Descubriendo el Bioimage.IO chatbot: tu asistente de inteligencia artificial para trabajar con bioimágenes
En el mundo de la investigación biomédica, las imágenes microscópicas son una fuente de información fundamental. Cada día generamos imágenes de células, tejidos y organismos completos para avanzar en nuestras investigaciones. Sin embargo, analizar estas imágenes de forma precisa puede ser una tarea compleja y muy técnica. Aquí es donde entra en juego el BioImage.IO Chatbot.
Una nueva forma de microscopía confocal: FLIM (Microscopía de imágenes de tiempo de vida de fluorescencia)
La obtención de imágenes confocales es actualmente el estándar en microscopía de fluorescencia aplicada a las ciencias de la vida. Si bien la mayoría de los experimentos de microscopía miden la intensidad de la fluorescencia, FLIM utiliza otra propiedad clave: la duración de la fluorescencia. Esta característica, conocida como tiempo de vida de la fluorescencia, no depende del color (longitud de onda) ni de la intensidad, sino del tiempo que una molécula fluorescente permanece en estado excitado antes de emitir luz.
ZeroCostDL4Mic: Inteligencia artificial para «torpes»
En mi última newsletter, de junio de 2023, os hablé de una serie de parámetros de medición que se habían propuesto para validar modelos de inteligencia artificial para el análisis de imágenes. Quizá recordéis que os indiqué que, tanto para el entrenamiento de las redes neuronales artificiales (ANNs) como para la medición de esos parámetros, empleé los Colab Notebooks de ZeroCostDL4Mic (creados en el Henriques Lab) y prometí os explicaría un poco más de ese interesantísimo proyecto. Bueno, pues ha llegado el momento de cumplir esa promesa. Hoy os voy a explicar cómo usar ZeroCostDL4Mic de modo que podáis entrenar vuestros propios modelos de ANNs, validar los resultados y procesar imágenes con ellos. Y todo esto sin necesidad de saber programar ni tener un gran equipo para procesado de imágenes. Es suficiente con un ordenador con conexión a internet y una cuenta de Gmail.
Ejemplos de entrenamientos de redes neuronales mediante deep learning para el análisis de imagen mediante la inteligencia artificial (IA)
En la actualidad, la microscopía es una disciplina fundamental en las investigaciones biomédicas. Con ella se obtienen imágenes que posteriormente se analizan para obtener resultados. Dentro de lEn las dos Newsletter anteriores de esta serie, hemos descrito en detalle el microscopio IX83 de Olympus (Newsletter 1, de Enero 2022) y además hemos introducido los conceptos básicos de la inteligencia artificial directamente relacionados con el análisis de la imagen (Newsletter 2, de Enero 2023). En esta tercera y última Newsletter de la serie explicaremos tres ejemplos con los que hemos trabajado utilizando la IA para analizar las imágenes capturadas. Con los tres ejemplos que describimos podréis haceros una idea de la versatilidad que tenemos a la hora de analizar imágenes mediante IA.
Validación de modelos de inteligencia artificial para el análisis de imágenes biomédicas
En la actualidad, la microscopía es una disciplina fundamental en las investigaciones biomédicas. Con ella se obtienen imágenes que posteriormente se analizan para obtener resultados. Dentro de las distintas formas de extraer información de las imágenes, en los últimos años ha habido grandes avances en el campo de la inteligencia artificial. En concreto, para el análisis de este tipo de imágenes se están empleando cada vez con más frecuencia algoritmos conocidos como redes neuronales artificiales (ANNs), que se engloban dentro del deep learning (DL). Como con toda nueva herramienta, es necesario tener precaución y validar correctamente los resultados obtenidos. Desde la comunidad de analistas de imagen científica se han propuesto distintos parámetros de medición que permitan realizar esta validación(1). En esta newsletter nos vamos a basar en esa publicación para describir estos parámetros y, con la ayuda de los Colab Notebooks del proyecto ZeroCostDL4Mic(2,3), los aplicamos para evaluar distintos modelos de ANNs entrenados en el SMAI, comprobando cómo se relacionan con la calidad de la predicción obtenida al aplicarlos tanto para la detección de objetos como para la mejora de imágenes.
Inteligencia artificial mediante deep learning con el software Cell Sens de Olympus
IA (Inteligencia Artificial), Deep Learning (aprendizaje profundo), Maching Learning (aprendizaje automático), Neuronal Netwoks (redes neuronales), son términos con los que debemos estar familiarizados. En anteriores Newsletter ya hemos introducido algunos de estos términos, pero en esta serie compuesta de tres Newsletter, esperamos aclarar definitivamente estos términos. Con este propósito, durante las próximas Newsletter, mostraremos los ejemplos de análisis de imagen con IA que venimos realizando en el SMAI (servicio de microscopía y análisis de imagen) del HNP. Esperamos que con esta serie de Newsletter podáis encontrar aplicaciones de la IA en el campo del análisis de imagen y por tanto utilizarla en vuestros proyectos de investigación.
