JP7446616B2 - 細胞の挙動の解析方法、およびその利用 - Google Patents
細胞の挙動の解析方法、およびその利用 Download PDFInfo
- Publication number
- JP7446616B2 JP7446616B2 JP2020525761A JP2020525761A JP7446616B2 JP 7446616 B2 JP7446616 B2 JP 7446616B2 JP 2020525761 A JP2020525761 A JP 2020525761A JP 2020525761 A JP2020525761 A JP 2020525761A JP 7446616 B2 JP7446616 B2 JP 7446616B2
- Authority
- JP
- Japan
- Prior art keywords
- cell
- cells
- tracking
- time
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 25
- 210000004027 cell Anatomy 0.000 claims description 512
- 210000001519 tissue Anatomy 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 62
- 238000001514 detection method Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 34
- 210000000130 stem cell Anatomy 0.000 claims description 33
- 210000003855 cell nucleus Anatomy 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000033001 locomotion Effects 0.000 claims description 28
- 238000002054 transplantation Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000012258 culturing Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 210000002615 epidermis Anatomy 0.000 claims description 7
- 238000004113 cell culture Methods 0.000 claims description 6
- 238000002659 cell therapy Methods 0.000 claims description 6
- 210000000845 cartilage Anatomy 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 210000003560 epithelium corneal Anatomy 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 210000005175 epidermal keratinocyte Anatomy 0.000 description 35
- 239000013598 vector Substances 0.000 description 29
- 230000002062 proliferating effect Effects 0.000 description 18
- 230000012292 cell migration Effects 0.000 description 15
- 238000013508 migration Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000013016 learning Effects 0.000 description 14
- 230000005012 migration Effects 0.000 description 14
- 239000000047 product Substances 0.000 description 12
- 239000002609 medium Substances 0.000 description 11
- 239000002245 particle Substances 0.000 description 11
- 239000003814 drug Substances 0.000 description 10
- 238000003908 quality control method Methods 0.000 description 9
- 230000001172 regenerating effect Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 101150079125 DCN1 gene Proteins 0.000 description 6
- 102100026982 DCN1-like protein 1 Human genes 0.000 description 6
- 101100330861 Homo sapiens DCUN1D1 gene Proteins 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 210000002510 keratinocyte Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000003491 skin Anatomy 0.000 description 6
