STARDIST: DETECCIÓN DE OBJETOS EN IMÁGENES MEDIANTE DEEP LEARNING

En el artículo del 20 de abril os hablamos de un plugin de FIJI (Trainable WEKA segmentation)que utiliza el machine learning para ayudarnos a segmentar las imágenes clasificando los píxeles en distintas categorías de interés. Hoy os queremos hablar de otra herramienta (StarDist) que utiliza redes neuronales convolucionales, dentro del campo del deep learning (un método más avanzado de machine learning), para ayudarnos a identificar objetos individuales en nuestras imágenes.

Si bien en el ejemplo anterior bastaría con aplicar un umbral de intensidad automático para separar los núcleos, con frecuencia es mucho más complicado hacer la segmentación (véase la imagen siguiente):

En casos como este, podemos usar StarDist para entrenar una red neuronal que aprenda a distinguir los objetos individuales. Básicamente, lo que tenemos que hacer es preparar una serie de imágenes de entrenamiento junto con su solución en forma de imágenes etiquetadas, que serían lo que se conoce como ground truth.

El etiquetado de las imágenes de entrenamiento se hace normalmente a mano (si se pudiera hacer automáticamente no sería necesario usar StarDist) y es la parte del proceso que puede llevar más tiempo. El número de imágenes necesarias para el entrenamiento va a depender de la variabilidad de las imágenes a analizar pero puede funcionar con tan pocas como 5-10 con 10-20 objetos anotados en cada una.

Una vez entrenado el modelo, conviene ponerlo a prueba en un grupo de imágenes distintas a las que se han usado para entrenar pero de las que también tenemos su ground truth. De este modo podemos evaluar su precisión. Si no estamos satisfechos con los resultados, tendremos que incrementar el número de imágenes y/o el número de ciclos de entrenamiento hasta que obtengamos una precisión aceptable.

Con el modelo entrenado, podemos usar el plugin de StarDist para FIJI para analizar nuestras imágenes. De hecho, este plugin ya viene con una serie de modelos preentrenados que se pueden usar.

A continuación podéis ver el resultado del análisis de una imagen usando el modelo preentrenado:

Aunque el resultado parece bastante bueno a primera vista, si os fijáis os daréis cuenta de que existen bastantes falsos positivos (algunos están señalados con flechas amarillas). Aun así, si tenemos en cuenta que las imágenes usadas para entrenar el modelo incluido en el paquete de StarDist se han adquirido con condiciones y equipos distintos de los que se han usado para la adquisición de esta imagen, nos podemos hacer una idea del potencial que tiene esta técnica de análisis. Como podéis ver en la siguiente figura, cuando entrenamos el modelo usando imágenes adquiridas en las mismas condiciones y con el mismo equipo, el resultado mejora hasta ser casi perfecto.

StarDist está diseñado para detectar objetos con una forma que se describe como star-convex. Se podrían definir como objetos que tienen algún punto dentro de ellos desde el que se pueden ver todos sus límites. Esto lo hace perfecto para detectar objetos de una forma más o menos redondeada, como los núcleos celulares o células sin protrusiones citoplasmáticas.

Si queréis saber más sobre esta herramienta y si sería una opción para el análisis de vuestras muestras, no dudéis en poneros en contacto con nosotros.

También podéis obtener más información en la página de StarDist (https://github.com/mpicbg-csbd/stardist) – donde tenéis acceso a una descripción de los fundamentos teóricos de su funcionamiento y el acceso a los artículos originales (de 2018 y 2020) – y en el muy interesante webinar de NEUBIAS @Home donde se entra más en detalle a hablar los conceptos y aplicaciones prácticas de la herramienta (https://www.youtube.com/watch?v=Amn_eHRGX5M).

Por último, solamente indicaros que existen otros modelos de deep learning que no están restringidos al reconocimiento de objetos con formas star-convex. Si estáis interesados en conocer más sobre ellos, hacédnoslo saber y quizá podamos presentarlos en un futuro artículo de la newsletter.

Agradecemos al Grupo de Química Neuro-Regenerativa del Dr. Ernesto Doncel que nos haya permitido usar las imágenes de sus muestras para esta newsletter.