生成胚状体和脑类器官
为图像分割工具提供测试用的类器官图像数据集。
从人诱导多能干细胞生成胚状体和脑类器官，并在不同培养条件下（静态、轨道摇床、微流控芯片）培养脑类器官，收集明场图像。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
OrganoLabeler：一种用于类器官图像的快速准确注释工具
OrganoLabeler: A Quick and Accurate Annotation Tool for Organoid Images.
实验完整度
中包含类器官生成、图像分割工具开发及性能验证，使用多种图像处理技术，并通过U-Net模型训练验证分割效果。
主要模型
人诱导多能干细胞（hiPSC）来源的胚状体（EB） 人诱导多能干细胞（hiPSC）来源的脑类器官（BO） 公开的肠道类器官（enteroid）数据集
重点核对
胚状体数据集包含165张图像，脑类器官数据集包含133张图像，肠道类器官数据集包含299张图像 图像处理参数：对比度调整、模糊、CLACHE的clip limit和tile grid size、面积限制 U-Net模型训练采用80/20%训练测试分割和5折交叉验证 U-Net训练轮数和批次大小：胚状体100轮、批次8，脑类器官20轮、批次4，肠道类器官20轮、批次4
摘要
类器官是自组装的3D细胞结构，在结构和功能上类似于器官，为分子和治疗研究提供了体外平台。从人类细胞生成类器官通常需要漫长且昂贵的过程，且效率较低。利用基于人工智能的工具可以预测和选择能够形成健康且有功能类器官的细胞聚集体。将3D细胞结构的图像转换为用于训练深度学习模型的数字可处理数据集需要标记形态边界，这通常是手动完成的。在此，我们报告了一个名为OrganoLabeler的应用程序，它能够以一致、可靠、快速且用户友好的方式创建大型基于图像的数据集。OrganoLabeler可以结合对比度调整、K-means聚类、CLAHE、二值化和Otsu阈值方法创建图像的分割版本。我们创建了胚状体和脑类器官数据集，其中分割图像由人类研究人员手动创建并与OrganoLabeler进行比较。通过训练U-Net模型进行验证，U-Net模型是专门用于图像分割的深度学习模型。使用OrganoLabeler分割图像训练的U-Net模型比使用手动标记参考图像训练的模型达到了相似或更好的分割精度。OrganoLabeler可以替代手动标记，为类器官研究提供更快、更准确的结果，且免费。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 开发一种快速、准确、无代码的类器官图像分割标注工具，以替代人工标注并提高深度学习模型训练数据的生成效率。
- 核心机制
- OrganoLabeler结合对比度调整、K-means聚类、CLACHE、二值化和Otsu阈值五种图像处理技术，实现自动分割。
- 主要证据
- 在胚状体、脑类器官和肠道类器官数据集上，OrganoLabeler分割图像与人工分割图像的IoU和Dice系数对比，以及使用其分割图像训练的U-Net模型性能与人工分割图像训练的U-Net模型性能对比。
- 研究意义
- OrganoLabeler可替代人工标注，为类器官研究提供更快、更准确的结果，且免费使用。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
类器官特征鉴定
验证生成的胚状体和脑类器官具有正确的分化特征。
通过免疫荧光染色检测胚状体中三个胚层标志物（α-SMA、Nestin、Sox17）和脑类器官中神经标志物（Sox2、Tuj1、N-cadherin）的表达。
应用OrganoLabeler分割图像
利用OrganoLabeler对类器官图像进行自动分割，并评估其与人工分割的一致性。
将OrganoLabeler应用于胚状体、脑类器官和肠道类器官数据集，将分割结果与人工分割参考图像比较，计算IoU和Dice系数。
训练U-Net模型验证分割效果
验证OrganoLabeler分割图像可用于训练深度学习模型，且性能不低于人工分割图像。
分别使用OrganoLabeler分割图像和人工分割图像训练U-Net模型，比较模型的分割性能（IoU和Dice系数）。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | Matrigel hESC级基质胶 | Corning | 354277 |
| mTeSR1培养基 | STEMCELL Technologies | 85850 | |
| ReLeSR细胞消化液 | STEMCELL Technologies | 05872 | |
| DMEM/F-12培养基 | Gibco | 31330-038 | |
| KnockOut血清替代物 | Gibco | 10828028 | |
| MEM非必需氨基酸溶液 | Lonza | 11140050 | |
| GlutaMAX添加剂 | Gibco | 35050061 | |
