세포 이미지 분석을 위한 AI, 머신러닝, 딥러닝 도구
자동화 이미지 분석 실험과정에서의 인공 지능
최근 이미지 분석에서 인공 지능(AI)에 도달하기 위한 접근 방식인 머신러닝 방식의 채택이 여러 연구 분야에서 빠르게 추진되고 있습니다. 딥러닝은 인공 신경망을 기반으로 한 넓은 범위의 머신러닝 알고리즘의 일환입니다. 딥러닝 구조는 의료, 병리학, 생물학적 imaging 응용 분야에서 복잡한 분석 문제를 성공적으로 해결하였습니다.
AI 용어 정의하기:
인공 지능(AI) – 컴퓨터 시스템에 의한 인간 지능 프로세스의 시뮬레이션입니다.
머신 러닝(ML) – 알고리즘을 사용하여 기존 데이터를 기반으로 패턴을 결정하거나 예측하여 AI에 도달하는 접근 방식입니다. 이후 머신러닝 알고리즘이 자동으로 규칙을 추론하여 분류합니다.
딥러닝(DL) - 합성곱 신경망(CNN)을 사용하여 입력/출력 관계를 학습하는 머신 러닝 방법의 하위 집합입니다. CNN은 ‘뉴런’ 또는 계산적 세포로 구성된 여러 층으로 표현되는 수학적 모델입니다.
시간 경과에 따른 환자 유래 스페로이드에 대한 화합물 처리의 형태 측정학적 분석. A) 1일차, 3일차, 5 처리 후에 Brightfield Imaging을 사용하여 스페로이드를 monitoring했습니다. IN Carta 소프트웨어(마젠타 오버레이)에서 SINAP를 사용하여 이미지를 분할했습니다.
머신 러닝은 이미지 분할과 객체 분류를 향상시킵니다.
자동화 이미지 분석은 대부분의 high-content imaging 플랫폼에서 필수적인 부분입니다. 실시간으로 세포와 오가노이드를 monitoring한 다음 의미 있는 정보를 추출하는 기능은 비표지 Transmitted Light 이미지의 견고한 이미지 분석에 따릅니다. Brightfield 이미지 분석과 연관된 어려움에는 낮은 대비, 고르지 않은 배경 및 imaging 아티팩트가 포함됩니다. 정의된 전체 Parameter 집합은 brightfield에서 imaging된 객체를 분할하기 어렵습니다. 머신러닝의 최근 발전은 이미지 분석 실험과정을 개선하고 복잡한 데이터 세트에서 보다 견고한 이미지 분할을 가능하게 합니다.
생체 이미지 분석에서 딥러닝은 까다로운 이미지 분할 및 객체 추적을 처리할 수 있는 강력한 도구들을 제공합니다. 기존 이미지 분석에는 일반적으로 다운스트림 정량분석을 위한 관심 대상을 분할하기 위해 고정된 parameter 집합을 정의하는 작업이 포함됩니다. 하지만 이러한 기본 설정 parameter는 실험 조건의 변동성이 높아 모든 실험에 적용되는 것은 아닙니다. 분석 프로토콜에 대한 수동 조정은 High-Throughput 환경의 imaging 데이터의 방대한 양으로 인해 실용적이지 않습니다.
이러한 문제를 극복하려면, 이미지 분석 실험과정을 자동화하기 위한 이미지 분할 및 객체 분류에 머신러닝 도구를 사용할 수 있습니다.
머신러닝 기반의 high-throughput 분석을 위한 IN Carta 이미지 분석 소프트웨어
IN Carta® 이미지 분석 소프트웨어는 이미지 분석 실험과정에 AI 도구를 포함하는 직관적인 사용자 인터페이스를 제공합니다. 머신러닝을 활용하는 IN Carta 소프트웨어의 두 가지 주요 구성 요소는 소프트웨어 모듈 SINAP 및 Phenoglyphs입니다. 딥러닝 기반 SINAP는 인간이 최소한으로 개입하여 복잡한 관심 대상(예: 줄기 세포 콜로니 또는 오가노이드)을 견고하게 측정하여 이미지 분석의 첫 번째 단계에서 정확도와 신뢰도를 향상시킵니다. 분석 결과에는 형태, 강도 및 질감 측정값이 포함됩니다.
데이터 분류는 머신러닝 기반 Phenoglyphs에도 사용할 수 있습니다. Phenoglyphs는 SINAP에서 추출한 수백 개의 이미지 디스크립터를 사용하여 유사한 시각적 모양을 가진 객체를 그룹화하기 위한 최적의 규칙 집합을 만듭니다. 두 모듈 모두 비지도 결정을 활용하여 사용자 입력을 통해 반복적으로 최적화되는 초기 결과를 생성합니다. 이와 함께, 사용하기 쉬운 엔드투엔드 실험과정을 통해 결과의 무결성과 정확도를 향상시킵니다.
