Cell segmentation: Nó là gì và Vision AI cải thiện nó như thế nào

Nhiều đột phá trong khám phá thuốc, nghiên cứu ung thư hoặc y học cá nhân hóa bắt đầu từ một thách thức chính: quan sát các tế bào một cách rõ ràng. Các nhà khoa học phụ thuộc vào hình ảnh rõ nét để theo dõi hành vi tế bào, đánh giá thuốc và khám phá các liệu pháp mới.

Một hình ảnh hiển vi đơn lẻ có thể chứa hàng nghìn tế bào chồng chéo, khiến các ranh giới khó quan sát. Phân đoạn tế bào nhằm giải quyết vấn đề này bằng cách tách biệt rõ ràng từng tế bào để phân tích chính xác.

Nhưng phân đoạn tế bào không phải lúc nào cũng đơn giản. Một nghiên cứu duy nhất có thể tạo ra hàng nghìn hình ảnh hiển vi chi tiết, quá nhiều để xem xét thủ công. Khi các tập dữ liệu tăng lên, các nhà khoa học cần những cách nhanh chóng và đáng tin cậy hơn để tách biệt và nghiên cứu các tế bào.

Trên thực tế, nhiều nhà khoa học đang áp dụng thị giác máy tính, một nhánh của AI cho phép máy móc diễn giải và phân tích thông tin hình ảnh. Ví dụ, các model như Ultralytics YOLO11 hỗ trợ phân đoạn thực thể có thể được huấn luyện để tách các tế bào và thậm chí phát hiện các cấu trúc dưới tế bào. Điều này cho phép phân tích chính xác trong vài giây thay vì vài giờ, giúp các nhà nghiên cứu mở rộng quy mô nghiên cứu của họ một cách hiệu quả.

Hình 1. YOLO đang được sử dụng để phân đoạn nhân, xác định và vạch đường viền nhân tế bào (trung tâm của các tế bào). (Nguồn)

Trong bài viết này, chúng ta sẽ khám phá cách phân đoạn tế bào hoạt động, cách thị giác máy tính cải thiện nó và nó được áp dụng ở đâu trong thế giới thực. Hãy cùng bắt đầu!

Link to this sectionCái nhìn về việc sử dụng thị giác máy tính cho phân đoạn tế bào#

Theo truyền thống, các nhà khoa học đã phân đoạn tế bào bằng tay, vẽ theo chúng trong các hình ảnh hiển vi. Cách này hoạt động tốt cho các dự án nhỏ nhưng chậm, không nhất quán và dễ xảy ra lỗi. Với hàng nghìn tế bào chồng chéo trong một hình ảnh duy nhất, việc vẽ thủ công nhanh chóng trở nên quá tải và là một điểm nghẽn lớn.

Thị giác máy tính cung cấp một tùy chọn nhanh chóng và đáng tin cậy hơn. Đó là một nhánh của AI được vận hành bởi deep learning, nơi máy móc học các mẫu từ các tập hợp hình ảnh lớn. Trong nghiên cứu tế bào, điều này có nghĩa là chúng có thể nhận diện và tách biệt từng tế bào với độ chính xác cao.

Cụ thể, các model AI thị giác như Ultralytics YOLO11 hỗ trợ các tác vụ như phát hiện vật thể và phân đoạn thực thể, và có thể được huấn luyện trên các tập dữ liệu tùy chỉnh để phân tích tế bào. Phát hiện vật thể giúp tìm và gắn nhãn từng tế bào trong hình ảnh, ngay cả khi nhiều tế bào xuất hiện cùng nhau.

Phân đoạn thực thể tiến xa hơn một bước bằng cách vẽ các ranh giới chính xác xung quanh từng tế bào, nắm bắt hình dạng chính xác của chúng. Việc tích hợp các khả năng AI thị giác này vào các pipeline phân đoạn tế bào cho phép các nhà nghiên cứu tự động hóa các workflow phức tạp và xử lý hình ảnh hiển vi độ phân giải cao một cách hiệu quả.

