細胞セグメンテーションとは何か、ビジョンAIがどのように強化するか

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、1つの重要な課題、つまり細胞を明確に観察することから始まります。科学者は、細胞の挙動を追跡し、薬剤を評価し、新しい治療法を探るために、鮮明な画像を必要としています。

1枚の顕微鏡画像には、何千もの細胞が重なって写っていることがあり、境界の確認が難しくなります。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、この課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常に単純とは限りません。1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。データセットが大きくなるにつれ、科学者は細胞をより迅速かつ確実に分離して研究する方法を必要としています。

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ビジョンを導入しています。例えば、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、細胞を分離し、細胞内構造まで検出でき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精密な分析が可能になり、研究者は研究規模を効率的に拡大できます。

図1. 核セグメンテーションにYOLOを使用し、細胞核（細胞の中心）を識別して輪郭を描画しています。(出典)

この記事では、細胞セグメンテーションの仕組み、コンピュータビジョンによる改善方法、実際の用途について説明します。さっそく始めましょう。

細胞セグメンテーションへのコンピュータビジョンの活用#

従来、科学者は顕微鏡画像上で細胞の輪郭を手作業でなぞり、細胞をセグメンテーションしていました。この方法は小規模なプロジェクトでは有効でしたが、時間がかかり、一貫性に欠け、エラーが発生しやすいという問題がありました。1枚の画像に何千もの細胞が重なっている場合、手作業でのトレースはすぐに負担が大きくなり、重大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を基盤とするAIの一分野であり、機械が大量の画像からパターンを学習します。細胞研究では、個々の細胞を高い精度で認識して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、多数の細胞が同時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付けできます。

インスタンスセグメンテーションでは、各細胞の周囲に正確な境界を描画し、細胞の形状を正確に捉えます。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では機能しましたが、データセットが大きくなり、細胞の識別が難しくなるにつれて苦戦するようになりました。

こうした限界を克服するため、より高度なアプローチが開発され、現在のコンピュータビジョンモデルへとつながりました。これらのモデルは、微生物学や顕微鏡研究に速度、精度、スケーラビリティをもたらします。

次に、基本的な閾値処理から最先端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見ていきましょう。

閾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を使用していました。データからパターンを直接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に依存します。

初期の代表的なアプローチの1つが閾値処理です。これは、ピクセルの明るさのレベルを比較して、細胞を背景から分離する手法です。細胞と周囲の環境とのコントラストが強い場合に効果を発揮します。

図2. 閾値処理ベースの細胞セグメンテーションの例です。(出典)

結果を改善するために、膨張（形状を拡大）や収縮（形状を縮小）などの形態学的処理を使用して、エッジを平滑化し、ノイズを除去し、小さな隙間を埋めます。接触または重なっている細胞には、ウォーターシェッドセグメンテーションという手法を使用し、細胞が接する位置に境界を描いて細胞を分離します。

これらの技術は、細胞が重なっている場合やノイズの多い画像など、複雑なケースでは苦戦しますが、より単純な用途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ける重要な要素です。ただし、その限界が、この分野をディープラーニングベースのモデルへと押し進めました。これらのモデルは、より難しい画像に対して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と、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、重なった細胞、さまざまな形状、異なるイメージングモダリティに適応しやすくなります。

畳み込みニューラルネットワーク（CNNs）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一種です。画像を複数の層で処理し、初期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。この層構造のアプローチにより、CNNsはパターン認識による日常的な物体の認識から生体医用画像の分析まで、多くの視覚タスクに適しています。

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。リアルタイム物体検出とインスタンスセグメンテーションのための技術によってCNNベースのアーキテクチャを拡張し、細胞を迅速に検出して境界を描画できます。

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、複数の手法の長所を組み合わせることで、細胞セグメンテーションを改善します。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場合や、異なるディープラーニングベースのモデルを連携させる場合があります。

例えば、ある手法で顕微鏡画像を強調または前処理してノイズを低減し、境界を鮮明にする一方、別のモデルで細胞を検出してセグメンテーションできます。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、大規模な研究の信頼性を高めます。

図3. 低品質の細胞入力画像（a）と、前処理によって抽出されたパターン（b）の例です。これにより、細胞の特徴が明確になり、さらなる分析が可能になります。(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1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、アノテーションが付与された顕微鏡画像で構成されます。生画像と同様に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。これ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の作成において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する場合、各細胞の開始位置と終了位置を示すラベル付きの例が必要です。これらのラベルは、細胞の形態や境界を認識する方法をモデルに教えるガイドとして機能します。時間を節約するため、アノテーションは手作業で描画することも、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、各細胞の正確な輪郭をトレースする詳細なマスクに近いラベルを使用します。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情報を学習できます。

細胞セグメンテーション関連データの複雑さ#

一般に、コンピュータビジョンデータセットの構築は困難です。特に既存の画像コレクションがない場合や、分野が非常に独自性の高い専門的なものである場合は、難しさが増します。しかし、細胞研究の分野では、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、細胞のイメージング方法によって大きく異なって見える場合があります。例えば、蛍光顕微鏡では、細胞の一部を発光させる色素を使用します。これらの蛍光画像によって、通常は見えにくい詳細が明らかになります。

