Image segmentation of treated and untreated tumor spheroids by Fully Convolutional Networks

要約

多細胞腫瘍スフェロイド (MCTS) は、併用放射線 (化学) 療法の影響を評価するための高度な細胞培養システムです。
それらは、3D 細胞間相互作用および細胞マトリックス相互作用から、増殖活性および栄養素/酸素供給に関連する放射状の病態生理学的勾配まで、治療に関連した生体内に似た特徴を示し、細胞の放射線応答を変化させます。
最先端のアッセイは、照射線量および治療アームごとに、大規模な治療スフェロイド集団から収集された明視野画像の時系列に基づいて、長期的な治療エンドポイントを定量化します。
ここでは、スフェロイド制御確率は、カプラン マイヤー曲線に基づく生体内腫瘍制御確率と同様に文書化されています。
この分析では、直径、面積、体積、真円度などの関連する構造情報を画像から抽出するために、治療アームごとに最大 100,000 枚の画像を回転楕円体に分割するという手間のかかる作業が必要です。
回転楕円体のセグメンテーションにはいくつかの画像解析アルゴリズムが利用可能ですが、それらはすべて、成長全体を通じて明確に区別できる外縁を備えたコンパクトな MCTS に焦点を当てています。
ただし、処理された MCTS は部分的に剥がれて破壊される可能性があり、通常は死んだ細胞の破片によって隠されます。
私たちは、UNet と HRNet という 2 つの完全畳み込みネットワークのトレーニングに成功し、それらのハイパーパラメーターを最適化して、未処理の MCTS と処理済みの MCTS の両方の自動セグメンテーションを開発しました。
我々は、2 つのヒト頭頸部がん細胞株に由来するスフェロイドのより大きな独立したデータセットに対する自動セグメンテーションを体系的に検証します。
ほとんどの画像について、手動セグメンテーションと自動セグメンテーションの間に優れた重複があり、Jaccard インデックスで約 90% が定量化されています。
セグメンテーションの重複が小さい画像の場合、この誤差がさまざまな生物学的専門家によるセグメンテーション間の変動に匹敵することを実証し、これらの画像が生物学的に不明瞭または曖昧なケースを表すことを示唆しています。

要約(オリジナル)

Multicellular tumor spheroids (MCTS) are advanced cell culture systems for assessing the impact of combinatorial radio(chemo)therapy. They exhibit therapeutically relevant in-vivo-like characteristics from 3D cell-cell and cell-matrix interactions to radial pathophysiological gradients related to proliferative activity and nutrient/oxygen supply, altering cellular radioresponse. State-of-the-art assays quantify long-term curative endpoints based on collected brightfield image time series from large treated spheroid populations per irradiation dose and treatment arm. Here, spheroid control probabilities are documented analogous to in-vivo tumor control probabilities based on Kaplan-Meier curves. This analyses require laborious spheroid segmentation of up to 100.000 images per treatment arm to extract relevant structural information from the images, e.g., diameter, area, volume and circularity. While several image analysis algorithms are available for spheroid segmentation, they all focus on compact MCTS with clearly distinguishable outer rim throughout growth. However, treated MCTS may partly be detached and destroyed and are usually obscured by dead cell debris. We successfully train two Fully Convolutional Networks, UNet and HRNet, and optimize their hyperparameters to develop an automatic segmentation for both untreated and treated MCTS. We systematically validate the automatic segmentation on larger, independent data sets of spheroids derived from two human head-and-neck cancer cell lines. We find an excellent overlap between manual and automatic segmentation for most images, quantified by Jaccard indices at around 90%. For images with smaller overlap of the segmentations, we demonstrate that this error is comparable to the variations across segmentations from different biological experts, suggesting that these images represent biologically unclear or ambiguous cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google