顕微鏡画像処理におけるAI

概要

Cellposeは、顕微鏡画像向けに設計された高度な深層学習ベースのセグメンテーションツールです。汎用アルゴリズムとして、モデルの再学習を必要とせずに多様な細胞タイプ（核、細胞質など）や異なるイメージングモダリティに対して正確にセグメント化します。人間の介入機能により、研究者は結果を微調整し、モデルを自身のデータに適応させ、2Dおよび3Dのイメージングワークフローに適用できます。

主な特徴

ダウンロードまたはアクセス

技術的背景

Cellposeは、Stringer、Wang、Michaelos、Pachitariuによる画期的な研究で発表され、7万以上のセグメント化されたオブジェクトを含む大規模かつ多様なデータセットで学習されました。この多様性により、細胞の形状やサイズ、顕微鏡の設定を超えてモデルが汎用化され、多くのケースでカスタムトレーニングの必要性を大幅に削減しています。3Dデータに対しては、完全な3D注釈付きトレーニングデータを必要とせず、2Dモデルを「2.5D」方式で巧みに再利用し、体積的なセグメンテーションを実現しています。Cellpose 2.0では人間の介入による再学習が導入され、ユーザーが予測を手動で修正し、自身の画像で再学習させることで特定のデータセットに対する性能を向上させることが可能です。

インストールとセットアップ

conda create -n cellpose python=3.10

# For GUI support
pip install cellpose[gui]

# For minimal setup (API/CLI only)
pip install cellpose

はじめに

GUIモード

1. 次のコマンドでGUIを起動します：python -m cellpose
2. 画像ファイル（.tif、.pngなど）をインターフェースにドラッグ＆ドロップ
3. モデルタイプを選択（例：「cyto」は細胞質、「nuclei」は核）
4. 推定細胞直径を設定するか、Cellposeに自動調整させる
5. セグメンテーションを開始し、結果を表示

Python APIモード

from cellpose import models

# Load model
model = models.Cellpose(model_type='cyto')

# Segment images
masks, flows = model.eval(images, diameter=30)

微調整と再学習

1. マスク生成後、GUIでマスクを手動で結合または削除してセグメンテーションを修正
2. 組み込みのトレーニング機能を使い、修正済みの例で再学習
3. 特定のデータセットでモデル性能が向上

3Dデータの処理

1. マルチZ TIFFまたは体積スタックを読み込む
2. GUIまたはAPIで--Zstackフラグを使い3Dとして処理
3. 必要に応じてスムージングや専用パラメータで3Dフローを微調整し、セグメンテーションを改善

制限事項と注意点

• モデルの汎用性とトレードオフ：汎用モデルは広範囲に対応しますが、非常に特殊な細胞形状やイメージング条件では再学習が必要になることがあります。
• アノテーションの手間：人間の介入によるトレーニングは手動修正が必要で、大規模データセットでは時間がかかる場合があります。
• インストールの複雑さ：GUIのインストールにはコマンドライン操作、conda環境の管理、Python依存関係の調整が必要で、プログラミング経験のない方には必ずしも簡単ではありません。
• デスクトップ専用：Cellposeはデスクトップ利用を想定しており、ネイティブのAndroidやiOSアプリは提供されていません。

よくある質問

概要

StarDistは顕微鏡画像のインスタンスセグメンテーションのための深層学習ツールです。各オブジェクト（細胞核など）を2Dの星形凸多角形または3Dの多面体として表現し、密集または重なり合ったオブジェクトの正確な検出と分離を可能にします。その堅牢なアーキテクチャにより、蛍光顕微鏡、組織病理学、その他のバイオイメージ解析で広く利用されています。

主な特徴

技術的背景

StarDistは2018年のMICCAI論文で初めて紹介され、固定された放射状レイに沿った距離と各ピクセルの物体確率を予測する革新的な手法により、星形凸形状の正確な再構築を可能にしました。このアプローチは、従来のピクセルベースやバウンディングボックス手法では分離が困難な密着したオブジェクトの信頼性の高いセグメンテーションを実現します。

最近の開発では、StarDistは組織病理学画像にも拡張され、核のセグメンテーションだけでなく検出オブジェクトのマルチクラス分類も可能になりました。この手法はCoNIC（大腸核識別およびカウント）チャレンジなどでトップパフォーマンスを達成しています。

ダウンロードまたはアクセス

インストールとセットアップ

pip install stardist

pip install stardist-napari

セグメンテーションの実行

from stardist.models import StarDist2D
model = StarDist2D.from_pretrained('2D_versatile_fluo')
labels, details = model.predict_instances(image)

トレーニングとファインチューニング

ポストプロセッシングオプション

• 非最大抑制（NMS）を適用して冗長な候補形状を除去
• StarDist OPP（オブジェクトポストプロセッシング）を使用して非星形凸形状のマスクを統合

制限事項と注意点

• 星形凸の仮定は、非常に非凸または不規則な形状を完全にはモデル化できない場合があります
• インストールの複雑さ：カスタムインストールには拡張機能のビルド用に対応するC++コンパイラが必要です
• GPUアクセラレーションは対応するTensorFlow、CUDA、cuDNNのバージョンに依存します
• 一部ユーザーはJava設定の問題によりImageJプラグインの実行で問題を報告しています

