UnMICST - 用于细胞识别和组织分割的通用模型

概述

细胞核分割，尤其是组织中的细胞核分割，是一项具有挑战性且尚未完全解决的问题。卷积神经网络特别适用于此类任务：将前景类别（细胞核像素）与背景类别分离。UnMICST生成概率图，其中每个像素的强度表示该像素被正确分类为上述类别的置信度。这些概率图可使用s3segmenter（[**] et al., 2015），未来将支持Mask R-CNN和金字塔场景解析（PSP）Net。相关概念、模型和训练数据详见：[]

核心功能与特性

• 概率图生成：输出细胞核前景、轮廓和背景的概率图，支持精准二值化
• 多组织类型适配：针对7种不同形态的组织类型训练，适应复杂组织微阵列
• 多版本支持：提供solo（仅使用DNA通道，默认）和duo（DNA+核膜染色）版本
• 鲁棒性增强：训练数据包含失焦平面和饱和像素，提升对真实世界图像伪影的处理能力
• 灵活部署：通过Docker容器化，包含所有依赖，支持GPU/CPU运行

训练数据与注释

训练数据可通过以下链接获取：[*]

• 组织类型：7种涵盖不同形态的组织，包括肺腺癌、非肿瘤前列腺、非肿瘤小肠、非肿瘤卵巢、扁桃体、胶质母细胞瘤和结肠腺癌
• 注释内容：上述组织类型的细胞核中心、轮廓及背景的手动标注
• 染色数据：DNA通道和核膜染色（lamin B和核孔蛋白98）数据，用于提升分割准确性
• 真实伪影处理：包含故意失焦的平面和饱和像素，以增强对实际成像伪影的鲁棒性

先决条件文件

• 格式要求：支持.ome.tif或.tif格式
• 图像质量建议：建议进行平场校正，减少饱和像素，确保图像聚焦良好
• 像素大小适配：模型训练基于0.65微米/像素的图像，若实际像素大小不同，可通过缩放因子调整

预期输出文件

1. 概率图堆叠：Z轴拼接的多通道TIFF堆栈，顺序为：细胞核前景、细胞核轮廓、背景，文件后缀为_Probabilities
2. QC预览图：DNA图像与细胞核轮廓概率图拼接的质量控制图像，文件后缀为_Preview

使用方法与配置说明

核心参数说明

通过运行unmicstwrapper.py函数配置以下关键参数：

• --tool：指定UnMICST版本（必填）
  • unmicst-legacy：已弃用的小鼠模型
  • unmicst-solo（默认）：仅使用DNA通道
  • unmicst-duo：使用DNA和核膜染色通道
• --channel：指定使用的图像通道
• --scalingFactor：图像缩放因子，用于适配与训练数据不同的像素大小
• --mean 和 --std：图像均值和标准差，用于校正亮度/对比度差异较大的图像

Docker部署示例

1. 拉取镜像

从Dockerhub获取指定版本或latest标签的镜像：

docker pull labsyspharm/unmicst:latest

2. 启动容器

带GPU运行（需安装NVIDIA Docker运行时）：

docker run -it --runtime=nvidia -v /本地数据路径:/data labsyspharm/unmicst:latest bash

无GPU运行：

docker run -it -v /本地数据路径:/data labsyspharm/unmicst:latest bash

说明：-v /本地数据路径:/data将本地数据目录挂载到容器内的/data目录

3. 运行UnMICST

容器内UnMICST程序位于/app目录，执行以下命令处理图像：

python app/UnMicst.py /data/input/输入图像.tif --outputPath /data/results

示例中，/data/input/输入图像.tif为挂载的本地输入图像路径，/data/results为输出结果路径

参考文献

Clarence Yapp*, Edward Novikov*, Won-Dong Jang, et al. UnMICST: Deep learning with real augmentation for robust segmentation of highly multiplexed images of human tissues. Nat Commun Biol. 2022; 5:1263. [***]

S Saka, Y Wang, J Kishi, et al. Highly multiplexed in situ protein imaging with signal amplification by Immuno-SABER. Nat Biotechnology. 2020.