Performa Algoritme Segmentasi Sel Canggih Pada Beragam Koleksi Sel Bakteri
Dalam penelitian terbaru yang diterbitkan di Nature Methods, para peneliti menilai metode baru untuk segmentasi sel bakteri bernama Omnipose.
Latar belakang
Terobosan dalam mikroskop sangat menjanjikan untuk
memungkinkan pengukuran kuantitatif dan akurat dari fenomena morfologis serta
molekuler pada bakteri pada tingkat sel tunggal. Namun, pendekatan ini dibatasi
oleh aksesibilitas dan ketersediaan metode yang dapat menyegmentasikan sel
tanpa bergantung pada sifat optik atau morfologinya.
Penilaian algoritma segmentasi sel bakteri
Dalam penelitian ini, para peneliti menilai bagaimana
algoritma segmentasi sel mutakhir dilakukan pada berbagai sel bakteri.
Efektivitas beberapa teknik segmentasi citra yang telah
dikembangkan pada sel bakteri telah didokumentasikan. Metode-metode ini secara
garis besar dapat dibagi menjadi tiga kelompok:
- Metode Conventional image-processing
- Metode Conventional/machine-learning hybrid
- Metode Deep neural networks (DNNs)
Tim berusaha menemukan algoritma yang efektif untuk
penelitian lebih lanjut untuk membuat perangkat lunak yang dapat mengenali
bakteri secara global. Karena kurangnya perbandingan menyeluruh antara
algoritma segmentasi sel pada sel bakteri, tim memilih satu atau lebih contoh
dari setiap kelompok untuk penelitian ini: Mask R-CNN, StarDist, MiSiC, and
Cellpose; Morphometrics; dan SuperSegger.
Mikrograf dari banyak spesies bakteri yang menunjukkan
berbagai morfologi dan sifat optik diperoleh untuk pelatihan dan pembandingan
algoritma ini. Mutasi atau prosedur yang menghasilkan morfologi ekstrim sering
digunakan dalam penyelidikan bakteri. Kombinasi spesies bakteri yang
menunjukkan morfologi unik dan sifat visual difoto. Tim mengumpulkan total
4.833 gambar atau lebih dari 700.900 sel individu dari 14 spesies berbeda.
Metode cepat untuk membuat anotasi sel secara manual dikembangkan dan digunakan
pada foto-foto ini. Hasilnya adalah 47.000 sel beranotasi yang representatif, yang
digunakan untuk membuat dataset ground-truth (fase bact).
Pembuatan algoritma segmentasi U-net presisi tinggi
Tim bertujuan untuk membuat metode segmentasi yang tidak
bergantung pada identifikasi pusat sel. Cellpose framework, yang dapat dipecah
menjadi lima bagian utama, seperti pemrosesan file, arsitektur jaringan saraf,
fungsi tujuan pelatihan, prediksi jaringan, dan rekonstruksi mask, berfungsi
sebagai dasar untuk algoritma yang dibuat dalam penelitian ini. Sementara
peningkatan dibuat untuk masing-masing bagian ini, rekonstruksi topeng dan
prediksi jaringan adalah dua terobosan paling signifikan dalam sistem yang
dikembangkan bernama Omnipose.
Medan jarak, juga dikenal sebagai transformasi jarak,
mewakili pemisahan antara setiap titik x dalam wilayah terbatas dan titik
terdekat dengan batas. Output probabilitas sel yang terkait dengan Cellpose
digantikan oleh bidang jarak di Omnipose. Dibandingkan dengan solusi lain yang
menghasilkan bidang serupa, ini menghasilkan konvergensi yang lebih cepat dan
stabilitas numerik yang lebih baik.
Omnipose menunjukkan akurasi segmentasi sebagai alat segmentasi multifungsi
Para peneliti melatih model (bact phase omni) pada dataset
fase bact untuk membandingkan kinerja Omnipose dengannya. Anehnya, dengan menggunakan
model komparatif (cp fase bact), akurasi Omnipose secara signifikan mengungguli
Cellpose. Disparitas kinerja antara algoritme ini sangat jelas terlihat pada
kisaran IoU yang tinggi yaitu 0,8-1,0. Bakteri biasanya dicitrakan pada ukuran
piksel yang dikalibrasi sekitar 0,1 m, menghasilkan sel dan label sel yang
berukuran lima hingga 50 piksel. Bakteri biasanya diukur pada skala antara 0,5
dan 5 m. Nilai IoU di atas 0,8 sangat penting untuk akurasi tingkat piksel
dalam eksperimen kuantitatif pada skala ini. Akibatnya, Omnipose sangat cocok
untuk mempelajari sel bakteri secara mikroskopis.
Saat dilatih pada kumpulan data yang representatif, Omnipose
juga dapat mengelompokkan gambar yang diperoleh menggunakan berbagai modalitas
dan terdiri dari berbagai subjek. Kumpulan data dari 33.200 sitosol sel bakteri
dan fluoresensi membran dikembangkan untuk menguji Omnipose pada gambar yang
diambil menggunakan modalitas selain kontras fase. Tim menemukan bahwa Omnipose
(bact fluor omni) mengungguli Cellpose (bact fluor cp) dalam hal kinerja pada
sel yang bervariasi secara morfologis.
Selanjutnya, tim mengeksplorasi bagaimana Omnipose dapat
digunakan untuk mengelompokkan subjek selain bakteri. Model generalis, yang
dilatih pada dataset fase bact dan dataset worm (worm bact omni) berkinerja
sama baiknya atau lebih baik dari model worm (worm omni). Tim juga menggunakan
kumpulan gambar C. elegans resolusi tinggi yang disesuaikan untuk melatih model
Omnipose dan menemukan bahwa algoritme dapat secara efektif mengelompokkan
gambar-gambar ini meskipun struktur dasarnya rumit.
Kesimpulan
Secara keseluruhan, temuan penelitian menunjukkan bahwa pada
kultur bakteri campuran, sel yang diobati dengan antibiotik, dan sel dengan
bentuk memanjang atau bercabang, Omnipose mencapai kinerja segmentasi yang
terpuji. Selain itu, keunggulan Omnipose berlaku untuk subjek non-bakteri,
sejumlah modalitas pencitraan, dan objek tiga dimensi.
Journal reference:
Cutler, K.J., Stringer, C., Lo, T.W. et al. Omnipose: a
high-precision morphology-independent solution for bacterial cell segmentation.
Nat Methods (2022). doi: https://doi.org/10.1038/s41592-022-01639-4
https://www.nature.com/articles/s41592-022-01639-4
No comments