Avanços na Detecção de Células Usando Caixas Delimitadoras Orientadas

Detectar e rastrear células vivas em imagens tiradas com microscópios é muito importante para várias tarefas médicas e de pesquisa. Essas tarefas incluem estudar como as células crescem, se movem, invadem outras áreas, mudam de forma e como as moléculas dentro das células estão localizadas. A microscopia de campo claro tem algumas vantagens. Ela não precisa de marcadores fluorescentes nas células, causa menos dano nas células e os microscópios geralmente são mais baratos. No entanto, as imagens de campo claro têm uma desvantagem: elas são difíceis de analisar automaticamente porque têm um contraste menor em relação ao fundo, se comparadas às imagens tiradas com técnicas fluorescentes. Isso pode levar a imagens que parecem semelhantes às próprias células.

Várias técnicas foram sugeridas para detectar células em imagens de campo claro. Devido à variedade de microscópios e tipos de células usados, é difícil aplicar o mesmo método em diferentes configurações. Além de apenas detectar células, medir seu tamanho e forma é importante para identificar certas características, como envelhecimento e mudanças que acontecem durante doenças.

As Caixas Delimitadoras Horizontais (HBBs) são comumente usadas para detectar objetos. No entanto, elas não capturam com precisão a verdadeira forma e tamanho das células. Outro método é obter máscaras completas das células através de Segmentação, mas esse processo geralmente é trabalhoso e difícil, especialmente para imagens sobrepostas ou pouco claras. Acreditamos que as Caixas Delimitadoras Orientadas (OBBs) são uma opção melhor para representar células em imagens de microscopia. As OBBs incluem um parâmetro extra de ângulo, que permite uma representação melhor das formas celulares alongadas.

#A Importância da Medição Celular

Medir o tamanho e a forma das células é crucial para analisar suas características. Por exemplo, diferenças nas formas das células podem indicar envelhecimento ou como elas reagem a tratamentos. Usando OBBs, podemos representar a forma das células de maneira mais precisa. Isso é importante porque as HBBs muitas vezes incluem áreas de fundo desnecessárias e não capturam com precisão a aparência de células alongadas ou orientadas.

Uma grande vantagem de usar OBBs é que elas podem ajudar a melhorar o rastreamento das células ao longo do tempo, o que pode levar a uma melhor análise de seu movimento e comportamento em várias condições.

#Trabalhos Relacionados à Detecção Celular

Existem muitas abordagens para contar, detectar e segmentar células em imagens de campo claro, com métodos de aprendizado profundo produzindo os melhores resultados. Esses métodos diferem na arquitetura da rede e no nível de assistência necessário para rotular os dados de treinamento. Por exemplo, localizar apenas o centro de uma célula requer um ponto de supervisão, enquanto encontrar limites celulares com uma HBB precisa de dois pontos, e OBBs precisam de mais um ponto para determinar a orientação.

Algumas técnicas usam versões modificadas de algoritmos de detecção de objetos, como Faster-RCNN. Há melhorias substanciais na detecção geral de objetos usando HBBs, mas essa representação tem dificuldades em cenários lotados, especialmente quando células alongadas estão envolvidas. Embora haja trabalhos usando OBBs, eles se concentram principalmente em aplicações especializadas.

#O Conjunto de Dados de Células Orientadas

Para avançar nessa área de pesquisa, propomos um novo conjunto de dados público chamado Conjunto de Dados de Células Orientadas (OCD), que contém imagens de células vivas anotadas com OBBs. Esse conjunto de dados consiste em imagens obtidas de vários microscópios e linhas celulares, permitindo que os pesquisadores estudem o comportamento celular em diferentes ambientes.

Nosso conjunto de dados contém três divisões:

1. Treinamento: 120 imagens para treinar sistemas de detecção.
2. Teste: 30 imagens para testar o desempenho do modelo.
3. Comparação de Anotadores: 10 imagens para analisar a confiabilidade entre anotadores e validar aplicações biológicas.

Cada imagem nos conjuntos de Treinamento e Teste é anotada por um único especialista, enquanto o conjunto de Comparação de Anotadores inclui múltiplas anotações para uma análise robusta. Esse conjunto de dados é crucial para avaliar como as OBBs podem ajudar em tarefas automáticas de detecção celular.

#Metodologia: Obtenção de Anotações

O conjunto de dados OCD foi criado anotando manualmente imagens usando uma ferramenta específica que permite aos pesquisadores definir OBBs para cada célula. As células foram identificadas como alongadas ou redondas. No total, mais de 6.700 OBBs foram anotadas. A área ocupada pelas células em cada imagem foi calculada para ajudar na estimativa da confluência celular, definida como a proporção da imagem ocupada por células.

