細胞セグメンテーション：その概要とビジョンAIによる強化

創薬、がん研究、パーソナライズド医療における多くのブレークスルーは、細胞を鮮明に観察するという1つの重要な課題から始まります。科学者は、細胞の挙動を追跡し、薬剤を評価し、新しい治療法を模索するために、鮮明な画像に依存しています。

1枚の顕微鏡画像には数千もの重なり合った細胞が含まれることがあり、境界の識別を困難にしています。細胞セグメンテーションは、正確な分析のために各細胞を明確に分離することで、この問題の解決を目指します。

しかし、細胞セグメンテーションは必ずしも単純ではありません。1つの研究で数千枚もの詳細な顕微鏡画像が生成されるため、手作業で確認するには多すぎます。データセットが拡大するにつれ、科学者は細胞を分離・研究するための、より高速で信頼性の高い方法を必要としています。

実際、多くの科学者は、機械が視覚情報を解釈・分析できるようにするAIの分野であるコンピュータビジョンを採用しています。例えば、インスタンスセグメンテーションをサポートするUltralytics YOLO11のようなモデルは、細胞を分離し、さらには細胞内構造を検出するようにトレーニングできます。これにより、数時間ではなく数秒で正確な分析が可能になり、研究者が効率的に研究をスケールできるよう支援します。

図1: 細胞の核（細胞の中心）を識別して輪郭を描く、核セグメンテーションに使用されるYOLO。(ソース)

本記事では、細胞セグメンテーションの仕組み、コンピュータビジョンによる改善方法、そして実世界における応用例を探ります。それでは始めましょう！

細胞セグメンテーションにおけるコンピュータビジョンの活用について#

従来、科学者は顕微鏡画像を手作業でトレースして細胞をセグメンテーションしていました。これは小規模なプロジェクトでは機能しましたが、低速で一貫性がなく、エラーが発生しやすい方法でした。1枚の画像に数千もの細胞が重なり合っている場合、手作業でのトレースはすぐに限界に達し、大きなボトルネックとなります。

コンピュータビジョンは、より高速で信頼性の高い選択肢を提供します。これはディープラーニングによって駆動されるAIの一分野であり、機械が大規模な画像セットからパターンを学習します。細胞研究において、これは高い精度で個々の細胞を認識し分離できることを意味します。

具体的には、Ultralytics YOLO11のようなビジョンAIモデルは、物体検出やインスタンスセグメンテーションなどのタスクをサポートし、カスタムデータセットでトレーニングして細胞を分析できます。物体検出により、多くの細胞が密集している場合でも、画像内の各細胞を見つけてラベル付けすることが可能です。

インスタンスセグメンテーションは、各細胞の周囲に正確な境界線を描き、その正確な形状を捉えることでさらに一歩踏み込みます。これらのビジョンAI機能を細胞セグメンテーションのパイプラインに統合することで、研究者は複雑なワークフローを自動化し、高解像度の顕微鏡画像を効率的に処理できるようになります。

細胞セグメンテーションアルゴリズムの進化#

細胞セグメンテーション手法は長年にわたって大きく変化してきました。初期の画像セグメンテーション技術は単純な画像には機能しましたが、データセットが大規模化し、細胞の識別が困難になるにつれて苦戦するようになりました。

これらの制限を克服するために、より高度なアプローチが開発され、微生物学や顕微鏡学の研究にスピード、精度、スケーラビリティをもたらす今日のコンピュータビジョンモデルにつながっています。

次に、基本的なしきい値処理手法から最先端のディープラーニングモデル、ハイブリッドパイプラインに至るまで、セグメンテーションアルゴリズムがどのように進化してきたかを解説します。

しきい値処理と形態学的手法による細胞セグメンテーション#

コンピュータビジョンの進歩以前は、細胞セグメンテーションは従来の画像処理技術に依存していました。これらの手法は、エッジの検出、前景と背景の分離、形状の平滑化など、手動で定義されたルールと操作に依存していました。データから直接パターンを学習できるコンピュータビジョンモデルとは異なり、画像処理はすべての画像に同じ方法で適用される固定アルゴリズムに依存しています。

初期のアプローチの1つが閾値処理であり、これはピクセルの明るさのレベルを比較することによって細胞を背景から分離する方法です。これは、細胞とその周囲の間に強いコントラストがある場合にうまく機能します。

図2: 閾値処理ベースの細胞セグメンテーションの例。(ソース)