IN Carta SINAP를 사용하여 객체 분할에 딥러닝 적용
현미경 이미지의 자동 객체 분할은 데이터세트의 다양한 특성으로 인해 어려울 수 있습니다. IN Carta 이미지 분석 소프트웨어는 이러한 어려운 문제를 해결하기 위해 심층 합성곱 신경망 학습 알고리즘을 활용하는 훈련 가능한 분할 모듈인 SINAP을 사용합니다.
SINAP는 딥러닝을 사용하기 때문에 연구 중인 시험 치료에서 발생하는 샘플 모양의 상당한 변동성을 설명할 수 있습니다. 각 치료가 동일한 수준의 정확도로 분할되도록 하여 이 단계에서 추출된 정보는 신뢰할 수 있고 추가 분석 단계에서 치료를 비교하는 데 유용합니다.
머신러닝 기반 모델을 사용하여 이미지 분할 문제를 해결하세요.
A) 정량분석이 어려운 다양한 생물학적 모델의 예시를 제시합니다. 미세 공동 플레이트에서 성장한 3D 스페로이드는 각 미세 공동 주위에 객체 분할을 방해하는 그림자를 생성합니다(화살표). 3D 오가노이드는 Matrigel에서 성장하여 Matrigel 돔의 왜곡과 imaging 평면(상자) 너머의 물체로 인해 균일하지 않은 배경을 생성하는 경우가 많습니다. iPSC는 비교적 평평한 면에서 배양되어 성장합니다. 결과적으로 낮은 대비(파란색 화살표)와 세포 파편(노란색 화살표)은 iPSC 콜로니의 견고한 이미지 분할을 저해합니다.
B) 모델 훈련 실험과정 개요: 학습용 이미지 생성 > 모델 학습 > 모델 테스트 > 반복.
C) 표시된 예시 이미지와 함께 SINAP를 사용하여 IN Carta 소프트웨어에서 모델을 생성하는 주요 단계. 관심 대상 및 배경을 표시하기 위해 라벨링 도구를 사용하여 이미지에 주석을 달았습니다. 정답을 나타내는 주석이 있는 이미지를 훈련 세트에 추가합니다. 학습 단계에서는 가장 적합한 기존 모델과 사용자 지정 주석을 기반으로 모델을 생성합니다. 표시된 예에서는 1~3단계를 반복하여 분할 마스크(3단계)를 수정해야 합니다.
IN Carta Phenoglyphs를 사용하여 객체 분류에 머신러닝 적용
사용자는 Phenoglyphs 모듈이 전체 데이터 세트에 모델을 적용하기 전에 각 분류에 대한 소수의 예시를 검토하고 이를 입력하기만 하면 됩니다. 이 접근 방식은 분류 할당 첫 번째 단계에서 사용자 입력의 필요성을 최소화하므로 시간을 상당히 절약할 수 있게 합니다.
머신러닝 기반 응용 분야
기존의 이미지 분석 방법은 수동 또는 반자동 방식으로 수행하게 되면 엄청나게 복잡하며 시간이 많이 소요될 수 있습니다. 작업이 복잡하며 그 세부적인 특성으로 인해 항상 사람이 실수하거나 비뚤림이 존재할 수 있습니다. 여기에 실험과정이 반복적이고, 시간이 오래 걸리며, 종종 노동력이 많이 소요되는 속성이 있다면, 머신러닝을 적용할 수 있습니다.
ImageXpress Confocal HT.ai 시스템과 결합된 IN Carta의 딥러닝 소프트웨어가 개인 간 편차, 인적 오류 및 비뚤림을 제거하여 데이터 품질과 신뢰도를 개선하고 실험과정과 효율성을 어떻게 최적화하였는지 자세히 알아보세요.
데이터에 대한 더 깊은 인사이트를 얻기 위해 IN Carta에서 StratoMineR로 데이터 세트 내보내기
IN Carta 이미지 분석 소프트웨어는 고급 AI 기술을 활용하여 복잡한 생물학적 이미지와 데이터 세트에서 견고하고 정량적인 결과를 제공합니다. 이와 같은 데이터를 직관적인 웹 기반 플랫폼인 StratoMineR로 직접 가져오세요. StratoMineR는 사용자가 High-Content, 다중 매개변수 데이터 분석의 일반적인 실험과정을 수행할 수 있도록 합니다.
