細胞セグメンテーション：概要とビジョンAIによる強化

創薬、がん研究、個別化医療における多くのブレークスルーは、一つの重要な課題から始まります。それは、細胞を鮮明に見ることです。科学者は、細胞の挙動を追跡し、薬剤を評価し、新しい治療法を探るために、鮮明な画像を必要とします。

1枚の顕微鏡画像に何千もの細胞が重なって写ることがあり、境界を見分けるのが困難になります。細胞セグメンテーションは、各細胞を明確に分離し、正確に分析できるようにすることを目的としています。

しかし、細胞セグメンテーションは常に簡単とは限りません。一つの研究で詳細な顕微鏡画像が何千枚も生成されることがあり、手作業で確認するには多すぎます。データセットの拡大に伴い、科学者には細胞をより迅速かつ確実に分離し、研究する方法が必要です。

実際、多くの科学者が、機械による視覚情報の解釈と分析を可能にするAIの一分野であるコンピュータービジョンを採用しています。たとえば、インスタンスセグメンテーションに対応するUltralytics YOLO11などのモデルをトレーニングすれば、細胞を分離し、細胞内構造まで検出できます。これにより、数時間ではなく数秒で精密な分析が可能になり、研究者は研究を効率的に拡大できます。

図1. 細胞の中心部である細胞核を識別し、輪郭で示す核セグメンテーションにYOLOを使用した例。（出典）

この記事では、細胞セグメンテーションの仕組み、コンピュータービジョンによる改善方法、実世界での応用例を解説します。

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#

従来、科学者は顕微鏡画像内の細胞を手作業でなぞってセグメンテーションしていました。小規模なプロジェクトでは有効でしたが、作業に時間がかかり、一貫性に欠け、エラーも発生しやすい方法でした。1枚の画像に何千もの細胞が重なっていると、手作業でのトレースはすぐに過剰な負担となり、大きなボトルネックになります。

コンピュータビジョンは、より迅速で信頼性の高い方法を提供します。これはディープラーニングを活用するAIの一分野であり、機械は大量の画像からパターンを学習します。細胞研究では、細胞を高精度で認識し、個々に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に対応し、細胞を分析するためにカスタムデータセットでトレーニングできます。物体検出により、多数の細胞が一緒に写っている場合でも、画像内の各細胞を見つけてラベルを付けられます。

インスタンスセグメンテーションはさらに進んで、各細胞の正確な形状を捉えながら、細胞ごとに精密な境界を描画します。こうしたビジョンAIの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と、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の手法は、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有効でしたが、データセットの拡大や細胞の識別が難しくなるにつれて、対応が困難になりました。

こうした限界を克服するために、より高度な手法が開発されました。その結果、現在のコンピュータビジョンモデルは、微生物学や顕微鏡研究にスピード、精度、拡張性をもたらしています。

次に、基本的なしきい値処理から最新のディープラーニングモデルやハイブリッドパイプラインまで、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見ていきましょう。

しきい値処理と形態学的手法による細胞のセグメンテーション#

コンピュータビジョンが進歩する前は、細胞セグメンテーションには従来の画像処理技術が使われていました。これらの手法では、エッジの検出、前景と背景の分離、形状の平滑化など、手動で定義したルールや処理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、画像処理では、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を使用します。

最も初期の手法の一つがしきい値処理です。これは画素の明るさを比較し、細胞と背景を分離する手法です。細胞と周囲とのコントラストが強い場合に効果を発揮します。

図2. しきい値処理に基づく細胞セグメンテーションの例。（出典）

結果を改善するために、膨張（形状を拡大する処理）や収縮（形状を縮小する処理）などの形態学的処理を用いて、エッジを滑らかにしたり、ノイズを除去したり、小さな隙間を埋めたりします。接触または重なっている細胞を分離するには、ウォーターシェッドセグメンテーションと呼ばれる手法を使い、細胞が接する位置に境界を描いて細胞を分割します。

これらの手法は、細胞が重なり合う場合やノイズの多い画像などの複雑なケースでは十分に機能しませんが、より単純な用途では今も有用であり、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きました。ただし、こうした限界を受けて、この分野はディープラーニングベースのモデルへと移行しました。これらのモデルは、より難易度の高い画像でもはるかに高い精度を実現します。

細胞セグメンテーション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て、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、重なり合う細胞、さまざまな形状、異なる撮像方式にも柔軟に対応できます。

畳み込みニューラルネットワーク（CNN）は、コンピュータービジョンで広く使われているディープラーニングアーキテクチャの一種です。画像を層ごとに処理し、初期の層ではエッジやテクスチャなどの単純な特徴を検出し、より深い層では複雑な形状や構造を捉えます。この階層的なアプローチにより、CNNはパターン認識による日常的な物体の認識から生物医学画像の解析まで、さまざまな視覚タスクで効果を発揮します。

Ultralytics YOLO11のようなモデルは、こうした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。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技術で拡張することで、細胞の位置を素早く特定し、その境界を輪郭として描画できます。