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000394 mitotic effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000035755 proliferation Effects 0.000 description 5
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000001000 micrograph Methods 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 210000004748 cultured cell Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- VBEQCZHXXJYVRD-GACYYNSASA-N uroanthelone Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CS)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CS)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(C)C)[C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CCSC)NC(=O)[C@H](CS)NC(=O)[C@@H](NC(=O)CNC(=O)CNC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CS)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@H](CO)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](CS)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC(N)=O)C(C)C)[C@@H](C)CC)C1=CC=C(O)C=C1 VBEQCZHXXJYVRD-GACYYNSASA-N 0.000 description 3
- 206010010996 Corneal degeneration Diseases 0.000 description 2
- 102000009024 Epidermal Growth Factor Human genes 0.000 description 2
- 101800003838 Epidermal growth factor Proteins 0.000 description 2
- 108010010803 Gelatin Proteins 0.000 description 2
- 230000027311 M phase Effects 0.000 description 2
- NWIBSHFKIJFRCO-WUDYKRTCSA-N Mytomycin Chemical compound C1N2C(C(C(C)=C(N)C3=O)=O)=C3[C@@H](COC(N)=O)[C@@]2(OC)[C@@H]2[C@H]1N2 NWIBSHFKIJFRCO-WUDYKRTCSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000022131 cell cycle Effects 0.000 description 2
- 230000009087 cell motility Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229940116977 epidermal growth factor Drugs 0.000 description 2
- 210000003527 eukaryotic cell Anatomy 0.000 description 2
- 210000002950 fibroblast Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229920000159 gelatin Polymers 0.000 description 2
- 239000008273 gelatin Substances 0.000 description 2
- 235000019322 gelatine Nutrition 0.000 description 2
- 235000011852 gelatine desserts Nutrition 0.000 description 2
- 239000001963 growth medium Substances 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000004962 mammalian cell Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 210000002341 stratified epithelial cell Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- DGVVWUTYPXICAM-UHFFFAOYSA-N β‐Mercaptoethanol Chemical compound OCCS DGVVWUTYPXICAM-UHFFFAOYSA-N 0.000 description 2
- 208000006069 Corneal Opacity Diseases 0.000 description 1
- 230000010190 G1 phase Effects 0.000 description 1
- 230000010337 G2 phase Effects 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 201000002287 Keratoconus Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010073938 Ophthalmic herpes simplex Diseases 0.000 description 1
