AI trong xử lý hình ảnh kính hiển vi

Tổng quan

Cellpose là công cụ phân đoạn tiên tiến dựa trên học sâu, được thiết kế cho hình ảnh kính hiển vi. Là thuật toán đa năng, nó phân đoạn chính xác nhiều loại tế bào khác nhau (nhân, tế bào chất, v.v.) trên các phương thức chụp khác nhau mà không cần huấn luyện lại mô hình. Với khả năng có sự tham gia của người dùng, các nhà nghiên cứu có thể tinh chỉnh kết quả, điều chỉnh mô hình theo dữ liệu của họ và áp dụng hệ thống cho cả quy trình làm việc ảnh 2D và 3D.

Tính năng chính

Tải về hoặc truy cập

Nền tảng kỹ thuật

Cellpose được giới thiệu trong một nghiên cứu quan trọng của Stringer, Wang, Michaelos và Pachitariu, được huấn luyện trên bộ dữ liệu lớn và rất đa dạng với hơn 70.000 đối tượng đã phân đoạn. Sự đa dạng này giúp mô hình tổng quát hóa trên các hình dạng, kích thước tế bào và các thiết lập kính hiển vi khác nhau, giảm đáng kể nhu cầu huấn luyện tùy chỉnh trong hầu hết các trường hợp sử dụng. Đối với dữ liệu 3D, Cellpose khéo léo tái sử dụng mô hình 2D theo cách "2.5D", tránh cần dữ liệu huấn luyện có chú thích 3D đầy đủ nhưng vẫn cung cấp phân đoạn thể tích. Cellpose 2.0 giới thiệu huấn luyện lại có sự tham gia của người dùng, cho phép người dùng chỉnh sửa thủ công dự đoán và huấn luyện lại trên hình ảnh của họ để cải thiện hiệu suất trên bộ dữ liệu cụ thể.

Cài đặt & Thiết lập

conda create -n cellpose python=3.10

# For GUI support
pip install cellpose[gui]

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

Bắt đầu sử dụng

Chế độ GUI

1. Khởi chạy GUI bằng cách chạy: python -m cellpose
2. Kéo thả các tệp ảnh (.tif, .png, v.v.) vào giao diện
3. Chọn loại mô hình (ví dụ: "cyto" cho tế bào chất hoặc "nuclei" cho nhân tế bào)
4. Đặt đường kính tế bào ước tính hoặc để Cellpose tự động hiệu chỉnh
5. Nhấn để bắt đầu phân đoạn và xem kết quả

Chế độ API Python

from cellpose import models

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

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

Tinh chỉnh & Huấn luyện lại

1. Sau khi tạo mặt nạ, chỉnh sửa phân đoạn trong GUI bằng cách gộp hoặc xóa mặt nạ thủ công
2. Sử dụng chức năng huấn luyện tích hợp để huấn luyện lại trên các ví dụ đã chỉnh sửa
3. Cải thiện hiệu suất mô hình trên bộ dữ liệu cụ thể của bạn

Xử lý dữ liệu 3D

1. Tải tệp TIFF đa Z hoặc chồng thể tích
2. Sử dụng cờ --Zstack trong GUI hoặc API để xử lý như 3D
3. Tùy chọn tinh chỉnh luồng 3D qua làm mượt hoặc tham số chuyên biệt để phân đoạn tốt hơn

Hạn chế & Lưu ý

• Đánh đổi tính tổng quát của mô hình: Mặc dù mô hình đa năng hoạt động rộng rãi, các hình dạng tế bào hoặc điều kiện chụp rất đặc biệt có thể cần huấn luyện lại.
• Công sức chú thích: Huấn luyện có sự tham gia của người dùng đòi hỏi chỉnh sửa thủ công, có thể tốn thời gian với bộ dữ liệu lớn.
• Độ phức tạp khi cài đặt: Cài đặt GUI có thể yêu cầu sử dụng dòng lệnh, môi trường conda và quản lý phụ thuộc Python — không phải lúc nào cũng đơn giản với người không chuyên lập trình.
• Chỉ dành cho máy tính để bàn: Cellpose được thiết kế cho máy tính để bàn; không có ứng dụng gốc cho Android hoặc iOS.

Câu hỏi thường gặp

Tổng quan

StarDist là công cụ học sâu dùng để phân đoạn từng đối tượng trong ảnh kính hiển vi. Nó biểu diễn mỗi đối tượng (như nhân tế bào) dưới dạng đa giác sao lồi 2D hoặc đa diện sao lồi 3D, giúp phát hiện và tách biệt chính xác các đối tượng chồng chéo hoặc xếp chặt. Với kiến trúc mạnh mẽ, StarDist được sử dụng rộng rãi cho phân đoạn tự động tế bào và nhân trong kính hiển vi huỳnh quang, mô bệnh học và các ứng dụng phân tích ảnh sinh học khác.

