《Engineering Applications of Artificial Intelligence》:An intelligent six-channel imaging system for high-throughput nematode phenotyping
编辑推荐:
•开发了一套用于高通量线虫活力检测的高效低成本系统。•设计了一种六通道显微镜设备以提高成像通量和稳定性。•提出了一种轻量级的硬件耦合视觉算法以实现高效的线虫检测。引言评估线虫活力和种群动态是农用化学品筛选和环境毒理学研究中的基本需求。在这些应用中,通常需要大规模纵向实验来评估
- •
开发了一套用于高通量线虫活力检测的高效低成本系统。
- •
设计了一种六通道显微镜设备以提高成像通量和稳定性。
- •
提出了一种轻量级的硬件耦合视觉算法以实现高效的线虫检测。
引言
评估线虫活力和种群动态是农用化学品筛选和环境毒理学研究中的基本需求。在这些应用中,通常需要大规模纵向实验来评估多种条件和重复下的处理效果(Abad等,2008;Decraemer和Hunt,2006)。因此,迫切需要自动化、高通量的表型鉴定解决方案来替代人工观察,并实现标准化、可重复的数据采集。
目前在实际操作中,基于显微镜的人工计数仍然是评估线虫在压力暴露前后死亡情况的标准方法(La等,2024;Abd-Elgawad,2024)。然而,这种方法劳动密集、依赖于操作者,且难以扩展用于高通量筛选。虽然多孔微孔板已成为生物制药和微生物筛选工作流程中的标准耗材(Cho等,2003;Zhang等,2023;Jia等,2025),但线虫表型鉴定尚未从同等程度的自动化中受益。依赖视觉检查带来了几个工程挑战:通量有限、操作者依赖变异性以及缺乏集成式数据管理。这些因素共同限制了线虫控制研究的规模和可重复性。
为解决这一效率瓶颈,自动显微术已成为一种可行的替代方案。诸如WormLab成像系统等商业系统能够实现动态行为分析(Roussel等,2014),而WMicrotracker SMART使用红外传感器基于运动或代谢信号进行高通量种群监测(Ochoa等,2010)。然而,这些系统涉及不同的权衡。WormLab提供高分辨率成像和详细的行为信息,但通量有限且系统成本高昂。WMicrotracker支持快速的种群水平筛选,但不能提供足够的形态分辨率以进行直接基于图像的活力评估。近年来系统级别的进展,包括单镜头多孔扫描(Barlow等,2022)和高密度显微镜阵列(Thomson等,2022),提高了采集效率,但在孔间光学干扰、视场重叠、仪器成本以及批量数据管理集成方面仍存在挑战。因此,现有系统仍然无法在成像质量、通量、成本和自动化活力分析之间实现最佳平衡。
在硬件和算法方面,未解决的挑战依然存在。在硬件方面,使用低成本光学元件实现稳定、高质量、高通量成像仍然困难。存在两个具体问题。首先,在线虫检测中广泛使用的标准白色96孔板具有高度反射性,引入了降低图像质量的眩光。为荧光成像开发的光学优化(Lee等,2022;Wittekindt等,2025)在这种情况下无效。其次,在实际应用中,保持显微镜阵列与微孔之间的精确对准是一项工程挑战(Zhou等,2023)。
在算法方面,当前的计算机视觉方法与实际应用需求之间存在根本性的不匹配。大多数线虫识别研究专注于高分辨率成像下的细粒度分析。这些包括基于边缘和骨架的形态分割(Raviv等,2010;Kurtulmus和Ulu,2014)、基于深度学习的分类(Thevenoux等,2021)、基于卷积神经网络的纠缠解析(Hebert等,2021),以及使用诸如ResNetV2等架构的中心线预测。结合YOLOv5(Jocher等,2020)和SORT(Banerjee等,2022)的多目标跟踪框架,以及基于Transformer的视频分割(Deserno和Bozek,2023),在时空分析中表现强劲。然而,这些方法是为复杂的行为研究优化的,而不是为简单的形态驱动活力检测优化的。更关键的是,这些方法——包括为大豆线虫开发的基于卷积神经网络的识别算法(Abade等,2022)——需要高图像分辨率。它们不能直接转移到由低成本硬件获取的低质量图像上,这些图像通常包含噪声和眩光。相比之下,利用基于距离特征的简化模型(Swierczek等,2011)为在资源受限条件下进行鲁棒的线虫识别提供了更具实际参考价值的途径。