結果を洗練させるために、膨張（形状の拡大）や収縮（形状の縮小）といった形態学的操作を用いて、エッジの平滑化、ノイズ除去、または小さな隙間の閉鎖が行われます。接触したり重なり合ったりする細胞に対しては、細胞が接する部分に境界線を描くことで分離を助ける、ウォーターシェッドセグメンテーションという技術が使用されます。

これらの技術は、細胞の重なりやノイズの多い画像のような複雑なケースでは苦戦しますが、単純なアプリケーションでは依然として有用であり、細胞セグメンテーションの歴史において重要な役割を果たしています。しかし、その限界が、より難易度の高い画像に対してはるかに高い精度を発揮するディープラーニングベースのモデルへとこの分野を推し進めました。

細胞セグメンテーションのためのディープラーニングモデル#

画像処理技術が限界に達するにつれ、細胞セグメンテーションは学習ベースのアプローチへと移行しました。ルールベースの手法とは異なり、ディープラーニングモデルはデータから直接パターンを識別するため、細胞の重なり、可変的な形状、異なる撮像モダリティに対してより適応的です。

畳み込みニューラルネットワーク（CNN）は、コンピュータビジョンで広く使用されているディープラーニングアーキテクチャのクラスです。これらはレイヤーで画像を処理します。初期のレイヤーはエッジやテクスチャなどの単純な特徴を検出し、より深いレイヤーはより複雑な形状や構造をキャプチャします。この階層化されたアプローチにより、CNNはパターン認識による日常的なオブジェクトの認識から生物医学的画像の分析まで、多くの視覚的タスクに効果的になります。

Ultralytics YOLO11 のようなモデルは、これらのディープラーニングの原理に基づいて構築されています。これらは CNN ベースのアーキテクチャをリアルタイム物体検出やインスタンスセグメンテーションの手法で拡張し、細胞を素早く特定してその境界線を輪郭抽出することを可能にします。

ハイブリッドパイプラインによる細胞セグメンテーションの強化#

ハイブリッドパイプラインは、複数の手法の利点を組み合わせることで細胞セグメンテーションを向上させます。これには、従来の画像処理とディープラーニングモデルの組み合わせや、異なるディープラーニングベースのモデル同士の連携などが含まれます。

例えば、ある手法で顕微鏡画像を前処理してノイズを低減し境界をシャープにし、別のモデルで細胞を検出・セグメント化するといった方法があります。タスクをこのように分割することで、ハイブリッドアプローチは精度を向上させ、複雑な画像をより効果的に処理し、大規模な研究をより信頼性の高いものにします。

図3: 画質の悪い細胞の入力画像（a）と、前処理によって抽出されたパターン（b）の例。さらなる分析のために細胞の特徴がより鮮明になります。(ソース)

細胞セグメンテーションにおけるデータセットの重要性#

コンピュータビジョンによる細胞セグメンテーションにおいて考慮すべきもう一つの重要な要素は、画像データです。コンピュータビジョンモデルは、細胞を正確に識別し分離する方法を学習するために、大規模で高品質なデータセットに大きく依存しています。

これらのデータセットは通常、アノテーションとペアになった顕微鏡画像で構成されています。生の画像と同様に、データアノテーション（ラベル付け）はモデルに重要な情報を伝えるため、効果的なデータセットを作成する上で重要な役割を果たします。

例えば、顕微鏡画像からがん細胞をセグメンテーションするために Ultralytics YOLO11 のようなモデルをトレーニングしたい場合、各細胞がどこで始まりどこで終わるかを示すアノテーション付きの例が必要です。これらのラベルはガイドとして機能し、細胞の形態や境界を認識する方法をモデルに教えます。アノテーションは、時間を節約するために手動で描画することも、半自動ツールを使用して作成することもできます。

アノテーションの種類もタスクによって異なります。物体検出では、各細胞の周囲にバウンディングボックスを描画します。インスタンスセグメンテーションでは、ラベルは各細胞の正確な輪郭をなぞる詳細なマスクのようになります。適切な種類のアノテーションとトレーニングデータを選択することで、モデルがそのタスクに必要なことを学習する助けとなります。

細胞セグメンテーションに関連するデータの複雑さ#

一般的に、コンピュータビジョンのデータセット構築は難しい場合があります。特に既存の画像コレクションがない場合や、その分野が非常にユニークで専門的である場合はなおさらです。しかし、細胞研究の分野では、データ収集とアノテーションをさらに複雑にする技術的な困難が存在します。

顕微鏡画像は、細胞撮像手法によって大きく見え方が異なります。例えば、蛍光顕微鏡では、細胞の一部を光らせる色素を使用します。これらの蛍光画像は、通常では見えにくい詳細を強調します。