Tính năng chính

Nền tảng kỹ thuật

Được giới thiệu lần đầu trong bài báo MICCAI 2018, đổi mới cốt lõi của StarDist là dự đoán khoảng cách xuyên tâm theo các tia cố định kết hợp với xác suất đối tượng cho từng điểm ảnh, cho phép tái tạo chính xác hình dạng sao lồi. Phương pháp này phân đoạn đáng tin cậy các đối tượng tiếp xúc gần nhau mà các phương pháp dựa trên điểm ảnh hoặc hộp giới hạn truyền thống khó tách biệt.

Phát triển gần đây đã mở rộng StarDist sang ảnh mô bệnh học, không chỉ phân đoạn nhân mà còn phân loại đa lớp các đối tượng phát hiện. Phương pháp này đạt hiệu suất hàng đầu trong các thử thách như CoNIC (Xác định và Đếm Nhân Đại Tràng).

Tải về hoặc truy cập

Cài đặt & Thiết lập

pip install stardist

pip install stardist-napari

Chạy phân đoạn

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

Huấn luyện & Tinh chỉnh

Tùy chọn hậu xử lý

• Áp dụng loại bỏ cực đại không tối đa (NMS) để loại bỏ các hình dạng ứng viên trùng lặp
• Sử dụng StarDist OPP (Hậu xử lý đối tượng) để hợp nhất mặt nạ cho các hình dạng không sao lồi

Hạn chế & Lưu ý

• Giả định sao lồi có thể không mô hình hóa hoàn hảo các hình dạng rất không lồi hoặc rất bất thường
• Phức tạp khi cài đặt: cài đặt tùy chỉnh cần trình biên dịch C++ tương thích để xây dựng tiện ích mở rộng
• Tăng tốc GPU phụ thuộc vào phiên bản TensorFlow, CUDA và cuDNN tương thích
• Một số người dùng báo lỗi khi chạy plugin ImageJ do cấu hình Java

Câu hỏi thường gặp

Thông Tin Ứng Dụng

Tổng Quan Chung

SAM (Segment Anything Model) là một mô hình nền tảng AI mạnh mẽ do Meta tạo ra, cho phép phân đoạn tương tác và tự động hầu như bất kỳ đối tượng nào trong hình ảnh. Sử dụng các lời nhắc như điểm, hộp giới hạn hoặc mặt nạ thô, SAM tạo ra mặt nạ phân đoạn mà không cần đào tạo lại cho nhiệm vụ cụ thể. Trong nghiên cứu kính hiển vi, tính linh hoạt của SAM đã được điều chỉnh để phân đoạn tế bào, phát hiện bào quan và phân tích mô bệnh học, cung cấp giải pháp mở rộng cho các nhà nghiên cứu cần công cụ phân đoạn đa năng có thể điều khiển bằng lời nhắc.

Giới Thiệu Chi Tiết

Ban đầu được Meta đào tạo trên hơn 1 tỷ mặt nạ trải dài trên 11 triệu hình ảnh, SAM được thiết kế như một mô hình nền tảng có thể điều khiển bằng lời nhắc với hiệu suất "zero-shot" trên các lĩnh vực mới. Trong nghiên cứu hình ảnh y tế, SAM đã được đánh giá cho phân đoạn toàn bộ lát cắt mô bệnh học, phát hiện khối u và nhận dạng nhân tế bào. Tuy nhiên, hiệu suất trên các đối tượng dày đặc—như nhân tế bào—còn chưa ổn định: ngay cả với nhiều lời nhắc (ví dụ, 20 lần nhấp hoặc hộp), phân đoạn zero-shot vẫn gặp khó khăn trong các hình ảnh kính hiển vi phức tạp.

