Aivia 基于人工智能的圖像分析軟件

30個Biomarker標(biāo)記的結(jié)腸腺癌組織切片,通過Cell DIVE系統(tǒng)進(jìn)行成像,使用Aivia的多重細(xì)胞檢測方案和自動聚類工具進(jìn)行分析。

Aivia 采用先進(jìn)的基于人工智能的軟件架構(gòu)，構(gòu)建了一個二維至五維的圖像可視化、分析與數(shù)據(jù)詮釋的完整平臺，能夠在短短幾分鐘內(nèi)可靠地處理和重建高度復(fù)雜的圖像。分析的主觀性和不易重復(fù)性是生物圖像分析中需要克服的關(guān)鍵障礙。標(biāo)準(zhǔn)分割方法會導(dǎo)致不符合標(biāo)準(zhǔn)的結(jié)果，因此需要進(jìn)行大量的人工干預(yù)，而這很容易出錯。Aivia改變了這一切，Aivia13賦能研究者挖掘空間組學(xué)洞見。

►Aivia工作流程

原始數(shù)據(jù)的打開。

可以打開并查看

近百通道超多標(biāo)圖像。

多重細(xì)胞檢測與分割。一種通用的深度學(xué)習(xí)細(xì)胞分割算法，根據(jù)您選擇的標(biāo)記物和測量結(jié)果識別感興趣的結(jié)構(gòu)。幫助準(zhǔn)確檢測和分割具有不同形態(tài)的細(xì)胞核和細(xì)胞。
 

細(xì)胞表型識別與分析。您可以有選擇地使用標(biāo)記物，但不需要了解哪種標(biāo)記物對應(yīng)哪種表型。這種方法可以幫助超越認(rèn)知，識別您可能不知道的表型。

組織區(qū)域與細(xì)胞表型分布。

通過Leiden自動聚類方法進(jìn)行的組織區(qū)域與細(xì)胞表型分布分析。

距離分析與圖像展示。高表達(dá)的GLUT1+細(xì)胞根據(jù)與免疫細(xì)胞（青色）的距離進(jìn)行著色，最近的細(xì)胞顯示為紅色，最遠(yuǎn)的顯示為綠色。

數(shù)據(jù)結(jié)果可視化⸺柱狀圖，顯示了所有聚類的一項測量的并列比較。可以選擇任何測量參數(shù)，包括標(biāo)記強(qiáng)度或形態(tài)學(xué)。
 

數(shù)據(jù)結(jié)果可視化——分組散點圖。通過分組將數(shù)據(jù)點聚合到一起中，以幫助更好地查看數(shù)據(jù)。圓圈的大小對應(yīng)于每個組中的數(shù)據(jù)點數(shù)量。每個組或子組以不同的顏色表示。
 

數(shù)據(jù)結(jié)果可視化——樹狀圖，用戶可以選擇包括標(biāo)記物強(qiáng)度或形態(tài)在內(nèi)的任何測量。樹狀圖顯示有助于跨聚類進(jìn)行輕松比較。
 

數(shù)據(jù)結(jié)果可視化——熱圖，顯示兩項測量之間的皮爾遜相關(guān)性。
 

數(shù)據(jù)結(jié)果可視化——小提琴圖。展示多組數(shù)據(jù)的分布狀態(tài)以及概率密度。
 

降維分析是一種強(qiáng)大的工具,通過將數(shù)據(jù)表示為較低維度的數(shù)據(jù)，可視化和理解具有高維度的數(shù)據(jù)。Aiva中有三種維度規(guī)約方法:

1.UMAP-比t-SNE更快

2.PacMAP-比UMAP更快,并且更好地保留了高維數(shù)據(jù)的局部和全局結(jié)構(gòu)

3. t-SNE

►方案特點

• 易于使用的深度學(xué)習(xí)分割和分類工具
• 打開、查看和交互大型多路復(fù)用二維圖像(最多100個通道，檢測到超過100萬個對象)
• 使用人工智能在大型多路復(fù)用二維圖像中準(zhǔn)確分割具有不同形態(tài)學(xué)的細(xì)胞
• 分析的樣本多種多樣,包括明場、熒光，組織全景、組織ROI和組織芯片
• 使用基于人工智能的表型分析或數(shù)據(jù)驅(qū)動的無監(jiān)督自動表型分析發(fā)現(xiàn)圖像中的細(xì)胞表型
• 使用免費的Aivia Community軟件輕松打開和交互式探索來自任何地方的2到5D顯微數(shù)據(jù)集

Aivia組織芯片識別與分析

明場分析

K-means聚類分析

DM3000傳統(tǒng)病理染色明場成像，通過Aivia打開數(shù)據(jù)
 

Pixel Classifer進(jìn)行細(xì)胞圈選與分割
 

基于細(xì)胞面積進(jìn)行K-means聚類分析，同一顏色代表一種細(xì)胞群體
 

不同細(xì)胞群體按照面積大小進(jìn)行數(shù)量的統(tǒng)計分布

熒光分析

Cell DIVE+Aivia繪制結(jié)腸腺癌免疫圖譜

Cell DIVE技術(shù)獲取結(jié)腸腺癌(CAC)組織成像。針對包括白細(xì)胞譜系、上皮細(xì)胞、基質(zhì)細(xì)胞和內(nèi)皮細(xì)胞類型的約30種生物標(biāo)志物來表征人類結(jié)腸腺癌組織中的腫瘤免疫微環(huán)境。

Cell DIVE原始數(shù)據(jù)(左)與Aivia 以AI為基礎(chǔ)的細(xì)胞膜和細(xì)胞核分割(右)

生物標(biāo)記物識別與細(xì)胞分型

CAC內(nèi)的聚類分析揭示了標(biāo)記物之間的等級關(guān)系。熱圖表示給定聚類中標(biāo)記物強(qiáng)度的測量值。使用AIVIA上的PhenoGraph Leiden算法識別的20種聚類，用來識別CAC組織中標(biāo)記物之間的復(fù)雜和非線性關(guān)系

降維分析(UMAP)顯示所有已識別的表型簇,并將這些簇分組。CAC組織內(nèi)的各種標(biāo)志物和標(biāo)志物組以腫瘤發(fā)生增殖標(biāo)志物(橙色)、髓細(xì)胞標(biāo)志物(綠色)、血管標(biāo)志物(紅色)、淋巴標(biāo)志物(粉紅色)和代謝標(biāo)志物(藍(lán)色)的形式廣泛聚集

►科研成果發(fā)表（部分）

1.Stringer C, Wang T, Michaelos M, Pachitariu M. Cellpose: a generalist algorithm for cellular segmentation. Nature Methods.(2021)

2.Traag, V.A., Waltman, L. & van Eck, N.J. From Louvain to Leiden: guaranteeing well- connected communities. Sci Rep (2019).

3.MacQueen, J. Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics.(1967).

《徠卡精準(zhǔn)空間生物學(xué)解決方案》

可點擊下載PDF資料

了解更多：徠卡顯微