Link to this sectionSự tiến hóa của các thuật toán phân đoạn tế bào#

Các phương pháp phân đoạn tế bào đã thay đổi rất nhiều qua các năm. Các kỹ thuật phân đoạn hình ảnh sơ khai hoạt động tốt đối với hình ảnh đơn giản nhưng gặp khó khăn khi các tập dữ liệu phát triển lớn hơn và các tế bào trở nên khó phân biệt hơn.

Để vượt qua những giới hạn này, các cách tiếp cận tiên tiến hơn đã được phát triển, dẫn đến các model thị giác máy tính ngày nay mang lại tốc độ, độ chính xác và khả năng mở rộng cho các nghiên cứu vi sinh và hiển vi.

Tiếp theo, hãy cùng tìm hiểu cách các thuật toán phân đoạn đã tiến hóa, từ các phương pháp phân ngưỡng cơ bản đến các model deep learning tiên tiến và các pipeline lai.

Link to this sectionPhân đoạn tế bào với các phương pháp phân ngưỡng và hình thái học#

Trước những tiến bộ trong thị giác máy tính, phân đoạn tế bào dựa vào các kỹ thuật xử lý hình ảnh truyền thống. Các phương pháp này dựa vào các quy tắc và thao tác được xác định thủ công, chẳng hạn như phát hiện cạnh, tách tiền cảnh khỏi hậu cảnh hoặc làm mịn hình dạng. Không giống như các model thị giác máy tính có thể học mẫu trực tiếp từ dữ liệu, xử lý hình ảnh phụ thuộc vào các thuật toán cố định được áp dụng theo cùng một cách trên tất cả hình ảnh.

Một trong những cách tiếp cận sớm nhất là phân ngưỡng, một phương pháp tách biệt tế bào khỏi hậu cảnh bằng cách so sánh mức độ sáng của pixel. Cách này hoạt động tốt khi có sự tương phản mạnh giữa các tế bào và môi trường xung quanh chúng.

Hình 2. Ví dụ về phân đoạn tế bào dựa trên phân ngưỡng. (Nguồn)

Để tinh chỉnh kết quả, các thao tác hình thái học như giãn nở (mở rộng hình dạng) và xói mòn (thu nhỏ hình dạng) được sử dụng để làm mịn các cạnh, loại bỏ nhiễu hoặc đóng các khoảng trống nhỏ. Đối với các tế bào chạm hoặc chồng chéo, một kỹ thuật gọi là phân đoạn watershed giúp tách chúng ra bằng cách vẽ các ranh giới nơi các tế bào gặp nhau.

Mặc dù các kỹ thuật này gặp khó khăn với các trường hợp phức tạp như tế bào chồng chéo hoặc hình ảnh nhiễu, chúng vẫn hữu ích cho các ứng dụng đơn giản hơn và là một phần quan trọng trong lịch sử phân đoạn tế bào. Tuy nhiên, những hạn chế của chúng đã thúc đẩy lĩnh vực này tiến tới các model dựa trên deep learning, mang lại độ chính xác cao hơn nhiều cho các hình ảnh đầy thách thức.

Link to this sectionCác model deep learning cho phân đoạn tế bào#

Khi các kỹ thuật xử lý hình ảnh đạt đến giới hạn, phân đoạn tế bào đã chuyển dịch sang các phương pháp dựa trên học tập. Không giống như các phương pháp dựa trên quy tắc, các model deep learning xác định các mẫu trực tiếp từ dữ liệu, khiến chúng thích ứng tốt hơn với các tế bào chồng chéo, hình dạng biến đổi và các phương thức hình ảnh khác nhau.

Mạng thần kinh tích chập (CNN) là một lớp kiến trúc deep learning được sử dụng rộng rãi trong thị giác máy tính. Chúng xử lý hình ảnh theo các lớp: các lớp đầu phát hiện các đặc trưng đơn giản như cạnh và kết cấu, trong khi các lớp sâu hơn nắm bắt các hình dạng và cấu trúc phức tạp hơn. Cách tiếp cận theo lớp này làm cho CNN hiệu quả cho nhiều tác vụ thị giác, từ nhận diện các vật thể thông thường thông qua nhận dạng mẫu đến phân tích các hình ảnh y sinh.