El 20 de enero de 2022 comenzamos con esta serie de Newsletter describiendo el equipo de Olympus que nos permite trabajar con IA. Hoy seguimos con una introducción a la IA (Inteligencia Artificial) en el análisis de imagen. En la próxima Newsletter nos centraremos en describir paso a paso el proceso que nos permite entrenar redes neuronales para analizar las fotos capturadas a gran escala.
¿Cómo trabajar con imágenes científicas de gran tamaño? Parte 2: QUPATH para la detección de tejido y células
En la newsletter del 4 de octubre de 2021 os hablé del programa informático QuPath explicando su capacidad para trabajar con imágenes de gran tamaño y su sencilla integración con ImageJ. También indiqué entonces que habría una segunda parte en la que profundizaríamos más en las capacidades de este programa, que es mucho más que un simple navegador de imágenes de gran tamaño, y eso es lo que vamos a tratar en el artículo de hoy.
En primer lugar, os recuerdo que QuPath es un programa de código abierto para el análisis de bioimágenes desarrollado por Pete Bankhead (que se encuentra actualmente en la Universidad de Edimburgo). Aunque está pensado para aplicaciones de patología digital por su facilidad para trabajar con imágenes de alta resolución de portas enteros, realmente se puede utilizar para muchas más cosas.
Inteligencia artificial mediante Deep Learning con el software Cell Sens de Olympus
IA (Inteligencia Artificial), Deep Learning (aprendizaje profundo), Maching Learning (aprendizaje automático), Neuronal Netwoks (redes neuronales), son términos con los que debemos estar familiarizados. En anteriores Newsletter ya hemos introducido algunos de estos términos, pero en esta serie compuesta de tres Newsletter, esperamos aclarar definitivamente estos términos. Con este propósito, durante las próximas Newsletter, mostraremos los ejemplos de análisis de imagen con IA que venimos realizando en el SMAI (servicio de microscopía y análisis de imagen) del HNP. Esperamos que con esta serie de Newsletter podáis encontrar aplicaciones de la IA en el campo del análisis de imagen y por tanto utilizarla en vuestros proyectos de investigación.
Para comenzar con esta serie de Newsletter debemos hacer una introducción del equipo de Olympus que adquirimos el año pasado y que nos permite trabajar con IA.
¿Cómo trabajar con imágenes científicas de gran tamaño? QUPATH puede ayudarnos
Recientemente hemos adquirido en el SMAI un microscopio Olympus que se controla a través del software CellSens Dimensions. El programa nos permite capturar mosaicos de imágenes de grandes áreas a alta resolución espacial y con una profundidad de hasta 16-bit por canal. Esto nos ha abierto grandes posibilidades en cuanto a la capacidad de adquisición de imágenes pero también presenta nuevos retos ya que el tamaño resultante de estos archivos es masivo (varios GB por imagen).
Por defecto, las imágenes se guardan con el formato de Olympus «.vsi» (acrónimo de virtual slide image). Este formato es excelente para trabajar con imágenes de gran tamaño ya que almacena la información de un modo piramidal, es decir, la imagen se guarda con varias capas, cada una de ellas con menor resolución que la anterior de modo que no es necesario para el ordenador cargar la imagen completa en todo momento sino que se va adaptando según se va navegando por la imagen.
Identificación de núcleos raros mediante inteligencia artificial (CellSens) para High Content Analysis
El high content analysis (HCA) es una técnica instrumental que emplea microscopía automatizada en combinación con análisis de imagen para obtener un gran número de datos del estudio realizado. En nuestro centro, esta técnica se emplea principalmente para el estudio cuantitativo de eventos celulares complejos. La última newsletter de nuestro servicio (3 Mayo 2021, Javier Mazario) explica como identificar el número de células mediante la segmentación de sus núcleos para realizar HCA. En la newsletter de hoy explicaremos una variante de ese proceso diseñada por el SMAI del HNP para contar células con núcleos complejos (células con núcleos raros).
Segmentación de núcleos mediante inteligencia artificial en la plataforma de High Content Analysis Scanr
El high content analysis (HCA) es una técnica instrumental que emplea microscopía automatizada en combinación con análisis de imagen en un formato de alto rendimiento. En nuestro centro, esta técnica se emplea principalmente para el estudio cuantitativo de eventos celulares complejos. Como tal, uno de los primeros pasos en el análisis es identificar correctamente cada una de las células en las imágenes capturadas. Para ello tenemos que ser capaces de identificar algún tipo de estructura que tengan todas las células y que solo esté presente una vez en cada una de ellas. Habitualmente, la estructura que cumple este requisito es el núcleo celular (aunque existen, no solemos trabajar con células multinucleadas).
II. Técnicas de Superresolución
2.1. STED o Stimulated Emission Depletion Microscopy.
Stefan Hell desarrolló esta técnica utilizando dos rayos láser para iluminar la muestra: uno en configuración confocal que ilumina una región limitada por difracción, y otro que desactiva las moléculas en la orilla de esta zona por emisión estimulada. El segundo láser logra lo anterior gracias a que tiene un modo transversal en forma de “donut”, el cual rodea la iluminación del primer láser.