アノテーションも大きな課題です。数千もの細胞を手作業でラベル付けするのは時間がかかり、専門知識を必要とします。細胞はしばしば重なり合ったり、形状が変化したり、あるいはかすかにしか写らなかったりするため、ミスが入り込みやすくなります。半自動ツールはプロセスを加速できますが、品質を保証するためには通常、人間の監督が必要です。

作業負荷を軽減するため、研究者は完全な輪郭を描く代わりに、細胞の場所を示す関心領域マーカーのような単純なアノテーションを使用することがあります。精度は劣りますが、これらのマーカーはトレーニングのための重要なガイドとなります。

これに加えて、生物学におけるデータ共有はさらなる合併症を招きます。プライバシーの問題、患者の同意、研究室間での撮像装置の差異などが、一貫した高品質なデータセットの構築をより困難にしています。

これらの障害にもかかわらず、オープンソースデータセットは大きな違いを生み出しました。GitHubなどのプラットフォームを通じて共有されるパブリックコレクションは、多くの細胞タイプやイメージング方法にわたって数千のラベル付き画像を提供し、モデルが現実世界のシナリオによりよく一般化するのを支援します。

細胞セグメンテーションモデルの応用#

コンピュータビジョンを用いた細胞セグメンテーションに使用されるデータや手法についての理解が深まったところで、細胞セグメンテーションとコンピュータビジョンの実用的な応用例を見ていきましょう。

細胞セグメンテーションを用いたシングルセル分析#

シングルセル分析、つまり組織全体ではなく個々の細胞を研究することは、広範なレベルでは見落とされがちな詳細を科学者が観察するのに役立ちます。このアプローチは、細胞がどのように機能し、異なる条件下でどのように反応するかを理解するために、細胞生物学、創薬、診断の分野で広く利用されています。

例えば、がん研究において、組織サンプルには多くの場合、がん細胞、免疫細胞、および支持（間質）細胞が混在しています。組織全体としてのみ観察すると、免疫細胞が腫瘍とどのように相互作用するか、あるいは血管近くのがん細胞がどのように振る舞うかといった重要な違いが隠れてしまう可能性があります。

シングルセル解析により、研究者は細胞の種類を分離して個別に研究することが可能になります。これは治療反応や疾患の進行を理解する上で極めて重要です。インスタンスセグメンテーションをサポートするUltralytics YOLO11などのモデルは、混み合った画像や重なり合った画像の中でも、各細胞を検出し、その正確な輪郭を描き出すことができます。YOLO11は、複雑な顕微鏡画像を構造化データに変換することで、研究者が数千もの細胞を迅速かつ一貫性を持って分析できるようにします。

YOLOを用いた細胞追跡とライブイメージング#

細胞は分裂し、移動し、周囲の環境に様々な方法で反応します。生きた細胞が時間の経過とともにどのように変化するかを分析することは、健康時および疾患時における細胞の挙動を理解する助けとなります。

位相差顕微鏡や高解像度顕微鏡などのツールを使用することで、研究者は色素やラベルを追加することなくこれらの変化を追跡できます。これにより細胞を自然な状態に保ち、結果をより信頼性の高いものにすることができます。

細胞を時間の経過とともに追跡することは、見落とされがちな詳細を捉えるのにも役立ちます。ある細胞は他の細胞よりも速く動いたり、異常な方法で分裂したり、刺激に対して強く反応したりすることがあります。これらの微妙な違いを記録することで、細胞が実際の条件でどのように振る舞うかのより明確な全体像が得られます。

Ultralytics YOLOv8などのコンピュータビジョンモデルにより、このプロセスがより高速で一貫したものになります。画像シーケンス全体で個々の細胞を検出し追跡することにより、YOLOv8は、細胞が重なり合ったり形を変えたりする場合でも、細胞の動き、分裂、相互作用を自動的に監視できます。

図 4. 細胞検出に使用されている Ultralytics YOLOv8 のセグメンテーション結果。（出典：mdpi.com）

ビジョンAIとバイオインフォマティクスおよびマルチオミクスの統合#

全細胞セグメンテーションに使用される Ultralytics YOLO11 のようなコンピュータビジョンモデルからの洞察は、バイオインフォマティクス（生物学的データを解析するための計算手法の使用）やマルチオミクス（DNA、RNA、タンパク質情報の統合）と組み合わせることで、より大きなインパクトを生み出すことができます。これらの手法を組み合わせることで、研究は細胞の境界を描くだけにとどまらず、それらの境界が何を意味するのかを理解することへと前進します。

細胞がどこにあるかを特定するだけでなく、科学者は細胞がどのように相互作用するか、組織構造が疾患でどのように変化するか、そして細胞形状のわずかな変化が分子活動とどのように結びついているかを研究できます。