Các model như YOLO11 được xây dựng trên các nguyên tắc deep learning này. Chúng mở rộng các kiến trúc dựa trên CNN với các kỹ thuật phát hiện vật thể thời gian thực và phân đoạn thực thể, giúp xác định vị trí tế bào và vạch ra ranh giới của chúng một cách nhanh chóng.

Link to this sectionCác pipeline lai nâng cao phân đoạn tế bào#

Các pipeline lai cải thiện phân đoạn tế bào bằng cách kết hợp thế mạnh của nhiều phương pháp. Chúng có thể bao gồm xử lý hình ảnh cổ điển và các model deep learning, hoặc thậm chí là các model dựa trên deep learning khác nhau hoạt động cùng nhau.

Ví dụ, một phương pháp có thể nâng cao hoặc tiền xử lý hình ảnh hiển vi để giảm nhiễu và làm sắc nét các ranh giới, trong khi một model khác được sử dụng để phát hiện và phân đoạn các tế bào. Bằng cách chia nhỏ các tác vụ theo cách này, các phương pháp lai cải thiện độ chính xác, xử lý các hình ảnh phức tạp hiệu quả hơn và làm cho các nghiên cứu quy mô lớn trở nên đáng tin cậy hơn.

Hình 3. Ví dụ về hình ảnh tế bào đầu vào chất lượng kém (a) và các mẫu mà tiền xử lý trích xuất (b), làm cho các đặc trưng tế bào trở nên rõ ràng hơn cho việc phân tích sâu hơn. (Nguồn)

Link to this sectionTầm quan trọng của các tập dữ liệu trong phân đoạn tế bào#

Một yếu tố chính khác cần xem xét trong phân đoạn tế bào dựa trên thị giác máy tính là dữ liệu hình ảnh. Các model thị giác máy tính phụ thuộc rất nhiều vào các tập dữ liệu lớn, chất lượng cao để học cách xác định và tách biệt các tế bào một cách chính xác.

Các tập dữ liệu này thường bao gồm các hình ảnh hiển vi đi kèm với các chú thích. Cũng quan trọng như hình ảnh gốc, việc chú thích dữ liệu hoặc gán nhãn đóng vai trò quan trọng trong việc tạo ra các tập dữ liệu hiệu quả, vì nó cung cấp cho model thông tin quan trọng.

Ví dụ, nếu chúng ta muốn huấn luyện một model như YOLO11 để phân đoạn tế bào ung thư từ hình ảnh hiển vi, chúng ta cần các ví dụ được gán nhãn cho thấy nơi mỗi tế bào bắt đầu và kết thúc. Những nhãn này đóng vai trò như một hướng dẫn, dạy cho model cách nhận biết hình thái và ranh giới tế bào. Các chú thích có thể được vẽ bằng tay hoặc được tạo bằng các công cụ bán tự động để tiết kiệm thời gian.

Loại chú thích cũng phụ thuộc vào tác vụ. Đối với phát hiện vật thể, các hộp bao được vẽ xung quanh mỗi tế bào. Đối với phân đoạn thực thể, các nhãn giống như các mặt nạ chi tiết vạch theo đường viền chính xác của mỗi tế bào. Việc chọn đúng loại chú thích và dữ liệu huấn luyện giúp model học những gì nó cần cho công việc.

Link to this sectionĐộ phức tạp của dữ liệu liên quan đến phân đoạn tế bào#

Nói chung, việc xây dựng các tập dữ liệu thị giác máy tính có thể khó khăn, đặc biệt là khi không có các bộ sưu tập hình ảnh hiện có hoặc khi lĩnh vực này rất độc đáo và chuyên biệt. Nhưng trong lĩnh vực nghiên cứu tế bào, có những khó khăn kỹ thuật khiến việc thu thập và chú thích dữ liệu thậm chí còn phức tạp hơn.

Hình ảnh hiển vi có thể trông rất khác nhau tùy thuộc vào phương pháp hình ảnh tế bào. Ví dụ, hiển vi huỳnh quang sử dụng thuốc nhuộm làm cho các bộ phận của tế bào phát sáng. Những hình ảnh huỳnh quang này làm nổi bật các chi tiết mà bình thường khó quan sát.

