In questo capitolo vengono presentati i risultati dei nuovi dati di riferimento che abbiamo creato e di altri set di dati utilizzati nei lavori precedenti. AutoCellSeg è stato confrontato con altri strumenti software utilizzando varie misure di qualità.,
Nuovi dati di riferimento
Abbiamo etichettato 12 immagini, che sono state acquisite nei nostri laboratori, per la verità a terra da diverse specie batteriche (3 immagini ciascuna) tra cui E. coli, Klebsiella pneumoniae, Pseudomonas aeruginosa e Staphylococcus aureus. Le immagini sono state etichettate delineando i confini delle colonie utilizzando Adobe Photoshop e quindi con MATLAB per creare immagini binarie etichettate. Di conseguenza queste immagini di verità a terra vengono utilizzate per estrarre: (1) numero di colonie (2) dimensione di ogni singola colonia in pixel.,
I precedenti rapporti sulla specificità e la sensibilità degli strumenti utilizzati per il conteggio delle colonie si basano prevalentemente sul conteggio totale. Tale confronto fornisce una visione minore della plausibilità delle colonie, specialmente in termini di dimensioni rilevate. La dimensione di ogni colonia potrebbe essere di uguale importanza in molti esperimenti. Pertanto, dovrebbe essere incorporato anche un criterio di qualità basato sulla precisione della segmentazione. La misura di qualità Q, basata su24, è stata utilizzata per valutare l’esito del processo di segmentazione (vedere i dati supplementari 1 per maggiori dettagli)., Q tiene conto di: differenza nel conteggio dei segmenti rispetto alla verità di massa (q1) e numero di pixel di segmento classificati in modo errato (q2).
Utilizzando Q sul nuovo benchmark, sono stati confrontati diversi strumenti (vedi Fig. 2). Poiché sia IJM che ImageJ Edge falliscono in presenza di contenitore CFU nell’immagine, abbiamo optato per soluzioni alternative come OpenCFU. Abbiamo anche sviluppato una pipeline su misura in CellProfiler, basata sul lavoro svolto da8, e una combinazione di Ilastik e CellProfiler per il confronto con AutoCellSeg., Mentre AutoCellSeg estrae automaticamente l’area della capsula di Petri, CellProfiler e OpenCFU no. In OpenCFU è necessaria una regione di interesse (ROI) sotto forma di un cerchio a 3 punti o di un poligono complesso per estrarre le informazioni presenti solo all’interno del contenitore. La funzione “Auto-Petri” menzionata in12 non si vede da nessuna parte sulla sua GUI e non funziona perfettamente nel back-end poiché in diversi risultati il rumore al di fuori del piatto è stato segmentato. Una pipeline separata è stata utilizzata per ogni specie e può essere trovata nel repository AutoCellSeg: https://github.com/AngeloTorelli/AutoCellSeg/tree/master/DATA/Benchmark., Ad esempio, la pipeline CellProfiler e i risultati per E. coli possono essere trovati nella propria cartella: https://github.com/AngeloTorelli/AutoCellSeg/tree/master/DATA/Benchmark/E. coli/CellProfiler. A causa della regolazione manuale dei parametri e della selezione manuale del piatto perti, CellProfiler potrebbe non essere la soluzione per un throughput elevato e una segmentazione completamente automatizzata. Il risultato di segmentazione prodotto da CellProfiler è buono per i set di dati di benchmark, è stato quindi incluso per il confronto.,
L’inclusione di Ilastik è stata fatta perché fornisce una ragionevole previsione pixelwise utilizzando l’apprendimento automatico supervisionato. Per ogni specie batterica, è stata scattata una sola immagine per etichettare i pixel dello sfondo e le colonie (problema di due classi) utilizzando tutte le funzionalità disponibili fino a quando la segmentazione risultante non è stata vicina alla verità del terreno. I risultati della segmentazione sono stati esportati come file tiff e successivamente combinati con la pipeline CellProfiler per la quantificazione.,
OpenCFU evita falsi rilevamenti grazie ai suoi accurati criteri di selezione delle colonie. In OpenCFU l’utente deve fare attenzione all’intervallo di dimensioni della colonia da inserire manualmente utilizzando la barra di scorrimento. Se viene selezionato un raggio inferiore molto piccolo, OpenCFU produce molti falsi positivi oltre a rilevare il rumore sia all’interno che all’esterno del contenitore CFU. Al contrario, se un raggio inferiore è impostato su un valore adatto (cioè 25-35 in caso di Staphylococcus aureus), il conteggio delle colonie è ampiamente sottostimato., Un utente deve prima provare valori diversi per raggio inferiore per ottenere un buon risultato di segmentazione. La selezione di questi valori può essere banale per l’utente esperto, ma anche in questo caso richiede ancora tentativi ed errori se devono essere valutati diversi set di dati con risoluzioni diverse. Questo problema viene adeguatamente corretto in AutoCellSeg, dove l’utente deve solo fare clic su una piccola e una grande colonia poiché il raggio inferiore e superiore vengono quindi estratti automaticamente utilizzando il metodo di marcia veloce.