腫瘍サンプルを例に挙げます。がん細胞のサイズ、形状、または位置を分子プロファイルと結びつけることで、研究者は遺伝子変異、遺伝子発現、または異常なタンパク質活性との相関を見つけることができます。これにより、静的な画像が実践的な知見へと変わり、腫瘍全体にわたる遺伝子活性の追跡、リアルタイムでのタンパク質挙動のマップ化、構造と機能を結びつける参照アトラスの構築に役立ちます。

細胞セグメンテーションの利点#

細胞セグメンテーションにコンピュータビジョンを使用する主な利点をいくつか挙げます：

• ハイスループットスクリーニング： 自動化されたセグメンテーションは数百万もの細胞を効率的に処理でき、大規模な創薬と試験を加速させます。
• 空間構成の洞察： 細胞が組織内でどのように配置されているかを示し、腫瘍環境や組織の発達に関する重要な手がかりを提供します。
• 定量データの生成： 細胞画像からの視覚的な洞察を超えて、セグメンテーションは細胞数、面積、輝度レベルなどの測定可能な情報を提供し、実験全体での信頼性の高い比較を可能にします。

細胞セグメンテーションにビジョンAIを使用する際の制限#

コンピュータビジョンは細胞セグメンテーションに多くの利点をもたらしますが、いくつかの制限もあります。留意すべきいくつかの要素を以下に挙げます：

• データプライバシー: モデルのトレーニングのために注釈付きの細胞データセットを共有すると、特に患者情報が画像にリンクされている場合、倫理的および規制上の懸念が生じる可能性があります。
• ハードウェアと計算負荷の要求： 高解像度のバイオ画像分析には強力なGPUとストレージが必要です。クラウドコンピューティングと最適化されたアルゴリズムが、これへのアクセスを容易にする助けとなっています。
• モデルの汎化性能： ある研究室の顕微鏡や染色プロトコルでトレーニングされたモデルは、他の場所ではうまく機能しない可能性があります。多様でマルチラボのデータセットでトレーニングすることで堅牢性が向上します。

細胞セグメンテーションの未来#

次世代の細胞セグメンテーションは、スピード、精度、スケーラビリティを兼ね備えたコンピュータビジョンモデルによって定義される可能性が高いです。U-Netのようなモデルは非常に影響力がありましたが、計算負荷が高い場合があります。コンピュータビジョンの進歩に伴い、研究者は高い精度とリアルタイムパフォーマンスの両方を実現するモデルへと移行しています。

例えば、Ultralytics YOLOv8のような最先端のモデルは、従来のモデルよりもはるかに高速に顕微鏡画像をセグメント化しながら、シャープで正確な境界線を描き出すことができます。

最近の透過型電子顕微鏡（TEM）の研究では、パフォーマンス指標として、Ultralytics YOLOv8がU-Netの最大43倍の速度で動作することが示されました。このようなパフォーマンスにより、大規模なデータセットをリアルタイムで分析することが可能になります。これは、イメージング研究の規模が拡大するにつれてますます重要になっています。

図5: U-Net（c）などの他のモデルと比較して、セグメンテーションにYOLOv8を使用する（d）と、顕微鏡画像でよりシャープで正確な輪郭が生成されます。(ソース)

これらの改善はすでに実践されています。Theia Scientific’s Theiascope™などのプラットフォームは、Ultralytics YOLOモデルと透過型電子顕微鏡（TEM）を統合し、ナノスケール構造を一貫して大規模にセグメンテーションできるようにします。このプラットフォームは、リアルタイムの検出とセグメンテーションにUltralytics YOLOモデルを使用し、TEM画像がキャプチャされるときに構造を自動的に特定し、信頼性が高く分析すぐに使えるデータに変換します。

重要なポイント#

細胞セグメンテーションは、現代の顕微鏡検査や生物医学研究において重要な役割を果たします。これにより、科学者は個々の細胞を観察し、病気の進行を追跡し、治療が細胞の挙動にどのように影響するかをモニタリングすることができます。Ultralytics YOLO11のようなビジョンAIモデルは、このプロセスをより速く、より正確にします。大規模で複雑な画像を容易に処理することで、実験の再現性と拡張性を確保します。

コミュニティに参加し、GitHubリポジトリにアクセスして、AIについて詳しく学んでください。AIと農業や物流におけるコンピュータビジョンなどのアプリケーションについて詳しく知るには、ソリューションページをご覧ください。ライセンスオプションを確認して、今すぐコンピュータビジョンを使った構築を始めましょう！