为了克服上述局限性,本研究提出了一种用于自动化线虫检测和活力检测的集成硬件-算法-软件系统。为了在控制系统成本的同时提高通量,开发了一种六通道光机械成像结构用于并行微孔板扫描。为了解决白色微孔板中的眩光和低对比度问题,成像模块中引入了背光照明和反射抑制。为了在受控成像条件下降低计算成本并提高可解释性,Nem-EID被设计为一个轻量级的任务特定图像分析流水线,基于成熟的图像处理组件,包括基于阈值的分割、轮廓提取、椭圆拟合和帧间交并比分析。因此,Nem-EID的创新主要在于专用成像硬件、受控照明、轻量级图像分析和软件批量处理的特定任务集成,而不是引入了一种根本性的新计算机视觉原语。此外,还构建了一个专用软件平台,用于设备控制、批量分析和结果可视化。
本研究的主要贡献总结如下:
- (1)
设计了一种紧凑的多通道背光照明设备。它有效抑制了来自白色微孔板的眩光,增强了图像对比度和稳定性。
- (2)
集成光学-机械设计实现了显微镜阵列与微孔板之间的精确对准,消除了视场重叠和焦点漂移。
- (3)
开发了一个轻量级集成的Nem-EID流水线,用于分割、计数和活力检测,支持在适度的计算需求下进行高效分析。
- (4)
一个集成软件平台统一了线虫检测工作流程中的设备控制和数据可视化。
为了概述研究内容和技术实现,第2节描述了材料和方法。它介绍了整体系统架构、六通道成像设备和Nem-EID算法,随后介绍了实验设置和评估指标。第3节报告了定量结果,包括成像硬件性能、算法适用性分析以及与基于深度学习方法的比较。第4节总结了论文的关键贡献并讨论了潜在的系统扩展,从而得出结论。
章节摘要
智能线虫活力检测系统的框架
在本研究中,开发了一种六通道自动化线虫检测系统,集成了硬件、算法和软件模块(图1)。硬件模块执行稳定的图像采集以进行自动分析。算法模块处理采集到的图像以进行线虫检测和活力评估。软件平台实现了设备控制、算法执行和数据管理。
在操作过程中,微孔板被放置在平台上,焦距会自动
实验结果
对21个标注的孔级视频样本进行了统计分析。每个视频对应于微孔板上的一个孔,包含在10秒内采集的200帧。因此,评估包括21个孔、21个视频和4200帧图像。总共,训练有素的专业人员标注了865个线虫,并作为真值使用。计数准确性在图像/孔级别进行评估,因为线虫的姿势和位置可能在帧之间发生变化,并且代表性的孔图像提供了
结论
本研究提出了一种用于高通量自动化线虫活力检测和种群量化的智能六通道显微镜系统。该显微设备获取了根结线虫样本的视频流数据。使用锐度、对比度和时间锐度漂移指标对其成像性能进行了评估。开发了一种耦合的线虫检测算法,将阈值约束与分阶段检测相结合。在实验中,该系统实现了
CRediT作者贡献声明
Rubin Jing:写作 – 初稿、可视化、软件、方法论、调查、概念化。Yutao Lu:方法论。Zhiheng Zhang:写作 – 审阅与编辑。Honghua Jiang:写作 – 审阅与编辑、数据管理。Bo Zhou:写作 – 审阅与编辑、数据管理。Wenjin Hou:写作 – 审阅与编辑。Peiyu Xin:写作 – 审阅与编辑。Huan Peng:写作 – 审阅与编辑。
利益冲突声明
作者声明他们没有已知的影响本文所报告工作的竞争性经济利益或个人关系。
Rubin Jing|Yutao Lu|Zhiheng Zhang|Honghua Jiang|Bo Zhou|Wenjin Hou|Peiyu Xin|Huan Peng