en este capítulo, se presentan los resultados de los nuevos datos de referencia que creamos y otros conjuntos de datos utilizados en trabajos anteriores. AutoCellSeg se comparó con otras herramientas de software utilizando varias medidas de calidad.,
nuevos datos de referencia
etiquetamos 12 imágenes, que fueron adquiridas en nuestros laboratorios, para la verdad de tierra de diferentes especies bacterianas (3 imágenes cada una) incluyendo E. coli, Klebsiella pneumoniae, Pseudomonas aeruginosa y Staphylococcus aureus. Las imágenes fueron etiquetadas delineando límites de colonias usando Adobe Photoshop y luego con MATLAB para crear imágenes binarias etiquetadas. En consecuencia, estas imágenes de la verdad de tierra se utilizan para extraer: (1) recuento de colonias (2) Tamaño de cada colonia individual en píxeles.,
los informes anteriores sobre la especificidad y sensibilidad de las herramientas utilizadas para el recuento de colonias se basan predominantemente en el recuento total solamente. Tal comparación da una menor idea de la plausibilidad de las colonias, especialmente en términos del tamaño detectado. El tamaño de cada colonia podría ser de igual importancia en muchos experimentos. Por lo tanto, también debe incorporarse un criterio de calidad basado en la precisión de la segmentación. La medida de calidad Q, basada en24, se utilizó para evaluar el resultado del proceso de segmentación (ver datos complementarios 1 para más detalles)., Q tiene en cuenta: la diferencia en el conteo de segmentos con respecto a la verdad de tierra (q1), y el número de píxeles de segmento mal clasificados (q2).
utilizando Q en el nuevo benchmark, se compararon diferentes herramientas(Ver Fig. 2). Dado que tanto IJM como ImageJ Edge fallan en presencia de un contenedor CFU en la imagen, optamos por soluciones alternativas como OpenCFU. También desarrollamos una tubería a medida en CellProfiler, basada en el trabajo realizado por8, y una combinación de Ilastik y CellProfiler para la comparación con AutoCellSeg., Mientras que AutoCellSeg extrae el área de la placa de Petri automáticamente, CellProfiler y OpenCFU no lo hacen. En OpenCFU se necesita una región de interés (ROI) en forma de un círculo de 3 puntos o polígono complejo para extraer la información que solo está presente dentro del contenedor. La función» Auto-Petri » mencionada en 12 no se ve en ninguna parte de su GUI y tampoco funciona perfectamente en el back-end ya que en varios resultados el ruido fuera del plato se segmentó. Se utilizó una canalización separada para cada especie y se puede encontrar en el repositorio AutoCellSeg: https://github.com/AngeloTorelli/AutoCellSeg/tree/master/DATA/Benchmark., Por ejemplo, la canalización de CellProfiler y los resultados para E. coli se pueden encontrar en su propia carpeta: https://github.com/AngeloTorelli/AutoCellSeg/tree/master/DATA/Benchmark/E. coli/CellProfiler. Debido al ajuste manual de los parámetros y la selección manual del plato perti, CellProfiler puede no ser la solución para un alto rendimiento y una segmentación completamente automatizada. El resultado de segmentación producido por CellProfiler es bueno para los conjuntos de datos de referencia, por lo tanto, se incluyó para la comparación.,
La inclusión de Ilastik se realizó porque ofrece una predicción pixelwise razonable mediante el uso de aprendizaje automático supervisado. Para cada especie bacteriana, solo se tomó una imagen para etiquetar píxeles del fondo y colonias (problema de dos clases) utilizando todas las características disponibles hasta que la segmentación resultante estuvo cerca de la verdad del suelo. Los resultados de la segmentación se exportaron como archivos tiff y posteriormente se combinaron con la canalización CellProfiler para su cuantificación.,
OpenCFU evita falsas detecciones debido a sus cuidadosos criterios de selección de colonias. En OpenCFU el usuario tiene que tener cuidado con el rango de tamaño de Colonia para ser introducido manualmente usando la barra deslizante. Si se selecciona un radio inferior muy pequeño, OpenCFU produce muchos falsos positivos además de detectar el ruido tanto dentro como fuera del contenedor CFU. Por el contrario, si un radio más bajo se establece en un valor adecuado (es decir, 25-35 en el caso de Staphylococcus aureus), el recuento de colonias se subestima en gran medida., Un usuario primero tiene que probar diferentes valores para el radio inferior con el fin de obtener un buen resultado de segmentación. La selección de estos valores puede ser trivial para el usuario experto, pero incluso entonces todavía requiere ensayo y error si se van a evaluar diferentes conjuntos de datos con diferentes resoluciones. Este problema se rectifica adecuadamente en AutoCellSeg, donde el usuario solo tiene que hacer clic en una colonia pequeña y una grande, ya que el radio inferior y superior se extraen automáticamente utilizando el método de marcha rápida.