- 208000004210 Pressure Ulcer Diseases 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 206010042033 Stevens-Johnson syndrome Diseases 0.000 description 1
- 231100000168 Stevens-Johnson syndrome Toxicity 0.000 description 1
- 102000004142 Trypsin Human genes 0.000 description 1
- 108090000631 Trypsin Proteins 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 206010064996 Ulcerative keratitis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000004102 animal cell Anatomy 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- 239000007640 basal medium Substances 0.000 description 1
- 210000004271 bone marrow stromal cell Anatomy 0.000 description 1
- 201000004781 bullous keratopathy Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000004709 cell invasion Effects 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000005757 colony formation Effects 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 231100000269 corneal opacity Toxicity 0.000 description 1
- 201000007717 corneal ulcer Diseases 0.000 description 1
- 239000012531 culture fluid Substances 0.000 description 1
- 239000012228 culture supernatant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001339 epidermal cell Anatomy 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000003780 hair follicle Anatomy 0.000 description 1
- 230000036074 healthy skin Effects 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 210000003897 hepatic stem cell Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003632 microfilament Anatomy 0.000 description 1
- 229960004857 mitomycin Drugs 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000001665 muscle stem cell Anatomy 0.000 description 1
- 210000001178 neural stem cell Anatomy 0.000 description 1
- 230000037311 normal skin Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004663 osteoprogenitor cell Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 238000002135 phase contrast microscopy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000000229 preadipocyte Anatomy 0.000 description 1
- 230000023895 stem cell maintenance Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000013334 tissue model Methods 0.000 description 1
- 231100000820 toxicity test Toxicity 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 239000012588 trypsin Substances 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/46—Means for regulation, monitoring, measurement or control, e.g. flow regulation of cellular or enzymatic activity or functionality, e.g. cell viability
