FiCRoN, un algoritmo basado en deep learning para la determinación automática de carga parasitaria intracelular a partir de imágenes de microscopía de fluorescencia.

Graciela Juez-Castillo, Brayan Valencia-Vidal, Lina M. Orrego, María Cabello-Donayre, Laura Montosa-Hidalgo, José M. Pérez-Victoria

Relevancia: Medical Image Analysis, IF 10.9; D1 en 4 categorías

RESUMEN

Los parásitos protozoarios son responsables de enfermedades dramáticas y desatendidas. La determinación automática de la carga de parásitos intracelulares a partir de imágenes de microscopía de fluorescencia es un problema desafiante. Aunque los recientes avances en deep learning están transformando este proceso, aun no se han desarrollado algoritmos de alto rendimiento. Las limitaciones en la adquisición de las imágenes, especialmente para parásitos intracelulares, hacen que este proceso sea complejo. Por esta razón, los métodos tradicionales de procesamiento de imágenes no se transfieren fácilmente entre diferentes conjuntos de datos y las estrategias basadas en la segmentación no tienen un alto rendimiento. Aquí, proponemos un nuevo método, FiCRoN, basado en redes convolucionales de regresión (FCRNs), como una nueva y prometedora herramienta para estimar la carga de parásitos intracelulares. Esta estimación requiere tres valores: número de parásitos intracelulares, número de células infectadas y número de células no infectadas. FiCRoN resuelve este problema como un aprendizaje multitarea haciendo un conteo por regresión a dos escalas, una escala menor para los parásitos intracelulares y otra mayor para las células hospederas. Nuestro método no utiliza procesos de segmentación ni detección, lo cual se traduce en una mayor generalización de las tareas de conteo y, por tanto, en una disminución de la propagación de errores. La regresión lineal revela un excelente coeficiente de correlación entre los métodos manual y el método automático. FiCRoN es un software de análisis de imágenes, libre, innovador, basado en deep learning, diseñado para proporcionar una cuantificación rápida y precisa de la carga parasitaria, también potencialmente útil en el conteo de células individuales.

Figura: a. Flujo de trabajo experimental para la realización de ensayos de infección de macrófagos derivados de médula ósea de ratón con L. major, protocolos de tinción y adquisición de las imágenes de microscopía de fluorescencia. b. Arquitectura de la red neuronal desarrollada para la construcción del método FiCRoN .

https://doi.org/10.1016/j.media.2023.103036