Forscher haben drei Deep‑Learning‑Netzwerke entwickelt, die automatisch nicht‑lineare Bildregistrierung und Zellidentifikation in frei bewegenden, deformierenden Nervensystemen von Invertebraten ermöglichen. Das System erreicht bei C. elegans eine Bildausrichtung mit Einzelpixel‑Genauigkeit und verknüpft Neuronen über die Zeit hinweg mit 99,6 %iger Trefferquote.

BrainAlignNet – Bildregistrierung mit Einzelpixel‑Genauigkeit

Das Netzwerk BrainAlignNet wurde mittels halbüberwachtem Lernen trainiert und richtet Bildpaare des biegenden C. elegans‑Kopfes aus. Die erzielte Genauigkeit von einem Pixel ermöglicht eine zuverlässige Zuordnung von Neuronen über mehrere Aufnahmen hinweg, wodurch Langzeit‑Studien an dynamischen Nervensystemen vereinfacht werden.

AutoCellLabeler – Automatisierte Annotation von über 100 Zelltypen

Ein weiteres Netzwerk, AutoCellLabeler, identifiziert mehr als 100 neuronale Zelltypen im C. elegans‑Kopf anhand multispektroskopischer Fluoreszenzmarker. Mit einer Klassifizierungsgenauigkeit von 98 % übertrifft es die Leistung einzelner menschlicher Kennzeichner, weil es Wissen aus zahlreichen manuell annotierten Datensätzen aggregiert.

CellDiscoveryNet – Unüberwachte Entdeckung neuer Zelltypen

Der dritte Ansatz, CellDiscoveryNet, arbeitet ohne menschliche Labels und entdeckt selbstständig über 100 Zelltypen, indem er multispektroskopische Bilddaten vieler Tiere vergleicht. Die Resultate erreichen das Niveau erfahrener menschlicher Kennzeichner und zeigen das Potenzial unüberwachter Lernverfahren für die Zellklassifikation.

Übertragung auf andere Arten

Die entwickelte Methodik lässt sich ohne wesentliche Änderungen auf das Nesselqualle‑Modell Clytia hemisphaerica anwenden, obwohl diese Spezies ein völlig anderes Körperlayout und Bewegungsmuster aufweist. Damit wird die Generalisierbarkeit der Netzwerke für unterschiedliche biologische Systeme demonstriert.

Ausblick für biomedizinische Bildanalyse

Die vorgestellten Werkzeuge können unmittelbar in einer Vielzahl biologischer Anwendungen eingesetzt werden, etwa bei der Analyse komplexer Gewebe oder bei hochauflösenden Zeitreihenaufnahmen. Durch die Kombination von präziser Bildregistrierung und automatischer Zelltyp‑Annotation wird die Datenverarbeitung beschleunigt und die Reproduzierbarkeit von Forschungsergebnissen verbessert.

Dieser Bericht basiert auf Informationen von eLife, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.