アノテーションも、もう1つの大きな課題です。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。細胞は重なったり、形状が変化したり、かすかに見えたりすることが多いため、ミスが入り込みやすくなります。半自動ツールによって処理を高速化できますが、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、研究者は完全な輪郭を描く代わりに、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。精度は低くなりますが、これらのマーカーはトレーニングに重要な指針を提供します。

さらに、生物学分野におけるデータ共有には、別の複雑な問題があります。プライバシーへの懸念、患者の同意、研究室ごとのイメージング機器の違いにより、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変化をもたらしています。GitHubのようなプラットフォームを通じて共有される公開コレクションには、多くの細胞タイプやイメージング手法にわたる何千も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性能向上に役立ちます。

細胞セグメンテーションモデルの用途#

ここまで、コンピュータビジョンで細胞をセグメンテーションするために使用されるデータと手法について理解を深めてきました。次に、細胞セグメンテーションとコンピュータビジョンの実世界における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単一細胞解析#

単一細胞解析、つまり組織サンプル全体ではなく個々の細胞を研究することで、より広いレベルでは見落とされがちな詳細を確認できます。このアプローチは、細胞がさまざまな条件下でどのように機能し、反応するかを理解するために、細胞生物学、創薬、診断で広く使用されています。

例えば、がん研究では、組織サンプルにがん細胞、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など、重要な違いが隠れてしまう可能性があります。

単一細胞解析により、研究者はこれらの細胞タイプを分離して個別に研究できます。これは、治療反応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、混雑した画像や細胞が重なった画像でも、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は研究者が何千もの細胞を迅速かつ一貫して分析できるようにします。

YOLOによる細胞追跡とライブイメージング#

細胞はさまざまな方法で分裂し、移動し、周囲の環境に反応します。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で、科学者は健康状態や疾患における細胞の挙動を理解できます。

位相差顕微鏡や高解像度顕微鏡などのツールを使用すると、研究者は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ち、結果の信頼性を高められます。

細胞を長時間にわたって追跡することは、 otherwise見落とされる可能性のある詳細の把握にも役立ちます。ある細胞が他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、実際の条件下で細胞がどのように振る舞うかをより明確に把握できます。

Ultralytics YOLOv8のようなコンピュータビジョンモデルにより、この処理をより高速かつ一貫して実行できます。画像シーケンス全体で個々の細胞を検出して追跡することで、YOLOv8は細胞が重なったり形状が変化したりする場合でも、細胞の移動、分裂、相互作用を自動的に監視できます。

図4. 細胞検出にUltralytics YOLOv8を使用したセグメンテーション結果です。（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得られる知見は、バイオインフォマティクス（生物学的データを分析するための計算手法の利用）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、より大きな影響をもたらします。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のかを理解する段階へ進みます。

細胞がどこにあるかを特定するだけでなく、科学者は細胞同士の相互作用、疾患における組織構造の変化、細胞形状の小さな変化と分子活性の関連性を研究できます。

腫瘍サンプルを考えてみましょう。がん細胞のサイズ、形状、位置を分子プロファイルと関連付けることで、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、静的な画像が実用的な知見へと変わり、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なマッピング、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#

コンピュータビジョンを細胞セグメンテーションに使用する主なメリットは次のとおりです。

• 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により、何百万もの細胞を効率的に処理でき、大規模な創薬や試験を加速できます。
• 空間的配置に関する知見： 組織内で細胞が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生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： 細胞画像から得られる視覚的な知見に加え、セグメンテーションによって細胞数、面積、輝度レベルなどの測定可能な情報が得られ、実験間で信頼性の高い比較が可能になります。

細胞セグメンテーションにビジョンAIを使用する際の限界#

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メリットをもたらしますが、限界もあります。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用にアノテーション付き細胞データセットを共有すると、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。
• ハードウェアおよび計算要件： 高解像度のバイオイメージ解析には、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アルゴリズムによって、利用しやすくなっています。
• 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、別の環境では十分に機能しない場合があります。多様な複数研究室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将来#

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組み合わせ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大きな影響を与えてきましたが、計算負荷が高くなる場合があります。コンピュータビジョンの進歩に伴い、研究者は高精度とリアルタイム性能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のような最先端モデルは、従来のアプローチよりもはるかに高速に顕微鏡画像をセグメンテーションしながら、鮮明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）研究では、性能指標により、Ultralytics YOLOv8がU-Netの最大43倍高速に動作した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分析できるようになります。イメージング研究の規模が拡大する中で、これは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（d）を使用すると、顕微鏡画像でより鮮明かつ正確な輪郭が生成されます。(出典)

こうした改善は、すでに実用化されています。Theia ScientificのTheiascope™などの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画像の撮影時に構造を自動的に識別して、信頼性の高い分析可能なデータに変換します。

主なポイント#

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ています。科学者は個々の細胞を観察し、疾患の進行を追跡し、治療が細胞の挙動に与える影響を監視できます。Ultralytics YOLO11のようなビジョンAIモデルにより、この処理をより高速かつ正確に実行できます。大規模で複雑な画像を容易に処理できるため、実験の再現性とスケーラビリティが確保されます。

コミュニティに参加し、GitHubリポジトリにアクセスして、AIについて詳しく学びましょう。AIの農業活用や物流におけるコンピュータビジョンなどの用途については、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、今すぐコンピュータビジョンの開発を始めましょう。