よくある質問

アプリケーション情報

概要

SAM（Segment Anything Model）は、Metaが開発した強力なAI基盤モデルで、画像内のほぼすべてのオブジェクトを対話的かつ自動的にセグメンテーション可能です。ポイント、バウンディングボックス、ラフマスクなどのプロンプトを用いて、タスク固有の再学習なしにセグメンテーションマスクを生成します。顕微鏡研究分野では、細胞セグメンテーション、細胞小器官検出、組織病理解析に適応され、プロンプト可能な汎用セグメンテーションツールとして研究者にスケーラブルなソリューションを提供しています。

詳細紹介

Metaによって11百万枚の画像、10億以上のマスクを用いて学習されたSAMは、新規ドメインに対して「ゼロショット」性能を発揮するプロンプト可能な基盤モデルとして設計されました。医療画像研究では、全スライド病理セグメンテーション、腫瘍検出、細胞核識別に評価されています。しかし、細胞核のような密集したインスタンスに対する性能はまちまちで、20回のクリックやボックスなど多くのプロンプトを用いても、複雑な顕微鏡画像ではゼロショットセグメンテーションが困難な場合があります。

この制約に対応するため、ドメイン固有の適応が進んでいます：

• SAMCell — 大規模顕微鏡データセットで微調整され、実験ごとの再学習なしに多様な細胞タイプで強力なゼロショットセグメンテーションを実現
• μSAM — 17,000枚以上の手動注釈付き顕微鏡画像で再学習され、小さな細胞構造の精度向上を図る

主な特徴

ダウンロードまたはアクセス

ユーザーガイド

制限事項と考慮点

• ドメイン調整なしでは密集または重複構造に対するゼロショット性能が不安定
• セグメンテーション品質はプロンプト設計と戦略に大きく依存
• GPUの使用を強く推奨；CPU推論は非常に遅い
• 超高解像度の全スライド画像や多スケール組織構造には苦戦
• 顕微鏡用途への微調整や適応には機械学習の専門知識が必要な場合あり

よくある質問

概要

AxonDeepSegは、顕微鏡画像における軸索と髄鞘の自動セグメンテーションのためのAI搭載ツールです。畳み込みニューラルネットワークを用いて、TEM、SEM、明視野顕微鏡など複数の撮影モダリティにわたり、軸索、髄鞘、背景の3クラスを正確にセグメントします。軸索径、g比、髄鞘厚などの形態計測を自動化することで、神経科学研究における定量解析を効率化し、手動アノテーションの時間を大幅に削減し、再現性を向上させます。

主な特徴

技術詳細

NeuroPolyラボによって開発されたAxonDeepSegは、神経科学用途において高精度なセグメンテーションを実現する深層学習技術を活用しています。異なる顕微鏡モダリティ向けの事前学習済みモデルを提供し、多様な撮影技術に対応可能です。Napariとの統合により、難しいデータセットに対してもセグメンテーションマスクのインタラクティブな修正が可能で、精度を高めます。AxonDeepSegは主要な形態計測指標を算出し、神経組織構造や病理のハイスループット研究を支援します。Pythonベースのフレームワークにより、軸索および髄鞘形態の大規模解析用カスタムパイプラインへの組み込みが容易です。

ダウンロードまたはアクセス

インストールとセットアップ

pip install axondeepseg napari

重要な注意点

• 未学習または新規の撮影モダリティでは性能が低下する可能性があります
• 複雑または難しい領域では手動修正が必要になる場合があります
• 大規模データセットの高速処理にはGPU推奨；CPU処理も対応可能です

よくある質問

概要

Ilastikは、顕微鏡データのインタラクティブな画像セグメンテーション、分類、解析のための強力なAI駆動ツールです。ランダムフォレスト分類器などの機械学習技術を用いて、ピクセルのセグメンテーション、オブジェクトの分類、細胞の時間経過追跡、密度カウントを2Dおよび3Dデータセットで可能にします。直感的なインターフェースとリアルタイムフィードバックにより、プログラミングの専門知識がない研究者にも利用しやすく、細胞生物学、神経科学、医用画像分野で広く採用されています。

主な特徴

ダウンロード

はじめにガイド

制限事項と注意点

• インタラクティブなラベリングは非常に大きなデータセットでは時間がかかる場合があります
• 精度はユーザーの注釈の質と代表性に依存します
• メモリ要件 — 非常に高解像度または数ギガバイトのデータセットは大量のRAMを必要とする場合があります
• 複雑なデータ — ランダムフォレスト分類器は、変動が大きいまたは複雑な画像データに対して深層ニューラルネットワークより性能が劣る場合があります

よくある質問