L’altro problema principale in OpenCFU è che non esiste una soluzione di throughput batch completamente automatizzata., Un utente deve fare clic manualmente sulla scheda’> ‘ sulla GUI per elaborare l’immagine successiva. Ciò ostacola la sua capacità di essere utilizzato per set di dati più grandi anche quando i parametri globali per la segmentazione/conteggio potrebbero essere impostati in modo sicuro. Al contrario, AutoCellSeg consente di essere utilizzato in modalità completamente automatizzata senza alcun tipo di intervento umano durante il suo processo di esecuzione.
Sia OpenCFU che AutoCellSeg sono stati utilizzati in modalità semiautomatica (vedere ‘Selezione del processo’ in Dati supplementari 2 per le diverse modalità di funzionamento)., I risultati della segmentazione sono stati ottenuti come maschere binarie direttamente dalla pipeline AutoCellSeg e CellProfiler. Tuttavia, nel caso di OpenCFU, le caratteristiche utilizzabili per il confronto della qualità richiesta sono il centro e il raggio delle colonie. Questo un altro inconveniente di OpenCFU, che non si può ottenere direttamente una maschera binaria per confronto di conteggio / dimensione di colonie con verità di terra. Usando il centro e il raggio delle colonie, abbiamo ricostruito i cerchi binari per emulare le colonie e abbiamo usato la segmentazione dello spartiacque per separare le colonie sovrapposte., Questo è stato fatto per abbinare il numero e la dimensione delle colonie come estratto dal software OpenCFU. Tutte e tre le maschere binarie ottenute sono state confrontate con la verità di terra per il conteggio totale e la dimensione delle colonie usando Q.
Alcuni risultati di esempio del nuovo set di dati di immagine di benchmark sono mostrati in Fig. 2. I colori rosso, ciano, blu e verde sono utilizzati per rappresentare rispettivamente CellProfiler, Ilastik + CellProfiler, OpenCFU e AutoCellSeg. In alcuni casi, CellProfiler offre un’ottima segmentazione., I risultati di Ilastik con CellProfiler nell’operazione batch non erano drasticamente migliori di OpenCFU o CellProfiler. Tuttavia, la combinazione dei due produce risultati paragonabili a AutoCellSeg quando si etichettano tutte le immagini singolarmente, ma si tratta a scapito sia del tempo che dello sforzo di etichettatura. AutoCellSeg supera ancora le altre soluzioni in termini di qualità Q del risultato di segmentazione. Il confronto individuale può essere visto nei grafici di Fig. 2., Il confronto complessivo tra AutoCellSeg, OpenCFU e CellProfiler e la combinazione di Ilastik + Cellprofiler è riportato nella Tabella 1 utilizzando un valore medio Q (Q m) e un valore medio q1 (q1,m).
Control/test analysis
A differenza di altre soluzioni software di analisi CFU, AutoCellSeg ha la possibilità di confrontare diverse modalità di dati., Ad esempio, in un esperimento microbiologico, potrebbe essere necessario conoscere i cambiamenti nella morfologia e nel numero di CFU che si verificano durante il trattamento. Il test è stato quello di irradiare le colonie con luce blu per osservare le differenze di dimensioni e numero di colonie. Pertanto, AutoCellSeg richiede all’utente di selezionare controllare e testare le immagini al fine di effettuare un confronto esperimento-saggio. Ad esempio, abbiamo scelto una serie di immagini di controllo e test da E. coli. Un test (cioè irradiazione di luce) viene eseguito per osservare il cambiamento di dimensione CFU rispetto alle immagini di controllo.,
Ci sono tre coppie di test/controllo rappresentate da numeri. Le immagini vengono caricate in AutoCellSeg e i parametri vengono regolati come mostrato nei dati supplementari 3. Il programma viene quindi eseguito in modalità semi-automatica. La correzione viene eseguita su ogni singola immagine e quando tutte le immagini vengono elaborate, l’utente può scegliere di visualizzare i grafici di confronto. I contorni del segmento (l’output dopo l’esecuzione del processo) sono i risultati del rilevamento AutoCellSeg. I risultati di segmentazione per tutte le immagini sono mostrati in: https://github.com/AngeloTorelli/AutoCellSeg/tree/master/DATA/control_test., I contorni ciano rappresentano la delineazione del CFU di controllo e il rosso rappresenta i contorni dell’esperimento di prova in base alla convenzione di denominazione. Per ogni coppia di set di dati, viene tracciata una funzione di stima della densità del kernel (KDE) che descrive la distribuzione dimensionale delle colonie (in pixel) come mostrato in Fig. 3. La funzione restituisce una stima della densità di probabilità di dimensione CFU. La stima si basa su una normale funzione del kernel e viene valutata in punti equidistanti, x i, che coprono l’intervallo dei dati in x. Qui, x è usato per descrivere la dimensione CFU a.,