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N15/1429—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its signal processing
-
- G01N15/1433—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G01N2015/1027—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Description
[1] タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;および
各々の細胞を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ
を含む、細胞の挙動解析方法。
[2] タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を含む、細胞の評価方法。
[3] 追跡ステップが、前方にあり、かつ予測位置から一定の距離内にある最近傍の細胞の位置を観測データとするものである、1または2に記載の方法。
[4] 判別が、深層学習を用いて行われる、3に記載の方法。
[5] 追跡ステップにおいて、予測位置から一定の距離内に細胞が見つからない場合には、欠測とみなす、1~4のいずれか1項に記載の方法。
[6] 細胞が、幹細胞である、1~5のいずれか1項に記載の方法。
[7] 前時刻と現時刻との間隔が、2~15分間である、6に記載の方法。
[8] 細胞治療用の培養組織の品質評価のために使用される、1~7のいずれか1項に記載の方法。
対象から得た細胞を培養し、移植用の培養組織を作製する細胞培養ステップ;および
培養組織に含まれる細胞の移動情報を指標として、作製される培養組織を評価する、評価ステップ
を含み、評価ステップが、
培養組織の全部または一部のタイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出ステップ;
各々の細胞を、前時刻のフレームの細胞の位置を現時刻におけるフレームの細胞の予測位置とし、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとするカルマンフィルタを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の移動情報を算出する、算出ステップ
を含む、製造方法。
[10] 培養組織が、培養表皮、培養角膜上皮、または培養軟骨である、9に記載の製造方法。
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞を観測データとする状態空間モデルを用いて推定する、推定手段;および
各時刻における各々の細胞の推定位置を記憶する、記憶手段
を具備する、細胞挙動解析装置。
[12] タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出手段;および
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞を観測データとする状態空間モデルを用いて推定する、推定手段;
各時刻における各々の細胞の推定位置を記憶する、記憶手段;および
記憶手段に記憶される各時刻における推定位置に基づき、各々の細胞の移動情報を算出する、算出手段
を具備する、細胞評価装置。
タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;および
各々の細胞を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ
を実行させる、細胞の挙動解析のためのプログラム。
[14] コンピュータに対し、
タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる位置情報に基づき、各々の細胞の移動速度および移動方向を算出する、算出ステップ
を実行させる、細胞の評価のためのプログラム。
採取した細胞を培養し、培養組織を製造する工程;
培養中の細胞組織または製造された培養組織について、品質評価を行う工程;
品質評価の結果に基づき、培養組織を選択する工程;
選択された品質評価済みの培養組織を、対象に提供する工程。
[1] タイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出ステップ;および
各々の細胞を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ
を含む、細胞の挙動解析方法。
[2] タイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出ステップ;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を含む、細胞の評価方法。
[3] 検出ステップが、フレームから抽出された候補領域が細胞領域であるか否かを辞書を用いて判別することを含む、1または2に記載の方法。
[4] 判別が、深層学習を用いて 行われる、3に記載の方法。
[5] 辞書が、細胞核の画像データを含む、3または4に記載の方法。
[6] 追跡ステップにおいて、予測位置から一定の距離内に細胞が見つからない場合には、欠測とみなす、1~5のいずれか1項に記載の方法。
[7] 細胞が、幹細胞である、1~6のいずれか1項に記載の方法。
[8] 前時刻と現時刻との間隔が、2~15分間である、7に記載の方法。
対象から得た細胞を培養し、移植用の培養組織を作製する細胞培養ステップ;および
培養組織に含まれる細胞の移動情報を指標として、作製される培養組織を評価する、評価ステップ
を含み、評価ステップが、
培養組織の全部または一部のタイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出ステップ;
