Automatic optimization of deep learning models and reconstruction of training data for microscopic image processing

点击翻译按钮获取中文摘要

本研究では、生物学研究における深層学習の利用促進のため、顕微鏡画像処理の自動化を目指す。そのため、深層学習モデルを自動最適化する方法と学習データ自動構築方法を開発する。開発目標として挙げていた３種類の深層学習モデル（セグメンテーション、機能拡張、分類）のうち２種類について、自動最適化方法を構築した。具体的には、機能拡張モデルの一つであるCAREと、セグメンテーションモデルであるCellpose、StarDistについて、ハイパーパラメータを最適化し、適用画像に最適なモデルを自動的に構築する方法を開発した。線虫C. elegans胚の顕微鏡画像を用いてCAREによる画像修復を評価したところ、本手法を用いない場合多くのアーティファクトが生じたのに対し、本手法を適用した場合はそれらが生じないことがわかった。また、Cellpose、StarDistにおいても、目視による画像解析と同様の結果を得られることが分かった。本手法が、生物学研究に有用であることを示すため、開発手法を用いて画像処理パイプラインを構築し、線虫C. elegans胚52個体の発生における細胞形態変化を定量解析した。個体間で比較することにより、細胞の形態変化には高い再現性と固有性があることを発見した。また、個体差の細胞間の違いについて評価したところ、系統、世代、細胞間コンタクトなどの複数の要因によって決定されていることが明らかとなった（Azuma et al., 2023）。以上の研究により、深層学習モデルを自動最適化する方法が生物学的な知見を得るのに有用であることが実証された。