen beeinflussen, haben wir untersucht, wie der Intersection over Union (IoU) Metriken wie Präzision und Rückruf beeinflusst. Die Ergebnisse zeigen, dass die Verwendung standardmässiger Schwellenwerte, die in der Objekterkennung verwendet werden, möglicherweise nicht für die Zellenerkennung mit OBBs geeignet ist.

#Training von Objekterkennungsmodellen

Wir haben mehrere OBB-Detektoren mit unserem Datensatz trainiert, wobei verschiedene Algorithmen verwendet wurden. Der Prozess beinhaltete das Zuschneiden von Bildern auf handhabbare Grössen für das Training. Unsere Ergebnisse hoben hervor, dass eines der Modelle, R2CNN, die beste Leistung bei der Erkennung von Zellen erzielte, wenn es die Annotationen unseres Datensatzes verwendete.

#Biologische Anwendungen der OBB-Zellenerkennung

Die Fähigkeit, Zellen automatisch zu erkennen, bietet wertvolle Einblicke, insbesondere in biologischen Anwendungen. Wir haben untersucht, wie die Verwendung von OBBs helfen könnte, die Zellkonfluenz und Polarität genau zu schätzen. Die auf OBBs trainierten Modelle zeigten, dass sie Ergebnisse produzieren konnten, die denen von menschlichen Annotatoren vergleichbar waren, wodurch effektiv eingeschätzt werden konnte, wie überfüllt ein bestimmtes Bild ist und die Zellorientierung bestimmt werden konnte.

#Schätzung der Zellkonfluenz

Bei der Berechnung, wie viel Platz Zellen einnehmen, war eine höhere Genauigkeit durch die Verwendung von OBBs im Vergleich zu HBBs erreichbar. Unsere statistischen Analysen bestätigten, dass die meisten Modelle Ergebnisse lieferten, die gut mit den menschlichen Schätzungen der Zellkonfluenz übereinstimmten, was für verschiedene biologische Experimente entscheidend ist.

#Bestimmung der Zellpolarität

Polarität ist entscheidend für das Verständnis, wie Zellen sich verhalten und ihre Morphologie sich verändert. Mit OBBs ist eine präzise Bewertung der Zellformen möglich. Unsere Analyse der Leistung der Modelle bei der Erkennung von Zellpolarität zeigte, dass sie im Allgemeinen vergleichbar mit Expertenbewertungen waren.

#Überblick über die Ergebnisse

Unsere Studie liefert starke Beweise dafür, dass OBBs für die Zellerkennung in der Hellfeldmikroskopie verwendet werden können. Die Erstellung des OCD-Datensatzes ermöglicht eine bessere Automatisierung beim Studieren des Zellverhaltens, und die Modellleistungen deuten darauf hin, dass Forscher sich auf sie für eine genaue Erkennung und Analyse verlassen können. Dies kann zu weiteren Fortschritten im Verständnis zellulärer Prozesse und deren Anwendungen in der Medizin führen.

#Fazit

Zusammenfassend zeigt diese Arbeit den Wert orientierter Begrenzungsrahmen bei der Erkennung und Analyse von Zellen in Hellfeldmikroskopiebildern. Die Einführung des Oriented Cell Dataset bietet eine neue Ressource für die wissenschaftliche Gemeinschaft, die ein besseres Training von Detektoren und Analyseprozessen ermöglicht. Die erfolgreiche Anwendung von OBBs in verschiedenen biologischen Aufgaben zeigt vielversprechende Möglichkeiten für zukünftige Fortschritte und Verbesserungen in der Zellforschung. Durch die Rationalisierung der Prozesse von Erkennung und Analyse können OBBs tiefere Einblicke in Zellverhalten und deren Implikationen für Gesundheit und Krankheit erleichtern.