Development of a machine learning platform for analysis of mitochondrial features in live-cell images

Abstract

Canlı hücrelerdeki organelleri 2 ve 3 boyutlu görüntülerinde işaretlemek ve izlenen koşullar altında uyarılara verdikleri davranışsal geri bildirimleri ölçmek zahmetli ve hataya açık bir manuel işlemdir. Bu manuel süreç, makine öğrenimi teknikleriyle büyük ölçüde otomatik hale getirilerek basitleştirilebilir. Bu çalışmada, özellikle mitokondri olmak üzere, hücre altı yapıları belirleyen, doğal koşullar altında ya da dış faktörlerden kaynaklanan değişikliklerin etkilerini izlemeye yardımcı olan MitoML adlı makine öğrenimi tabanlı bir yazılım platformu oluşturduk. Bu hedefler için uygun makine öğrenimi tekniklerini araştırarak alternatif çözümler üzerinde çalışmalar yaptık. Yapay sinir ağları ile görüntü işleme ve bölütleme teknikleri, mitokondrileri otomatik olarak bölerek ve sayarak, araştırmacıların büyük ölçekte deneyler yapmalarını, ölçüm işlemlerini yüksek doğrulukta gerçekleştirmelerini ve bölge parlaklığına dayalı enerji potansiyellerini hesaplamalarını sağlar. MitoML kullanılarak, sağlıklı ve kanser hücrelerinde, nano tıp ve farklı tedavi terapileri gibi çeşitli koşullar altında mitokondri geri bildiriminin analizi gerçekleştirilebilir. Çalışmamızın bir sonucu olarak, mitokondriyi tanımlayabilen ve sayabilen, floresan ve diğer mikroskopi görüntülerinde enerji seviyelerini hızlı ve standart güvenilir bir doğrulukla ölçebilen, kademeli bir sinir ağı mimarisi önerdik. Test sonuçlarımız, temel alınan tıbbi görüntü segmentasyonu için kullanılan araçlardaki klasik görüntü işleme algoritmalarından daha iyi performans gösterdi. Ayrıca, Dice ve IoU metriklerine göre sırasıyla %93,4 ve %89,6 doğruluk oranlarına erişerek, araştırma sırasında karşılaşılan diğer çalışmaların sonuçlarından daha iyi skorlar da elde etmeyi başardık. Önerilen yöntem, araştırmacıları, insan hatasına açık, standart güvenilirliği olmayan ve zahmetli diğer manuel işlemlerden, diğer hücre altı yapılar için de kurtaracak şekilde geliştirilebilir.

It is a laborious and error-prone manual process to mark the organelles in 2D and 3D images of living cells and identify the behavioral feedback to stimulations under measured conditions. This manual process can be simplified by being largely automated with machine learning techniques. We created a machine learning-based software platform named MitoML, which extracts sub-cellular structures, specifically mitochondria, and helps to identify the effects of external factors or changes under natural conditions. We investigate appropriate machine learning techniques for these objectives. Image processing and segmentation techniques with neural networks, enable researchers to carry out experiments with much better accuracy and a larger scale by automatically segmenting and counting the mitochondria, calculate the energy potentials based on region brightness. This way, analysis of mitochondria feedback in healthy and cancer cells under various conditions, such as nanomedicine and different treatment therapies, can be performed using MitoML. As a result of our work, we proposed a cascaded neural network architecture that can identify and count mitochondria, quantify its energy levels in fluorescence and other microscopy images, fast and at a standard reliable accuracy. Our test results outperformed the classical image processing algorithms provided in segmentation tools and software for medical image segmentation which was taken as a base line. Achieved accuracy rates 93.4% and %89.6 according to Dice and IoU metrics respectively are also better than any other related work encountered during the research. The proposed method can be improved to cover other sub-cellular structures relieving the researchers from non-standardized and laborious manual work which is prone to human error.