Avancées dans la segmentation cellulaire 3D avec SwinCell

Les cellules sont les briques de tous les êtres vivants, y compris les humains et les plantes. Comprendre comment elles se comportent et comment elles sont agencées dans les tissus est super important pour étudier les maladies et développer des traitements. Pour analyser ces cellules de manière précise, les chercheurs doivent examiner leur structure en trois dimensions (3D). C'est parce que les cellules existent dans un espace tridimensionnel, et leurs formes et arrangements peuvent avoir un gros impact sur leur fonctionnement.

Ces dernières années, les scientifiques ont mis au point plein de techniques d'imagerie 3D qui leur permettent de capturer des images détaillées des cellules. Parmi les méthodes populaires, on trouve l'holotomographie 3D, la tomographie par ordinateur à rayons X, la microscopie confocale, la tomographie électronique cryo et la microscopie électronique volumique. Ces méthodes génèrent une tonne de données, ce qui rend essentiel d'avoir des techniques d'analyse d'image efficaces pour bien interpréter ces infos.

#Le rôle de la Segmentation 3D

Une des tâches clés dans l'analyse d'images 3D des cellules s'appelle la segmentation. La segmentation consiste à séparer les cellules individuelles dans les images. Cette étape est cruciale car elle aide les scientifiques à mesurer des trucs comme le volume cellulaire, la forme et comment les cellules se rapportent les unes aux autres dans l'espace. Ces mesures peuvent donner des infos importantes sur les processus biologiques, surtout dans le développement de médicaments, où l'arrangement des cellules peut influencer l'efficacité d'un traitement.

Pour réussir une segmentation précise, les chercheurs utilisent maintenant des algorithmes avancés. L'Apprentissage automatique, et en particulier l'apprentissage profond, a montré beaucoup de promesses pour améliorer la précision de la segmentation dans les images 2D. Des modèles d'apprentissage profond comme U-Net et Mask-RCNN ont été largement adoptés pour segmenter des images 2D et se sont révélés efficaces dans diverses techniques d'imagerie.

#Défis de la segmentation cellulaire 3D

Cependant, segmenter des images denses de cellules en 3D reste un défi. Les modèles traditionnels étaient conçus pour les images 2D, et les adapter à la 3D n'est pas simple. Par exemple, certaines méthodes utilisent des représentations de forme, comme les cartes de distance, pour améliorer la séparation des cellules adjacentes. Une de ces méthodes s'appelle Mesmer, qui combine plusieurs techniques pour segmenter des images cellulaires denses. Un autre modèle nommé Cellpose prédit comment les gradients de flux doivent se comporter dans chaque dimension de l'image et utilise ces infos pour suivre les pixels de cellules connectés.

Bien que certaines tentatives précédentes aient été faites pour étendre les algorithmes de segmentation 2D à la 3D, il y a encore des limites. Par exemple, un modèle appelé StarDist3D a été conçu pour fonctionner en 3D mais suppose que toutes les cellules ont un type de forme spécifique (appelée étoile-convexe), ce qui n'est pas toujours vrai. En plus, les méthodes utilisées pour traiter la sortie du modèle peuvent involontairement supprimer la détection de cellules valides, notamment lorsque les cellules sont proches les unes des autres.

Le principal défi dans une segmentation 3D efficace est le besoin de modèles qui peuvent apprendre à interpréter précisément les formes 3D. Les réseaux de neurones convolutifs (CNN), qui sont couramment utilisés dans l'apprentissage automatique, ont une capacité limitée à capturer le contexte plus large des cellules parce qu'ils ne considèrent que des régions localisées des images. À l'inverse, un autre type de modèle appelé Transformers peut prendre en compte des informations sur des plages plus longues lorsqu'il examine des images, ce qui les rend potentiellement plus adaptés aux tâches de segmentation 3D.

#Présentation du cadre SwinCell

Face à ces défis, un nouveau cadre appelé SwinCell 3D a été développé. SwinCell combine les forces de l'architecture Swin-transformer avec un modèle de type U-net pour améliorer les prévisions de flux et améliorer la précision des prédictions de masques cellulaires dans les images 3D. Le modèle SwinCell a été testé sur divers ensembles de données, y compris deux ensembles de données publiques et un ensemble de données généré à l'aide de l'holotomographie 3D Nanolive.

Le cadre SwinCell permet une approche plus unifiée de la segmentation cellulaire. Le processus commence par le marquage manuel d'un sous-ensemble d'images 3D brutes pour créer des données d'entraînement avec des masques 3D. Ces masques aident à distinguer les limites des cellules individuelles de l'arrière-plan, ce qui permet au modèle d'apprendre à identifier les cellules. Les représentations de flux des cellules fournissent des infos géométriques supplémentaires et permettent au modèle de segmenter efficacement les cellules individuelles.