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、複数の手法の強みを組み合わせることで、細胞セグメンテーションの精度を高めます。従来の画像処理とディープラーニングモデルを組み合わせる方法や、複数のディープラーニングベースのモデルを連携させる方法があります。

たとえば、ある手法で顕微鏡画像のノイズを減らし、境界を鮮明にするための強調処理や前処理を行い、別のモデルで細胞を検出・セグメンテーションする方法があります。このようにタスクを分担することで、ハイブリッドアプローチは精度を高め、複雑な画像をより効果的に処理し、大規模な研究の信頼性を向上させます。

図3. 低品質の細胞入力画像（a）と、前処理で抽出されたパターン（b）の例です。前処理によって細胞の特徴が明確になり、その後の解析に役立ちます。(出典)

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#

コンピュータービジョンを活用した細胞セグメンテーションで考慮すべきもう一つの重要な要素は、画像データです。コンピュータービジョンモデルは、細胞を正確に識別して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ます。

これらのデータセットは通常、アノテーション付きの顕微鏡画像で構成されています。生画像と同じくらい重要なのがデータアノテーション、つまりラベリングです。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の作成において重要な役割を果たします。

たとえば、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する場合、各細胞の始点と終点を示すラベル付きの例が必要です。こうしたラベルはモデルの手引きとなり、細胞の形態や境界の認識方法を学習させます。アノテーションは手作業で作成することも、時間を節約するために半自動ツールで作成することもできます。

アノテーションの種類はタスクによっても異なります。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、各細胞の輪郭を正確になぞった、より詳細なマスクのようなラベルを使います。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ぶことで、モデルはタスクに必要なことを学習できます。

細胞セグメンテーションに関連するデータの複雑さ#

一般に、コンピューター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、対象分野が高度に専門化されている場合は困難です。しかし細胞研究の分野には、データの収集とアノテーションをさらに複雑にする技術的な課題があります。

顕微鏡画像は、細胞の撮像方法によって大きく異なる場合があります。たとえば、蛍光顕微鏡では、細胞の一部を発光させる色素を使います。これらの蛍光画像により、通常は見えにくい細部を確認できます。

アノテーションも大きな課題です。何千もの細胞を手作業でラベリングするには時間がかかり、専門知識も必要です。細胞は重なり合ったり、形が変化したり、かすかにしか見えなかったりするため、ミスが生じやすくなります。半自動ツールで作業を速められますが、品質を確保するには通常、人による確認が必要です。

作業負担を軽減するため、研究者は細胞の輪郭全体を描く代わりに、細胞の位置を示す関心領域マーカーなど、より簡単なアノテーションを使うことがあります。精度は劣りますが、こうしたマーカーもトレーニングに重要な指針を与えます。

さらに、生物学分野でのデータ共有には、別の課題もあります。プライバシーへの懸念、患者の同意、研究室ごとの撮像機器の違いにより、一貫性のある高品質なデータセットの構築が難しくなる場合があります。

こうした課題がある一方で、オープンソースのデータセットは大きな変化をもたらしました。GitHubやUltralytics Platformで公開されているBlood Cell Segmentationなどのデータセットには、多様な細胞タイプと撮影手法を対象とする数千枚のラベル付き画像が含まれており、モデルの実世界のシナリオへの汎化に役立ちます。

細胞セグメンテーションモデルの用途#

コンピュータービジョンを使った細胞セグメンテーションで用いられるデータと手法について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ービジョンの実世界での用途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解析#

単一細胞解析とは、組織全体のサンプルではなく個々の細胞を研究することで、より広い視点では見落とされがちな細部を科学者が確認できるようにします。この手法は細胞生物学、創薬、診断で広く利用され、さまざまな条件下で細胞がどのように機能し、反応するかを理解するのに役立ちます。

たとえば、がん研究で扱う組織サンプルには、がん細胞、免疫細胞、支持細胞（間質細胞）が混在していることがよくあります。組織全体だけを見ると、免疫細胞が腫瘍とどのように相互作用するか、血管付近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見えにくくなる場合があります。

シングルセル解析により、研究者はこうした細胞種を分離して個別に調べられます。これは、治療への応答や疾患の進行を理解するうえで重要です。インスタンスセグメンテーションに対応するUltralytics YOLO11のようなモデルは、細胞が密集した画像や重なり合う画像でも、各細胞を検出して正確な形状の輪郭を描画できます。複雑な顕微鏡画像を構造化データに変換することで、YOLO11は研究者による何千もの細胞の迅速かつ一貫した解析を可能にします。

YOLOによる細胞追跡とライブイメージング#

細胞は分裂し、移動し、周囲の環境にさまざまな形で反応します。生きた細胞が時間とともにどのように変化するかを分析することで、科学者は健康時や疾患時の細胞の振る舞いを理解できます。

位相差顕微鏡や高解像度顕微鏡などのツールを使うと、色素やラベルを追加せずにこうした変化を追跡できます。これにより、細胞を自然な状態に保つことができ、結果の信頼性も高まります。