Chú thích là một thách thức lớn khác. Gán nhãn hàng nghìn tế bào bằng tay là chậm và đòi hỏi chuyên môn cao trong lĩnh vực này. Các tế bào thường chồng chéo, thay đổi hình dạng hoặc trông mờ nhạt, khiến các lỗi dễ dàng xuất hiện. Các công cụ bán tự động có thể tăng tốc quy trình, nhưng sự giám sát của con người thường cần thiết để đảm bảo chất lượng.

Để giảm bớt khối lượng công việc, các nhà nghiên cứu đôi khi sử dụng các chú thích đơn giản hơn như các điểm đánh dấu vị trí quan tâm chỉ ra nơi các tế bào hiện diện, thay vì vẽ toàn bộ đường viền. Mặc dù ít chính xác hơn, những điểm đánh dấu này vẫn cung cấp hướng dẫn quan trọng cho việc huấn luyện.

Ngoài ra, việc chia sẻ dữ liệu trong sinh học làm tăng thêm các phức tạp. Các mối quan ngại về quyền riêng tư, sự đồng ý của bệnh nhân và sự khác biệt trong thiết bị hình ảnh giữa các phòng thí nghiệm có thể khiến việc xây dựng các tập dữ liệu nhất quán và chất lượng cao trở nên khó khăn hơn.

Bất chấp những trở ngại này, các tập dữ liệu mã nguồn mở đã tạo ra sự khác biệt lớn. Các bộ sưu tập công cộng được chia sẻ thông qua các nền tảng như GitHub cung cấp hàng nghìn hình ảnh được gán nhãn trên nhiều loại tế bào và phương pháp hình ảnh, giúp các model tổng quát hóa tốt hơn cho các kịch bản thực tế.

Link to this sectionCác ứng dụng của các model phân đoạn tế bào#

Bây giờ chúng ta đã hiểu rõ hơn về dữ liệu và các phương pháp được sử dụng để phân đoạn tế bào bằng thị giác máy tính, hãy xem xét một số ứng dụng thực tế của phân đoạn tế bào và thị giác máy tính.

Link to this sectionPhân tích đơn bào sử dụng phân đoạn tế bào#

Phân tích đơn bào hoặc nghiên cứu từng tế bào riêng lẻ thay vì toàn bộ mẫu mô giúp các nhà khoa học thấy được các chi tiết thường bị bỏ lỡ ở cấp độ rộng hơn. Cách tiếp cận này được sử dụng rộng rãi trong sinh học tế bào, khám phá thuốc và chẩn đoán để hiểu cách các tế bào hoạt động và phản ứng trong các điều kiện khác nhau.

Ví dụ, trong nghiên cứu ung thư, một mẫu mô thường chứa sự kết hợp của các tế bào ung thư, tế bào miễn dịch và các tế bào hỗ trợ (stromal). Chỉ nhìn vào mô nói chung có thể che giấu những khác biệt quan trọng, chẳng hạn như cách các tế bào miễn dịch tương tác với các khối u hoặc cách các tế bào ung thư gần mạch máu hành xử.

Phân tích đơn bào cho phép các nhà nghiên cứu tách biệt các loại tế bào này và nghiên cứu chúng một cách riêng lẻ, điều này rất quan trọng để hiểu các phản ứng điều trị và sự tiến triển của bệnh. Các model như YOLO11, vốn hỗ trợ phân đoạn thực thể, có thể phát hiện từng tế bào và vạch đường viền chính xác của nó, ngay cả trong các hình ảnh đông đúc hoặc chồng chéo. Bằng cách chuyển đổi các hình ảnh hiển vi phức tạp thành dữ liệu có cấu trúc, YOLO11 cho phép các nhà nghiên cứu phân tích hàng nghìn tế bào một cách nhanh chóng và nhất quán.

Link to this sectionTheo dõi tế bào và hình ảnh trực tiếp với YOLO#

Các tế bào phân chia, di chuyển và phản ứng với môi trường xung quanh chúng theo nhiều cách khác nhau. Phân tích cách các tế bào sống thay đổi theo thời gian giúp các nhà khoa học hiểu cách chúng hành xử trong sức khỏe và bệnh tật.