各々の細胞を、前時刻のフレームの細胞の位置を現時刻におけるフレームの細胞の予測位置とし、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の移動情報を算出する、算出ステップ
を含む、製造方法。
[10] 培養組織が、培養表皮、培養角膜上皮、または培養軟骨である、9に記載の製造方法。
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞を観測データとする状態空間モデルを用いて推定する、推定手段;および
各時刻における各々の細胞の推定位置を記憶する、記憶手段
を具備する、細胞挙動解析装置。
[12] タイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出手段;および
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞を観測データとする状態空間モデルを用いて推定する、推定手段;
各時刻における各々の細胞の推定位置を記憶する、記憶手段;および
記憶手段に記憶される各時刻における推定位置に基づき、各々の細胞の移動情報を算出する、算出手段
を具備する、細胞評価装置。
タイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出ステップ;および
各々の細胞を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ
を実行させる、細胞の挙動解析のためのプログラム。
[14] コンピュータに対し、
タイムラプス画像のフレーム毎に、複数の細胞の位置を検出する、検出ステップ;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる位置情報に基づき、各々の細胞の移動速度および移動方向を算出する、算出ステップ
を実行させる、細胞の評価のためのプログラム。
このステップにおいては、一定時間おきに取得した、複数の細胞を含む一群の細胞(例えば一つのコロニー)のタイムラプス画像の各々のフレーム(各々の時間)に対して、細胞候補領域を抽出し、細胞領域であるか否かを判別することにより、複数の細胞位置を決定する。検出ステップの役割は、複数の細胞についての細胞追跡の初期位置の決定と、時間毎の状態空間モデルにおける観測データの生成である。典型的には、検出ステップでは、タイムラプス画像のすべての画像に対して、カスケード型の識別器を用いて判別を行って細胞を検出し、そして初期位置と各々の時刻での細胞位置を決定し、記憶する(図12、S2)。
細胞候補領域の抽出や細胞領域であるかの判別にはデータセット(辞書)を用いる。辞書は、実際の培養系から撮像された画像から、各々の細胞と認識される領域の全部または特徴のある一部から生成された画像データを集めたものである。ここで選択される領域は、複数の細胞の挙動の解析に際し、細胞同士が接着している等の理由から各々の細胞の外延が不明確となる場合を考慮し、解析の対象となる細胞が真核細胞である場合には、細胞の種類に拠らず大きさや形状における差異が少ない細胞核の部分から生成されることが好ましい。図1として、人の目で細胞核と認識される部分を各々矩形で囲った位相差顕微鏡画像(左)と、細胞核でないと認識される部分を各々矩形で囲ったもの位相差顕微鏡画像(右)を示す。
各々のタイムラプス画像において細胞の候補領域を抽出するため、物体検出のアルゴリズムとして深層学習のモデルを利用することができる。具体的には、最近提案されたSSD(本明細書の後方にリスト化された文献[2]参照)と呼ばれる深層学習のモデルが利用できる(1段目SSD)。この学習に際して、辞書のデータ拡張を行ってもよい。
このステップでは、検出ステップで検出された複数の細胞各々について、追跡を行う。追跡においては、状態空間モデルを利用することができる。具体的には、時刻t(時刻tのフレーム)の細胞位置(検出された細胞の核を囲った矩形の中心の位置)と速度ベクトルから、時刻t+1における予測位置を算出する(図12、S2)。このような予測位置の算出を、複数の細胞各々について行う。なお、本発明において予測位置というときは、状態空間モデルで予測される予測位置のことを指す。予測位置は、前時刻の細胞の位置に前時刻における速度を足して、一定の乱数を擾乱として加えたものである。
このステップでは、追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報(速度ベクトル、移動速度、移動方向、等)を算出する。得られた速度ベクトルのノルムを毎時間ごとに足し合わせて時間で割ると、その細胞についての平均の移動速度が求められる。複数の細胞の各々について平均移動速度を計算し、ヒストグラムを作成することにより、その細胞群を評価することができる。図11に、ヒストグラムの例を示した。
本発明はまた、上述の細胞の挙動解析方法を実施するための細胞挙動解析装置、および上述の細胞の評価方法を実施するための細胞評価装置を提供する。
<細胞>
本発明の方法は、種々の細胞に対して用いることができる。真核細胞に対して好ましく適用することができ、中でも幹細胞を含む細胞群に対して、特に好ましく適用することができる。本発明において幹細胞というときは、特に記載した場合を除き、自己複製能力を有し、複数の細胞系譜へ分化する能力を有する細胞をいう。本発明でいう幹細胞には、表皮角化幹細胞、皮膚幹細胞、網膜幹細胞、網膜上皮幹細胞、軟骨幹細胞、毛包幹細胞、筋幹細胞、骨前駆細胞、脂肪前駆細胞、造血幹細胞、神経幹細胞、肝幹細胞、膵幹細胞、外胚葉系幹細胞、中胚葉系幹細胞、内胚葉系幹細胞、間葉系幹細胞、ES細胞、iPS細胞のほか、扁平重層上皮細胞(腫瘍細胞も含む。)、誘導された表皮角化幹細胞が含まれる。