細胞を時間の経過とともに追跡すると、ほかの方法では見落とされる可能性のある細部も捉えられます。ある細胞がほかの細胞より速く移動したり、通常とは異なる方法で分裂したり、刺激に強く反応したりすることがあります。こうした微妙な違いを記録することで、実際の環境における細胞の振る舞いをより明確に把握できます。

Ultralytics YOLOv8のようなコンピュータービジョンモデルを使うと、この作業をより迅速かつ一貫して行えます。YOLOv8は画像シーケンス全体で個々の細胞を検出・追跡し、細胞が重なり合ったり形状が変化したりする場合でも、細胞の移動、分裂、相互作用を自動で監視できます。

図4. 細胞検出に使用した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用いるUltralytics YOLO11のようなコンピュータービジョンモデルから得られる知見は、バイオインフォマティクス（計算手法を用いた生物学的データの解析）やマルチオミクス（DNA、RNA、タンパク質に関する情報の統合）と組み合わせることで、さらに大きな効果を発揮します。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画するだけでなく、その境界が何を意味するかの理解へと進みます。

細胞の位置を特定するだけでなく、科学者は細胞同士の相互作用、疾患による組織構造の変化、細胞形状のわずかな変化と分子活性との関連を調べられます。

腫瘍サンプルを例に考えてみましょう。がん細胞の大きさ、形状、位置を分子プロファイルと結び付けることで、研究者は遺伝子変異、遺伝子発現、異常なタンパク質活性との相関を発見できます。これにより静止画像から実用的な知見が得られ、腫瘍全体の遺伝子活性の追跡、タンパク質の挙動のリアルタイムマッピング、構造と機能を結び付ける参照アトラスの構築が可能になります。

細胞セグメンテーションのメリット#

コンピュータービジョンを細胞セグメンテーションに活用する主なメリットをいくつか紹介します。

• ハイスループットスクリーニング：自動セグメンテーションは何百万もの細胞を効率よく処理でき、大規模な創薬や試験を加速します。
• 空間的配置に関する知見：組織内での細胞の配置を可視化し、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：細胞画像から視覚的な知見を得られるだけでなく、細胞数、面積、輝度などの測定可能な情報も提供するため、実験間で信頼性の高い比較ができます。

細胞セグメンテーションにビジョンAIを使う際の制限事項#

コンピュータービジョンは細胞セグメンテーションに多くのメリットをもたらしますが、制限事項もあります。考慮すべき要素をいくつか紹介します。

• データプライバシー：モデルのトレーニングに使う細胞データセットのアノテーションを共有すると、特に画像に患者情報が関連付けられている場合、倫理面や規制面で懸念が生じる可能性があります。
• ハードウェアと計算リソースの要件：高解像度のバイオ画像解析には、高性能な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によって、利用しやすさが向上しています。
• 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したモデルは、別の環境では十分な性能を発揮できない場合があります。複数の研究室から集めた多様なデータセットでトレーニングすると、ロバスト性が向上します。

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、速度、精度、スケーラビリティを兼ね備えたコンピュータービジョンモデルによって形作られると考えられます。U-Netなどのモデルは大きな影響を与えてきましたが、計算負荷が高い場合があります。コンピュータービジョンの進歩に伴い、研究者は高精度とリアルタイム性能の両方を実現するモデルに移行しています。

たとえば、Ultralytics YOLOv8などのモデルは、従来の手法よりはるかに高速に顕微鏡画像をセグメント化しながら、明瞭で正確な境界を生成できます。

最近の透過型電子顕微鏡（TEM）を用いた研究では、性能指標により、Ultralytics YOLOv8がU-Netより最大43倍高速に動作することが示されました。この性能により、大規模なデータセットをリアルタイムで解析できます。撮像研究の規模が拡大するなか、これはますます重要になっています。

図5. U-Net（c）などのモデルと比べて、YOLOv8をセグメンテーションに使用すると（d）、顕微鏡画像でより鮮明かつ正確な輪郭を生成できます。(出典)

こうした改良はすでに実用化されています。Theia ScientificのTheiascope™のようなプラットフォームは、Ultralytics YOLOモデルを透過型電子顕微鏡（TEM）と統合し、ナノスケール構造の一貫した大規模なセグメンテーションを可能にします。このプラットフォームは、Ultralytics YOLOモデルをリアルタイム検出とセグメンテーションに活用し、TEM画像の撮影時に構造を自動で識別して、信頼性の高い解析可能な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、現代の顕微鏡研究と生物医学研究で重要な役割を果たします。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与える影響をモニタリングできます。Ultralytics YOLO11などのビジョンAIモデルは、このプロセスを高速化し、精度を高めます。大規模で複雑な画像を効率的に処理することで、実験の再現性とスケーラビリティの向上に役立ちます。

コミュニティに参加し、GitHubリポジトリにアクセスして、AIについて詳しくご覧ください。ソリューションのページで、農業におけるAIや物流におけるコンピュータービジョンなどの用途をご確認ください。ライセンスオプションもご覧いただき、今すぐコンピュータービジョンを活用した開発を始めましょう。