Với các công cụ như hiển vi tương phản pha hoặc độ phân giải cao, các nhà nghiên cứu có thể theo dõi những thay đổi này mà không cần thêm thuốc nhuộm hoặc nhãn. Điều này giữ cho các tế bào ở trạng thái tự nhiên và làm cho kết quả trở nên đáng tin cậy hơn.

Theo dõi tế bào theo thời gian cũng giúp nắm bắt các chi tiết có thể bị bỏ lỡ. Một tế bào có thể di chuyển nhanh hơn những tế bào khác, phân chia theo cách bất thường hoặc phản ứng mạnh với một kích thích. Việc ghi lại những khác biệt tinh tế này cung cấp một bức tranh rõ ràng hơn về cách các tế bào hành xử trong các điều kiện thực tế.

Các model thị giác máy tính như Ultralytics YOLOv8 làm cho quy trình này nhanh hơn và nhất quán hơn. Bằng cách phát hiện và theo dõi từng tế bào trên các chuỗi hình ảnh, YOLOv8 có thể giám sát các chuyển động, sự phân chia và tương tác của tế bào một cách tự động, ngay cả khi các tế bào chồng chéo hoặc thay đổi hình dạng.

Hình 4. Kết quả phân đoạn của YOLOv8 được sử dụng để phát hiện tế bào. (Nguồn: mdpi.com)

Link to this sectionTích hợp AI thị giác với tin sinh học và đa omics#

Những thông tin chi tiết từ các model thị giác máy tính như YOLO11 được sử dụng cho phân đoạn toàn bộ tế bào có thể tạo ra tác động lớn hơn khi kết hợp với tin sinh học (việc sử dụng các phương pháp tính toán để phân tích dữ liệu sinh học) và đa omics (việc tích hợp thông tin DNA, RNA và protein). Cùng với nhau, các phương pháp này đưa nghiên cứu vượt ra ngoài việc vẽ ranh giới tế bào và tiến tới việc hiểu những ranh giới đó có nghĩa là gì.

Thay vì chỉ xác định các tế bào ở đâu, các nhà khoa học có thể nghiên cứu cách chúng tương tác, cách cấu trúc mô thay đổi trong bệnh tật và cách những thay đổi nhỏ trong hình dạng tế bào liên kết với hoạt động phân tử.

Hãy xem xét một mẫu khối u: bằng cách liên kết kích thước, hình dạng hoặc vị trí của các tế bào ung thư với hồ sơ phân tử của chúng, các nhà nghiên cứu có thể tìm thấy các mối tương quan với các đột biến gen, biểu hiện gen hoặc hoạt động protein bất thường. Điều này biến các hình ảnh tĩnh thành những thông tin chi tiết thực tế, giúp theo dõi hoạt động gen trên các khối u, lập bản đồ hành vi protein trong thời gian thực và xây dựng các bản đồ tham chiếu kết nối cấu trúc với chức năng.

Link to this sectionLợi ích của phân đoạn tế bào#

Dưới đây là một số lợi ích chính của việc sử dụng thị giác máy tính cho phân đoạn tế bào:

• Sàng lọc thông lượng cao: Phân đoạn tự động có thể xử lý hàng triệu tế bào một cách hiệu quả, đẩy nhanh quá trình khám phá và thử nghiệm thuốc quy mô lớn.
• Thông tin chi tiết về tổ chức không gian: Nó cho thấy cách các tế bào được sắp xếp trong các mô, cung cấp manh mối quan trọng về môi trường khối u hoặc cách các mô phát triển.
• Tạo dữ liệu định lượng: Ngoài những thông tin chi tiết từ hình ảnh tế bào, phân đoạn cung cấp thông tin có thể đo lường như số lượng tế bào, diện tích và mức độ cường độ, cho phép so sánh đáng tin cậy giữa các thí nghiệm.