#Workflow de SwinCell

Le workflow pour utiliser le modèle SwinCell inclut plusieurs étapes :

1. Étiquetage et annotation des images : Les images 3D brutes sont étiquetées manuellement pour séparer les cellules de l'arrière-plan afin de créer des masques d'entraînement.
2. Transformation des étiquettes et génération de flux : Les étiquettes sémantiques sont transformées en étiquettes d'instance, produisant des flux de gradient qui fournissent plus de détails géométriques des cellules.
3. Entraînement du modèle : Le modèle est entraîné à l'aide de patchs d'images 3D recadrés aléatoirement, le modèle apprend à prédire les flux cellulaires et une carte de probabilité pour les cellules.
4. Architecture du modèle : L'architecture comprend un système multi-niveaux qui permet d'apprendre à différentes résolutions. Le modèle dispose d'un encodeur avec des unités Swin-Transformer et d'un décodeur pour le suréchantillonnage.
5. Inférence du modèle : Le modèle prend des images brutes et génère des prédictions, qui sont assemblées pour reconstruire l'image cellulaire complète.

Ces étapes garantissent que le modèle apprend efficacement et peut produire des prédictions précises.

#Évaluation des performances de SwinCell

Les performances du modèle SwinCell ont été évaluées à l'aide de plusieurs ensembles de données. Un de ces ensembles de données est l'ensemble de données Allencell, qui consiste en un grand nombre de cellules uniques à partir d'images de cellules vivantes. Les résultats de segmentation du modèle ont été comparés à ceux du modèle Cellpose largement utilisé.

Lors du test de l'ensemble de données Allencell, le modèle SwinCell a montré des performances supérieures par rapport aux différentes versions du modèle Cellpose. Les résultats de segmentation indiquaient que SwinCell était capable d'identifier avec précision les formes cellulaires et leurs emplacements, atteignant des scores élevés en précision et en rappel. En revanche, le modèle Cellpose produisait souvent des faux positifs et des artefacts en raison de sa dépendance à une approche 2D.

Un autre ensemble de données utilisé pour l'évaluation était un ensemble de données synthétiques de cellules du côlon qui a généré des modèles réalistes de tissus coliques. Les cellules densément packées dans cet ensemble de données ont présenté un défi pour la segmentation. Le modèle SwinCell a segmenté avec précision un grand nombre de cellules, atteignant de solides scores de précision et de rappel, tandis que le modèle Cellpose a eu du mal, produisant un nombre plus faible de vrais positifs et un nombre élevé de faux positifs.

#Segmentation des données holotomographiques 3D internes

Pour démontrer la polyvalence de SwinCell, le modèle a été appliqué à des données d'holotomographie 3D internes collectées à partir de cellules HEK293. Cet ensemble de données contenait des détails cellulaires complexes, et le modèle SwinCell a pu produire d'excellents résultats de segmentation.

Après avoir étiqueté manuellement les images et entraîné le modèle, le cadre SwinCell a atteint de solides performances de segmentation. Il a pu délimiter avec précision les limites des cellules et surpasser le modèle Cellpose en termes de précision, de rappel et de précision globale.

#Avantages de SwinCell

Un des principaux avantages du modèle SwinCell est sa capacité à tirer parti de l'architecture unique du Swin-transformer, lui permettant de capturer le contexte global tout en maintenant des détails locaux. L'utilisation de fenêtres décalées pour l'auto-attention réduit la complexité computationnelle et permet un traitement plus efficace des données 3D.

De plus, SwinCell intègre des prévisions de flux, ce qui contribue à des segmentations plus fluides et plus cohérentes. C'est une amélioration significative par rapport aux modèles 2D traditionnels, qui produisent souvent des images fragmentées en raison de leurs limitations inhérentes à la gestion des données 3D.

SwinCell a également montré de solides performances à travers différents ensembles de données, démontrant son adaptabilité. Que ce soit pour analyser des noyaux, des cellules de tissu ou des cellules cultivées, le modèle a produit des résultats fiables et a pu maintenir des mesures cohérentes.

#Directions futures

À l'avenir, une priorité clé reste le besoin de plus d'ensembles de données 3D étiquetés pour former efficacement les modèles. La tâche de créer des masques de segmentation 3D précis est souvent laborieuse, ce qui peut freiner le développement de modèles universellement applicables. Pour y remédier, les chercheurs prévoient d'utiliser des techniques de génération de données synthétiques, qui peuvent fournir de vastes ensembles de données étiquetés sans avoir besoin d'annotation manuelle.

Une autre direction potentielle consiste à utiliser des approches d'apprentissage auto-supervisé, qui permettent aux modèles d'apprendre à partir de données non étiquetées. Cela pourrait être particulièrement bénéfique pour l'architecture SwinCell grâce à sa capacité à capturer des motifs complexes dans les images 3D.

À mesure que la disponibilité des données cellulaires 3D étiquetées augmente, il y a de l'optimisme quant au développement de modèles de segmentation complets et universellement adaptables qui peuvent répondre à divers besoins de recherche.

#Conclusion

En résumé, le modèle SwinCell représente une avancée notable dans le domaine de la segmentation cellulaire 3D. En combinant les forces d'algorithmes et d'architectures avancées, il répond à beaucoup de défis associés à la segmentation d'images cellulaires denses. Avec des résultats prometteurs à travers plusieurs ensembles de données, SwinCell offre un outil puissant pour les chercheurs qui étudient le comportement et la fonction cellulaire en trois dimensions. À mesure que la technologie continue d'avancer, les connaissances tirées de ces modèles permettront d'enrichir notre compréhension des processus biologiques et de leurs implications pour la santé et les maladies.