Để khắc phục hạn chế này, các điều chỉnh chuyên ngành đã được phát triển:

• SAMCell — Tinh chỉnh trên bộ dữ liệu kính hiển vi lớn để phân đoạn zero-shot mạnh mẽ trên nhiều loại tế bào mà không cần đào tạo lại cho từng thí nghiệm
• μSAM — Đào tạo lại trên hơn 17.000 hình ảnh kính hiển vi được chú thích thủ công nhằm cải thiện độ chính xác trên các cấu trúc tế bào nhỏ

Các Tính Năng Chính

Tải Về hoặc Truy Cập

Hướng Dẫn Sử Dụng

Hạn Chế & Lưu Ý

• Hiệu suất zero-shot không ổn định trên các cấu trúc dày đặc hoặc chồng chéo nếu không tinh chỉnh chuyên ngành
• Chất lượng phân đoạn phụ thuộc nhiều vào thiết kế và chiến lược lời nhắc
• Khuyến nghị sử dụng GPU; phân tích trên CPU rất chậm
• Gặp khó khăn với hình ảnh toàn bộ lát cắt độ phân giải rất cao và cấu trúc mô đa quy mô
• Cần có kiến thức về học máy để tinh chỉnh hoặc điều chỉnh SAM cho kính hiển vi

Câu Hỏi Thường Gặp

Tổng quan

AxonDeepSeg là công cụ sử dụng AI để tự động phân đoạn trục thần kinh và myelin trong hình ảnh kính hiển vi. Sử dụng mạng nơ-ron tích chập, nó cung cấp phân đoạn chính xác ba lớp (trục thần kinh, myelin, nền) trên nhiều phương thức hình ảnh bao gồm TEM, SEM và kính hiển vi trường sáng. Bằng cách tự động hóa các phép đo hình thái học như đường kính trục thần kinh, tỷ lệ g và độ dày myelin, AxonDeepSeg giúp đơn giản hóa phân tích định lượng trong nghiên cứu thần kinh học, giảm đáng kể thời gian chú thích thủ công và nâng cao khả năng tái lập.

Tính năng chính

Chi tiết kỹ thuật

Được phát triển bởi NeuroPoly Lab, AxonDeepSeg tận dụng học sâu để cung cấp phân đoạn chính xác cao cho các ứng dụng khoa học thần kinh. Các mô hình đã được huấn luyện sẵn cho nhiều phương thức kính hiển vi khác nhau, đảm bảo tính linh hoạt trên các kỹ thuật hình ảnh. Công cụ tích hợp với Napari, cho phép chỉnh sửa tương tác mặt nạ phân đoạn, nâng cao độ chính xác trên các bộ dữ liệu khó. AxonDeepSeg tính toán các chỉ số hình thái học quan trọng, hỗ trợ các nghiên cứu quy mô lớn về cấu trúc và bệnh lý mô thần kinh. Khung làm việc dựa trên Python giúp tích hợp dễ dàng vào các quy trình tùy chỉnh cho phân tích hình thái trục thần kinh và myelin.

Tải về hoặc truy cập

Cài đặt & Thiết lập

pip install axondeepseg napari

Những lưu ý quan trọng

• Hiệu suất có thể giảm khi áp dụng cho các phương thức hình ảnh mới hoặc chưa được huấn luyện
• Có thể cần chỉnh sửa thủ công cho các vùng phức tạp hoặc khó phân đoạn
• Khuyến nghị sử dụng GPU để xử lý nhanh bộ dữ liệu lớn; CPU cũng được hỗ trợ cho các phân tích nhỏ hơn

Câu hỏi thường gặp

Tổng quan

Ilastik là công cụ mạnh mẽ, dựa trên trí tuệ nhân tạo, dùng để phân đoạn ảnh tương tác, phân loại và phân tích dữ liệu kính hiển vi. Sử dụng các kỹ thuật học máy như bộ phân loại Random Forest, nó cho phép các nhà nghiên cứu phân đoạn điểm ảnh, phân loại đối tượng, theo dõi tế bào theo thời gian và thực hiện đếm mật độ trên cả dữ liệu 2D và 3D. Với giao diện trực quan và phản hồi thời gian thực, Ilastik dễ tiếp cận với các nhà khoa học không chuyên về lập trình và được ứng dụng rộng rãi trong sinh học tế bào, khoa học thần kinh và hình ảnh y sinh.

Tính năng chính

Tải về

Hướng dẫn bắt đầu

Hạn chế & Lưu ý

• Gán nhãn tương tác có thể tốn thời gian đối với các bộ dữ liệu rất lớn
• Độ chính xác phụ thuộc vào chất lượng và tính đại diện của các chú thích người dùng
• Yêu cầu bộ nhớ — các bộ dữ liệu độ phân giải rất cao hoặc dung lượng nhiều gigabyte có thể cần RAM lớn
• Dữ liệu phức tạp — bộ phân loại Random Forest có thể hoạt động kém hơn so với mạng nơ-ron sâu trên dữ liệu hình ảnh biến đổi hoặc phức tạp cao

Câu hỏi thường gặp