Con esto se logra que el área que produce la fluorescencia realmente sea de solo unos cuantos nanómetros. Midiendo la intensidad de la fluorescencia emitida por las moléculas que se encuentran solo en la región central del primer haz, se forma una imagen con una resolución hasta diez veces mayor a la obtenida con un microscopio confocal convencional.
Mejora de imágenes ruidosas mediante inteligencia artificial
En un nuevo capítulo de cómo la inteligencia artificial puede ayudaros a sacar el máximo partido de vuestras imágenes científicas, hoy os presentamos distintos métodos para eliminar o reducir el ruido que se puede introducir durante la captura de estas imágenes.
El ruido suele aparecer cuando, por el motivo que sea (normalmente relacionado con las características de la muestra), tenemos que aumentar mucho la sensibilidad del sensor de la cámara y/o bajar mucho el tiempo de exposición. En otros casos, aparece debido al propio modo de funcionamiento del equipo. Un ejemplo muy claro lo tenemos en las imágenes que adquiere nuestro confocal Leica TCS SP5 equipado con una cabeza escaneadora resonante. La alta velocidad de escaneo hace que las imágenes sean muy ruidosas. Este problema lo solucionamos capturando varias veces la misma imagen (normalmente 8 o 16 veces) y haciendo una media de estas repeticiones para obtener una imagen mejorada. Por supuesto, esto implica un aumento en el tiempo de captura (p. ej., un mosaico de 64 imágenes con 27 Zs y dos canales se adquiere en 10 minutos sin medias, pero sube a 1 hora si se emplean 8 medias) y en el fotoblanqueo, así como en la fototoxicidad en el caso de muestras vivas. Para solucionar este tipo de problemas, se han desarrollado modelos de inteligencia artificial usando redes neuronales convolucionales (CNN en inglés) que ofrecen resultados prometedores.
Introducción a la Súperresolución
La microscopía óptica es una de las herramientas más importantes de las ciencias en general y en la biología en particular ya que permite observar en un tamaño aumentado elementos que son imperceptibles a simple vista. A través de los años se han desarrollado numerosas técnicas para mejorar tanto el contraste como la calidad de las imágenes obtenidas mediante microscopia. Sin embargo, estas técnicas se encontraban limitadas por la resolución con la que se podían observar las muestras. Ésta Newsletter es la primera de una serie de tres, en las que explicaremos las técnicas de súper-resolución que en los últimos años han roto las barreras impuestas por la física de la luz. Mediante estas técnicas se ha conseguido observar por debajo de los límites de resolución, incluso en muestras vivas.
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.
La manera de obtener imágenes tridimensionales de la médula a buena resolución y en poco tiempo.
En la newsletter de hoy el SMAI quiere presentaros la microscopía de fluorescencia de lámina de luz o LSFM acrónimo de la técnica en inglés (Light sheet fluorescent microscopy). Esta es una técnica de microscopía de fluorescencia con una buena resolución óptica en XY y con muy buena resolución en Z además de ser de alta velocidad, lo que permite ser la mejor técnica para seccionamiento óptico (reconstrucciones 3D).
LSFM es un microscopio de fluorescenca, pero con una diferencia muy importante con la microscopía de fluorescencia convencional y la confocal, esta diferencia, es la forma en la que se ilumina la muestra. Mientras que en los microscopios de fluorescencia convencional (epifluorescencia) la iluminación llega atreves del objetivo para excita la muestra y la luz emitida por dicha muestra es recogida de nuevo por el objetivo, en la LSFM la muestra se ilumina perpendicularmente a la observación de la muestra. Esta iluminación perpendicular a la observación permite iluminar solo una porción muy delgada (generalmente de unos cientos de nanómetros a unos pocos micrómetros) de la muestra (ver figura 1).
Trainable Weka segmentation. Un plugin de machine learning para FIJI
En este primer artículo del SMAI dentro de la Newsletter de los SAIs queremos hablaros de una posibilidad probablemente desconocida para la muchos de vosotros, que es el uso con FIJI de machine learning para el análisis de vuestras imágenes.
Como sabéis, una de las partes fundamentales en el análisis de imagen es distinguir los objetos o regiones de interés de nuestras imágenes para poder hacer mediciones sobre ellos. Este proceso se conoce como segmentación de la imagen, en el que clasificamos los píxeles de la imagen en distintas categorías para su posterior estudio. Existen distintas formas de abordar esta segmentación. Una de las más comunes es utilizar un umbral de intensidad para separar lo que consideramos señal positiva del resto. Este es un sistema que funciona bastante bien en determinados tipos de imágenes (como las de fluorescencia) pero que en otras ocasiones (imágenes de campo claro, contraste de fases, etc.) es difícil de aplicar. Aun así, en estos casos suele ser sencillo para nosotros distinguir los distintos objetos de interés al observar las muestras, pero el problema está en conseguir decirle a nuestro programa de análisis cómo separarlos del resto. Aquí es donde viene en nuestra ayuda el plugin Trainable Weka segmentation.
SERVICIOS DE APOYO A LA INVESTIGACIÓN 