el otro problema principal en OpenCFU es que no hay una solución de procesamiento por lotes completamente automatizada., Un usuario tiene que hacer clic manualmente en la pestaña’ > ‘ en la GUI para procesar la siguiente imagen. Esto dificulta su capacidad para ser utilizado para conjuntos de datos más grandes, incluso cuando los parámetros globales para la segmentación/Conteo se pueden establecer de forma segura. Por el contrario, AutoCellSeg permite ser utilizado en un modo totalmente automatizado sin ningún tipo de intervención humana durante su proceso de ejecución.
tanto OpenCFU como AutoCellSeg se operaron en modo semiautomático (ver ‘selección de procesos’ en datos suplementarios 2 para diferentes modos de operación)., Los resultados de la segmentación se obtuvieron como máscaras binarias directamente de autocellseg y cellprofiler pipeline. Sin embargo, en el caso de OpenCFU, las características utilizables para la comparación de calidad requerida son el centro y el radio de las colonias. Este es otro inconveniente de OpenCFU, que uno no puede obtener una máscara binaria directamente para la comparación del recuento / tamaño de las colonias con la verdad de tierra. Usando el centro y el radio de las colonias, reconstruimos círculos binarios para emular las colonias y usamos la segmentación de cuencas para separar las colonias superpuestas., Esto se hizo para igualar el número y el tamaño de las colonias extraídas del software de OpenCFU. Las tres máscaras binarias obtenidas se compararon contra la verdad de tierra para el recuento total y el tamaño de las colonias utilizando Q.
algunos resultados de ejemplo del nuevo conjunto de datos de imagen de referencia se muestran en la Fig. 2. Los colores rojo, cian, azul y verde se utilizan para representar CellProfiler, Ilastik + CellProfiler, OpenCFU y AutoCellSeg respectivamente. En algunos casos, CellProfiler ofrece una muy buena segmentación., Los resultados de Ilastik con CellProfiler en operación por lotes no fueron drásticamente mejores que OpenCFU o CellProfiler. Sin embargo, la combinación de los dos produce resultados comparables a AutoCellSeg al etiquetar todas las imágenes individualmente, pero se produce a expensas del tiempo y el esfuerzo de etiquetado. AutoCellSeg todavía supera a las otras soluciones en términos de calidad Q del resultado de segmentación. La comparación individual se puede ver en los gráficos de la Fig. 2., La comparación global entre AutoCellSeg, OpenCFU y CellProfiler y la combinación de Ilastik + Cellprofiler se presenta en la tabla 1 utilizando un valor promedio Q (Q m ) y un valor promedio q1 (q1,m).
control / test analysis
a diferencia de otras soluciones de software de análisis CFU, AutoCellSeg tiene la posibilidad de comparar diferentes modos de datos., Por ejemplo, en un experimento microbiológico, uno puede necesitar conocer los cambios en la morfología y el número de UFC que ocurren durante el tratamiento. La prueba fue irradiar las colonias con luz azul para observar las diferencias en tamaño y recuento de colonias. Por lo tanto, AutoCellSeg solicita al usuario que seleccione Imágenes de control y prueba para hacer una comparación experimental. Por ejemplo, elegimos un conjunto de imágenes de control y prueba de E. coli. Se realiza una prueba (es decir, irradiación de luz) para observar el cambio de tamaño de la UFC con respecto a las imágenes de control.,
Hay tres pares de prueba/control representados por números. Las imágenes se cargan en AutoCellSeg y los parámetros se ajustan como se muestra en los datos suplementarios 3. El programa se ejecuta en modo semiautomático. La corrección se realiza en cada imagen individual y cuando se procesan todas las imágenes, el usuario puede elegir mostrar gráficos de comparación. Los contornos de segmento (la salida después de ejecutar el proceso) son los resultados de la detección de AutoCellSeg. Los resultados de segmentación para todas las imágenes se muestran en: https://github.com/AngeloTorelli/AutoCellSeg/tree/master/DATA/control_test., Los contornos cian representan la delineación de cfu de control y el rojo representa los contornos del experimento de prueba dependiendo de la Convención de nomenclatura. Para cada par de conjuntos de datos, se traza una función de estimación de densidad del núcleo (KDE) que representa la distribución de tamaño de las colonias (en píxeles) como se muestra en la Fig. 3. La función devuelve una estimación de densidad de probabilidad de tamaño CFU. La estimación se basa en una función normal del núcleo, y se evalúa en puntos igualmente espaciados, x i, que cubren el rango de los datos en x. aquí, x se usa para describir el tamaño de la UFC a.,