本発明の方法は、対象から得た細胞を培養系において、細胞の移動速度を指標に、細胞の増殖能を評価するために用いることができる。本発明者らは、培養ヒト表皮角化細胞培養系において、増殖性の高い細胞が作るコロニー、特に角化幹細胞の作るコロニー内で、細胞の平均移動速度が最大であることを見出し、またヒト表皮角化細胞の増殖能は移動速度と相関することを見出している(非特許文献1、特許文献4)。これまで、非侵襲的に培養条件や培養細胞を自動化して評価する方法は存在しなかった。しかしながら、一群の細胞の挙動解析に基づき、細胞を評価する本発明によれば、非侵襲的な自動化された評価が達成される。また従来の幹細胞の増殖性を維持する培養条件の管理等は、技術者の経験知に依拠したものであった。再生医療分野において、移植することを目的に培養された細胞は、いわゆる製品として品質管理が求められる。通常、移植用培養組織を調製するための細胞は、由来する個人により差があるであろうし、完成した細胞製品にはさまざまなバラツキを生じる可能性がある。培養組織の品質管理は、極めて重要である。しかしながら本発明の方法により、簡便で客観的に、培養条件や細胞を評価できる。また、技術者の熟練度に依存せずに、再生医療用細胞製品の品質管理を行うことができる。
本発明の別の態様においては、品質評価ステップを含む、培養組織の製造方法を提供する。本発明で「培養組織」というときは、特に記載した場合を除き、動物の細胞を動物体外で培養し、再構築させた組織モデルをいう。培養組織の例は、培養表皮、培養角膜上皮、培養軟骨である。培養組織は、自家培養組織を含む。
[1]以下の工程を含む、培養組織を対象に提供するシステム:
採取した細胞を培養し、培養組織を製造する工程;
培養中の細胞組織または製造された培養組織について、品質評価を行う工程;
品質評価の結果に基づき、培養組織を選択する工程;
選択された品質評価済みの培養組織を、対象に提供する工程。
[2]品質評価が、細胞の挙動解析を含む、1に記載のシステム。
本発明の方法は、細胞の評価のみならず、細胞の培養条件の評価のためにも用いることができる。より具体的には、細胞系の培養条件を変化させた際に、細胞の挙動の変化の有無、変化の程度を解析し、その解析結果に基づき、対象とした培養条件が細胞にとって好ましいものであるか否か等を判定するために、用いることができる。培養条件は、温度、pH、時間、成分の有無または量、光、雰囲気を含む。
これまで、非侵襲的であり、高精度に複数の細胞の各々について、挙動を解析する方法は存在しなかった。しかしながら、細胞の特徴に基づき、辞書データを用いた細胞検出のための学習と状態空間モデルによる追跡を行う本発明によれば、高精度に複数の細胞各々について、非侵襲的評価が達成される。また従来の幹細胞の増殖性を維持する培養条件の管理等は、技術者の経験知に依拠したものであった。再生医療分野において、移植することを目的に培養された細胞は、再生医療等製品として品質管理が求められる。通常、移植用培養組織を調製するための細胞は、由来する個人により差があるであろうし、完成した細胞製品にはさまざまなバラツキを生じる可能性があり、培養組織の品質管理は、極めて重要である。しかしながら本発明による挙動解析により、簡便で客観的に細胞を評価することができる。また、技術者の熟練度に依存しない客観的かつ再現性の高い、再生医療等製品の品質管理を行うことができる。
1 表皮角化細胞の連続観察
1.1 表皮角化細胞の培養
新生児由来のヒト表皮角化細胞(KURABOより購入)を、マイトマイシンC処理をしたマウス3T3線維芽細胞をフィーダー細胞として、37℃、10%CO2条件下で培養した(方法の詳細は文献[1]参照)。
1.2 表皮角化細胞のタイムラプス撮影
培養した表皮角化細胞を、35mmのガラスボトムディッシュに継代培養を行い、オリンパスFV10iにて、37℃、10%CO2条件下で5分ごとに自動撮影を行うタイムラプス撮影を行った。
表皮角化細胞をトラッキングする方法は、大きく2段階に分かれており、1)画像中の細胞検出と2)状態空間モデルを用いたトラッキングの組み合わせで行われる。1)の細胞検出の役割は、トラッキングの初期位置の決定と、時間毎の状態空間モデルにおける観測データの生成である。この目的のために、多段階のカスケーディングネットワークを提案する。本研究では、予測位置からある半径の円内にある最近傍の認識細胞を観測データと見なすという独自の方法を用いた。
位相差顕微鏡で出力される1024×1024のサイズの16ビットTIFF画像を、構造を際立たせるためにヒストグラム平滑化処理を行い、1024×1024のサイズの8ビットPNGファイルに変換した。この変換後の画像を用いて、以下に述べる、学習やトラッキングを行った。
本研究では、細胞の検出や認識に機械学習の方法を用いるため、学習のためのデータ(辞書)が必要となる。ここでは、図1に示すような位相差顕微鏡の画像に対して、人の目で細胞の核に対して矩形領域を選択したものを辞書と呼ぶことにする。このような辞書を、画像にして、188枚、矩形領域にして18032個用意した。細胞でない領域も矩形で囲い、5628個用意した。
2.3 細胞検出のための学習
2.3.1 細胞の位置候補領域の抽出(1段階目)
細胞の位置検出を行うために、物体検出のアルゴリズムとして最近提案されたSSD[2]と呼ばれる深層学習のモデルを使用した。学習の前に、データ拡張として、上下左右反転(4倍)とガンマ補正(0.75,1.00,1.25.1.50)、解像度の変化(0.75,0.85,1,1.15,1.25倍)を行い、元画像188枚のデータを80(=4×4×5)倍の15040枚に拡張した。
1段階目のSSDで抽出された候補領域には、実際には、細胞でない領域も多数含まれている。そこで、これらの候補領域から、細胞の領域を高精度で判別するために、VGG16[3]をベースにした2クラス分類の深層畳み込みネットワークを3種類用意し(図3参照)、これらのモデルを図4に示すように多段階に組み合わせたカスケーディングネットワークを構築して判定を行った。
表皮角化細胞を一つずつトラッキングするためのアルゴリズムとして、以下に示す観測方程式と状態方程式で記述される線形の状態空間モデルを用いた。
3.1 入力データの準備