#Experimentos e Aplicações

Nossos experimentos começaram avaliando se as OBBs eram adequadas para aproximar as formas celulares. Depois disso, realizamos uma avaliação entre anotadores para verificar a consistência entre os anotadores humanos. Essa análise ajuda a determinar se os métodos de detecção automática produzem resultados comparáveis aos obtidos por especialistas humanos.

Também treinamos vários modelos de detecção de objetos usando nosso conjunto de dados. Esses modelos foram avaliados quanto à precisão na detecção de células e na estimativa de medidas biológicas relevantes, como confluência e Polaridade Celular.

#Avaliando as OBBs como Representações Celulares

Para ver se as OBBs são boas representações das formas celulares, as comparamos com outros métodos usando conjuntos de dados de validação. Os resultados mostraram que as OBBs e os Elipses Orientados (OEs) melhoraram significativamente a estimativa de forma em comparação às HBBs. Enquanto as OBBs exigiram menos cliques do usuário durante a anotação, as máscaras de segmentação precisaram de muitos mais cliques, destacando a eficiência de usar OBBs.

#Avaliação entre Anotadores

Anotações humanas variam, e esperamos um certo nível de desacordo entre especialistas, especialmente em conjuntos de dados desafiadores. Exploramos essa variabilidade usando uma estatística chamada Alpha de Krippendorff, que avalia o acordo entre os anotadores. Nossos resultados indicaram um bom nível de concordância, o que apoia a confiabilidade do nosso conjunto de dados.

Para analisar mais a fundo os fatores que afetam a qualidade da anotação, examinamos como a Interseção sobre a União (IoU) impacta métricas como precisão e recall. Os resultados mostram que usar limiares padrão usados na detecção de objetos pode não ser adequado para a detecção celular com OBBs.

#Treinamento de Modelos de Detecção de Objetos

Treinamos vários detectores de OBB em nosso conjunto de dados, usando diferentes algoritmos. O processo envolveu recortar imagens para tamanhos gerenciáveis para o treinamento. Nossos resultados destacaram que um dos modelos, R2CNN, alcançou o melhor desempenho na detecção de células ao usar as anotações do nosso conjunto de dados.

#Aplicações Biológicas da Detecção de Células com OBB

A capacidade de detectar células automaticamente oferece insights valiosos, especialmente em aplicações biológicas. Investigamos como o uso de OBBs poderia ajudar na estimativa precisa da confluência e polaridade celular. Os modelos treinados com OBBs mostraram que poderiam produzir resultados comparáveis aos dos anotadores humanos, avaliando efetivamente quão lotada uma imagem específica é e determinando a orientação celular.

#Estimando a Confluência Celular

Ao calcular quanto espaço as células ocupam, uma maior precisão foi alcançada usando OBBs em comparação com HBBs. Nossas análises estatísticas confirmaram que a maioria dos modelos forneceu resultados que se alinharam bem com as estimativas humanas de confluência celular, o que é crucial para vários experimentos biológicos.

#Determinando a Polaridade Celular

A polaridade é essencial para entender como as células se comportam e suas mudanças na morfologia. Usar OBBs permite avaliações precisas das formas celulares. Nossa análise do desempenho dos modelos na detecção da polaridade celular mostrou que eles eram geralmente comparáveis às avaliações de especialistas.

#Visão Geral dos Resultados

Nosso estudo fornece evidências fortes a favor do uso de OBBs para detecção de células em microscopia de campo claro. A criação do conjunto de dados OCD permite uma melhor automação no estudo do comportamento celular, e os desempenhos dos modelos sugerem que os pesquisadores podem confiar neles para detecções e análises precisas. Isso pode levar a avanços adicionais na compreensão dos processos celulares e suas aplicações na medicina.

#Conclusão

Resumindo, este trabalho demonstra o valor das Caixas Delimitadoras Orientadas na detecção e análise de células em imagens de microscopia de campo claro. A introdução do Conjunto de Dados de Células Orientadas fornece um novo recurso para a comunidade científica, permitindo um melhor treinamento de detectores e processos de análise. A aplicação bem-sucedida de OBBs em várias tarefas biológicas mostra potencial para avanços e melhorias futuras nas metodologias de pesquisa celular. Ao simplificar os processos de detecção e análise, as OBBs podem facilitar insights mais profundos sobre os comportamentos celulares e suas implicações em saúde e doença.