| 青霉素-链霉素 | Gibco | 15140122 | |
| ROCK抑制剂 | Tocris | 1254 | |
| 人碱性成纤维细胞生长因子重组蛋白 | Gibco | PHG0024 | |
| N-2 MAX培养基添加剂 | R&D Systems | AR009 | |
| 肝素 | Sigma-Aldrich | H3149 | |
| Matrigel基底膜基质 | Corning | 354234 | |
| Neurobasal培养基 | Gibco | 21103049 | |
| B-27添加剂（不含维生素A） | Gibco | 12587010 | |
| 胰岛素 | Gibco | I9278 | |
| B-27添加剂（含维生素A） | Gibco | 17504044 | |
| 轨道摇床 | Miulab | GSP-20 | |
| 微流控芯片制造 | 双面胶 | 3M | 468MP |
| 激光切割机 | Epilog | MINI | |
| 免疫荧光染色 | OCT包埋剂 | Fisher Healthcare | -- |
| 冷冻切片机 | Leica Biosystems | CM1950 | |
| Triton X-100 | neoFroxx | 8500 | |
| 磷酸盐缓冲液 | Gibco | P04-36500 | |
| 吐温-20 | Sigma-Aldrich | P7949 | |
| 牛血清白蛋白 | Sigma-Aldrich | A2153 | |
| α-SMA抗体 | Cell Signaling Technology | 48938S | |
| Nestin抗体 | Proteintech | 19483-1-AP | |
| Sox17抗体 | Abcam | Ab84990 | |
| Sox2抗体 | Bioss | bs-0523R | |
| Tuj1抗体 | R&D Systems | MAB1195 | |
| N-cadherin抗体 | Cell Signaling Technology | 13116T | |
| DAPI | Neofroxx | 1322 | |
| 荧光显微镜 | 荧光显微镜 | Olympus | IX71 |
| 图像采集 | 倒置显微镜 | Zeiss | Axiocam 705 |
| 图像分割 | ImageJ | -- | -- |
| 图像处理 | Python | -- | -- |
| Pillow | -- | -- | |
| OpenCV | -- | -- | |
| Matplotlib | -- | -- | |
| Numpy | -- | -- | |
| 模型训练 | TensorFlow | -- | -- |
| Keras | -- | -- | |
| 计算机硬件 | Apple MacBook M1Max | Apple | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 胚状体生成 | hiPSC细胞系来源、培养条件（mTeSR1、Matrigel包被）、胚状体生成时细胞接种方式、培养基组成（ESCM、ROCKi浓度）、培养时间（4-6天） 阅读提示：见Methods 2.1节 |
| 脑类器官生成 | hiPSC细胞系来源、胚状体形成条件、神经诱导培养基（NIM）组成、Matrigel包埋、分化培养基（CODM）组成、培养条件（静态/轨道摇床/微流控芯片）、培养时间（30天） 阅读提示：见Methods 2.1节 |
| 微流控芯片制造 | 芯片设计软件（AutoCAD、CorelDRAW）、材料（PMMA）、激光切割机、双面胶、灭菌方法（70%乙醇、UV 30分钟） 阅读提示：见Methods 2.2节 |
| 免疫荧光染色 | 固定液（4%多聚甲醛）、固定时间（25分钟）、透化液（0.3% Triton X-100）、封闭液（0.05% Tween 20、1% BSA）、一抗及稀释度、二抗及孵育时间（2小时）、DAPI浓度（0.5 μg/mL） 阅读提示：见Methods 2.3节 |
| 图像采集 | 显微镜型号（Zeiss Axiocam 705）、物镜倍数（10x）、图像分辨率（2464×2056）、图像尺寸调整（256×256） 阅读提示：见Methods 2.4节 |
| OrganoLabeler分割 | 图像处理参数（对比度调整、模糊、clip limit、tile grid size、面积限制）、使用的库（Pillow、OpenCV） 阅读提示：见Methods 2.5节 |
| U-Net模型训练 | 训练/测试分割比例（80/20%）、交叉验证折数（5）、损失函数（binary cross-entropy）、优化器（Adam）、学习率（1e-3）、epoch数、batch size 阅读提示：见Methods 2.6节和Table 3 |
| 性能评估 | 评估指标（IoU、Dice）的定义和计算公式 阅读提示：见Methods 2.7节 |