Link to this sectionHạn chế của việc sử dụng AI thị giác cho phân đoạn tế bào#

Mặc dù thị giác máy tính mang lại nhiều lợi ích cho phân đoạn tế bào, nó cũng có một số hạn chế. Dưới đây là một vài yếu tố cần lưu ý:

• Quyền riêng tư dữ liệu: Việc chia sẻ các tập dữ liệu tế bào đã được chú thích để huấn luyện model có thể gây ra các lo ngại về đạo đức và quy định, đặc biệt là khi thông tin bệnh nhân được liên kết với các hình ảnh.
• Nhu cầu phần cứng và tính toán: Phân tích hình ảnh sinh học độ phân giải cao đòi hỏi GPU và dung lượng lưu trữ mạnh. Điện toán đám mây và các thuật toán được tối ưu hóa đang giúp việc này trở nên dễ tiếp cận hơn.
• Khả năng tổng quát hóa của model: Các model được huấn luyện trên kính hiển vi hoặc giao thức nhuộm của một phòng thí nghiệm có thể không hoạt động tốt ở những nơi khác. Huấn luyện với các tập dữ liệu đa dạng từ nhiều phòng thí nghiệm sẽ cải thiện độ bền vững.

Link to this sectionTương lai của phân đoạn tế bào#

Thế hệ phân đoạn tế bào tiếp theo có khả năng được định nghĩa bởi các model thị giác máy tính kết hợp tốc độ, độ chính xác và khả năng mở rộng. Các model như U-Net đã có tầm ảnh hưởng lớn, nhưng chúng có thể đòi hỏi tính toán cao. Với những tiến bộ trong thị giác máy tính, các nhà nghiên cứu đang chuyển hướng sang các model mang lại cả độ chính xác cao và hiệu suất thời gian thực.

Ví dụ, các model hiện đại như Ultralytics YOLOv8 có thể phân đoạn hình ảnh hiển vi nhanh hơn nhiều so với các phương pháp truyền thống trong khi vẫn tạo ra các ranh giới sắc nét và chính xác.

Trong một nghiên cứu gần đây về Hiển vi điện tử truyền qua (TEM), các chỉ số hiệu suất cho thấy YOLOv8 chạy nhanh hơn tới 43 lần so với U-Net. Loại hiệu suất này giúp phân tích các tập dữ liệu lớn trong thời gian thực, điều này ngày càng trở nên quan trọng khi các nghiên cứu hình ảnh phát triển về quy mô.

Hình 5. So với các model khác như U-Net (c), việc sử dụng YOLOv8 để phân đoạn (d) tạo ra các đường viền sắc nét, chính xác hơn trong các hình ảnh hiển vi. (Nguồn)

Những cải tiến này đã được đưa vào thực tế. Các nền tảng như Theiascope™ của Theia Scientific tích hợp các model Ultralytics YOLO với Hiển vi điện tử truyền qua (TEM), cho phép các cấu trúc ở quy mô nano được phân đoạn một cách nhất quán và theo quy mô. Nền tảng này sử dụng các model Ultralytics YOLO để phát hiện và phân đoạn thời gian thực, tự động xác định các cấu trúc trong hình ảnh TEM khi chúng được chụp và chuyển đổi chúng thành dữ liệu đáng tin cậy, sẵn sàng để phân tích.

Link to this sectionCác điểm chính cần lưu ý#

Phân đoạn tế bào đóng vai trò chính trong hiển vi hiện đại và nghiên cứu y sinh. Nó cho phép các nhà khoa học quan sát các tế bào riêng lẻ, theo dõi sự tiến triển của bệnh và giám sát cách các phương pháp điều trị ảnh hưởng đến hành vi tế bào. Các model AI thị giác như YOLO11 làm cho quy trình này nhanh hơn và chính xác hơn. Bằng cách xử lý các hình ảnh lớn, phức tạp một cách dễ dàng, chúng đảm bảo các thí nghiệm có thể lặp lại và mở rộng.

Tham gia cộng đồng của chúng tôi và truy cập kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Khám phá các trang giải pháp của chúng tôi để tìm hiểu thêm về các ứng dụng như AI trong nông nghiệp và thị giác máy tính trong logistics. Hãy xem các tùy chọn cấp phép của chúng tôi và bắt đầu xây dựng với thị giác máy tính ngay hôm nay!