《Analytical Chemistry》:A Facile Method Based on Faster R-CNN for Cell Detection in Microfluidic Devices
编辑推荐:
细胞检测在微流控细胞分析(microfluidic cell assays)中无处不在。在细胞生物学、免疫学、肿瘤学与毒理学研究中,对细胞响应的研究始于片上细胞的识别。此类分析产生的大量数据要求图像分析自动化。尽管存在多种图像处理工具,但微流控通道网络与拥挤的
细胞检测在微流控细胞分析(microfluidic cell assays)中无处不在。在细胞生物学、免疫学、肿瘤学与毒理学研究中,对细胞响应的研究始于片上细胞的识别。此类分析产生的大量数据要求图像分析自动化。尽管存在多种图像处理工具,但微流控通道网络与拥挤的细胞环境使得传统图像处理技术难以识别和追踪细胞。相比之下,基于机器学习的技术或可克服该挑战。实施这些技术面临两个重要挑战:常需繁琐的图像标注与编码专业知识。研究人员提出一种基于Faster区域卷积神经网络(Faster region-based convolutional neural network, Faster R-CNN)的简易微流控阵列细胞检测方法,同时应对上述两挑战。首先,图像标注快速简便,因Faster R-CNN仅需边界框(bounding boxes)作为标签即可生成训练数据。其次,研究人员提供即用模型与无需编码专业知识的Faster R-CNN训练指南。研究人员证明Faster R-CNN无需在精度与用户友好性之间权衡:利用数百个标注(耗时少于半小时)创建的模型检测细胞平均精度(average precision)超98%。研究人员表明仅由微流控结构本身或其与细胞相互作用产生的形状不会被误识别为细胞。研究人员首次在微流控芯片中展示基于Faster R-CNN的细胞检测;预期该方法将在众多片上基础生物学与药物发现分析中具有广泛用途。
研究背景方面,微流控细胞分析广泛用于细胞生物学、免疫学、肿瘤学、药物开发与个性化医学,基于图像的细胞检测常为分析首要步骤,但通量带来的海量图像使人工分析耗时且有偏。传统图像处理(如圆形Hough变换)在微流控明场复杂背景下易受通道轮廓、细胞簇与焦平面变化干扰;基于分割的深度学习(如U-Net)与像素聚类工具(如iLastik)需精细轮廓标注或明显强度特征,且多需编程配置,非专家难用。已有Faster R-CNN研究多在常规显微镜场景,未针对微流控背景训练,且缺乏可访问实现。因此研究人员开展本研究,旨在以低标注成本、无编程门槛的Faster R-CNN流程,在微流控器件明场图像中实现高精度细胞定位。
主要关键技术方法:采用EZ-FRCNN(基于PyTorch与Docker的本地化Faster R-CNN实现,含图形用户界面与Jupyter笔记本),以ResNet-50为主干结合特征金字塔网络(FPN)与区域提议网络(RPN);以COCO预训练权重为起点,在微流控单室图像上微调,仅用边界框标注,CPU训练200轮约30–50分钟;置信度阈值0.9、交并比(IoU)阈值0.5评测精度(Precision)与召回率(Recall);另用独立Faster R-CNN模型做整阵图像切分为单室;样本为K-562淋巴母细胞、T细胞、HT1080纤维肉瘤细胞,经软光刻PDMS(polydimethylsiloxane)微流控阵列装载,10×/20×物镜明场成像;对照方法为MATLAB imfindcircles与iLastik+尺寸/形状滤波。
研究结果如下。简易实现方法:标注仅需画框,数十至数百标注可训练;CPU推断约2.5秒/200×100像素图,支持批处理。多样成像条件下高性能:在四种不同微流控室型、变焦平面(±10 μm)、噪声(像素强度相对标准差15%–27%)、细胞数1–15的拥挤簇上训练;10×淋巴母细胞测试集AP超98%,20×下AP 93%(置信度0.9),跨细胞系(T细胞)无需重训精度超80%(置信度0.8);非微流控背景训练的等效模型在片上召回率仅34%,证实质控背景特异性训练的必要性。最少训练数据与抗标注者偏差:40个标注(分布于4图)即达AP约95%,400标注(60图)AP超98%,增益不显著;三人独立标注同集训练模型AP为94%、92%、95%,标准差约1.5%,表明流程对标注者不敏感。优于传统与ML方法:同测试集上圆检测精度40%,iLastik精度30%,Faster R-CNN超95%;圆检测对非圆细胞部分漏检多圈,iLastik因强度签名不清致微流控壁误检与细胞漏检。化学暴露存活率应用:K-562载入阵列,1 mM H2O2含Caspase-3/7荧光报告灌流,每2小时拍明场与荧光共8小时;Faster R-CNN定位于明场,迁移框至荧光图提取单细胞质内绿色荧光,以8小时双峰直方图极小值设活死阈,得存活率前2小时缓降、8小时降至约30%,全程自动推断耗机时4小时(CPU无监督),较人工/半自动省数日。
讨论部分指出,Faster R-CNN输出边界框而非掩膜(mask),形态信息有限,不适需精确轮廓的 Assay,但可作复杂场景预处理或GPU实时分选前端;EZ-FRCNN降低配置壁垒,少量微流控图像微调即可迁移。结论部分翻译:研究人员提出一种基于Faster R-CNN的微流控分析细胞检测简易图像处理方法。该网络在广泛图像库上预训练,减少片上细胞图像训练负担。标注简易快速,用户仅需绕细胞画框。少量图像——少至40个细胞——即可训练出精度超95%的模型。此外,研究人员提供片上细胞检测预训练模型,未经修改即具良好准确性,是微流控领域的宝贵工具。先进分析亦可受益:例如Faster R-CNN细胞检测可与荧光成像或其他模态(定量相位成像、病理染色)联用;研究人员展示了其在带荧光凋亡报告的杀伤分析中的使用,并用明场推断框从荧光图提取单分辨率信息。该概念验证可拓展至其他联合荧光追踪与基因表达报告的分析。预期该方法将赋能细胞生物学与生物医学领域大量基于细胞分析的快速易处理。论文发表于《Analytical Chemistry》。