5分おき程度に取得した画像を複数枚用意し、ヒストグラム平滑化処理をした。
3.2 細胞検出
一段目の細胞検出器の候補領域を2段目の高精度細胞判別器に入力し、細胞領域の検出を行った様子を示したのが、図5-1である。
予測座標から、半径20ピクセル以内の距離にある最近傍の細胞の座標を観測値として、もし、半径20ピクセル内の距離にない場合には、欠測とみなして、カルマンフィルタを用いたトラッキングを行った。図7は、連続する2つの時刻での、観測細胞の決定と欠測の例である。下側の円は、ある時刻における予測位置(白点)の観測範囲に細胞の位置(星)が捉えられた例である。この円内の星の座標を観測データとしてカルマンフィルタのフィルタ分布を更新する。一方上側の円は、観測範囲に座標が見つからなかった例で、この場合、欠測と見なして、フィルタリングを行わずに次の時間ステップへと進む。
得られた速度ベクトルのノルムを毎時間毎に足し合わせて、時間で割ると平均の速度が得られる。これを細胞毎に計算し、ヒストグラムを作成した(図11)。
下記の点以外は実施例1-1と同様にして、細胞のトラッキングを行った。
2.3 細胞検出のための学習
2.3.2 細胞の位置候補領域の抽出
細胞の位置検出を行うために、物体検出アルゴリズムとして提案されたSSD[2]と呼ばれる深層学習のモデルを使用した。図3-2にSSDのモデル概念図を示す。
1段階目のSSDで抽出された候補領域は、細胞でない領域が多数含まれている。そこで、これらの候補領域から、細胞の領域を高精度で判別するために、CapsNetをベースにした2クラス分類のネットワークを2種類用意し(図3-3を参照)、これらのモデルを図4-2に示すように多段階に組み合わせたカスケーディングネットワークを構築し判定を行った。2種類のネットワーク(CpasNet1, CapsNet2)は、独立に学習させた。学習では、辞書の矩形領域の画像に対して、5度刻みで回転と、ガンマ補正(0.75, 0.85, 1.00, 1.15, 1.25)を行うことで、データ拡張を行い、360(72×5)倍に増やした。これらの学習に使用した矩形領域の個数は下表に示した。
表皮角化細胞をトラッキングする方法は、大きく分けて2段階に別れており、1)画像中の細胞検出、2)状態空間モデルを用いたトラッキングの組み合わせで行われる。1)の細胞検出の役割は、トラッキングの初期位置の決定と、時間毎の状態空間モデルにおける観測データの生成である。この目的のために、多段階のカスケーディングネットワークを提案する。本方法では、前方にあり、かつ予測位置からある半径の円内にある最近傍の認識細胞を観測データと見なすという独自の方法を用いた。
表皮角化細胞のコロニー画像を準備し、ヒストグラム平滑化処理を行った。
候補領域の検出では、サイズ1024×1024の画像を、サイズ341×341で9分割、256×256で16分割し、合計25領域(図5-2を参照)を作成した。作成した領域は、サイズ300×300にリサイズされ、SSDへ入力し、候補領域を出力する。SSDで検出された領域には、その領域が細胞である尤もらしさを表す尤度として、確信度誤差Lconf∈[0,1]が算出される。本研究では、検出された領域のLconfが
1段目のSSDで抽出された候補領域には、実際には、細胞でない領域も多数含まれている。そこで、これらの候補領域から、細胞の候補領域を高精度で判別するためにCapsNetをベースにした2クラス分類の深層畳み込みネットワークを2種類用意し、図4-2に示すように多段階に組み合わせたカスケーディングネットワークを構築して判別を行った。
ここでは、一般状態空間モデルを利用することで、ヒト表皮角化細胞を一つずつトラッキングするための方法を構築する。
自動追跡システムを、表皮角化細胞(実施例1-1と同様に入手し、培養したもの。)の培養条件のモニタリングに適用した。
自動追跡システムを、幹細胞コロニーを予測するために適用した。
2つの表皮角化細胞コロニーについてクローン化し、また実施例1-2と同様に、自動追跡により速度情報を得て、得られた速度情報からMotion Index (MI)を求めた。ここでいうMotion Index (MI)とは、コロニーの内側領域の細胞の平均速度をコロニーの外側領域の細胞の平均速度で割ったもの、すなわち、[コロニーの内側領域の細胞の平均速度]/[コロニーの外側領域の細胞の平均速度]である。
(1)はじめに、コロニー全体の領域を指定したマスク画像を作成する(実際に人の手でコロニー全体を選択する。)
(2)次に、作成したマスク画像を0.65倍に縮小したマスク画像を作成し、最初に作成したマスク画像に重ねる。このとき、2つ画像の重心が一致するように重ねる。
(3)この重ねた画像の中心(縮小して作成したマスク画像の部分)をコロニーの内側領域とし、それ以外を外側領域と定義する。
自動追跡システムを、ES細胞に適用した。
(1)0.1% gelatin solution (Biological Industries 01-944-1B)で培養ディッシュをコートする。
(2)ゼラチンコートしたディッシュにマウス胎仔線維芽細胞(mouse embryonic fibroblasts; MEF)(西村研究室で樹立)を播種し、37℃、5%CO2で4時間培養する。
(3)その後、マウスES細胞(西村研究室で樹立)を播種し、37℃、5%CO2で培養する。マウスES細胞の培養液は以下の組成である。
mouse ES basal medium (Biological Industries 01-171-1)
0.5nM LIF human recombinant culture supernatant (Wako 129-05601)
0.1mM 2-Mercaptoethanol (SIGMA M3148)
このシステムは、ES細胞等の幹細胞の評価に広く適用できる。
[1]Nanba, D., et al., Cell motion predicts human epidermal stemness. J Cell Biol, 2015: p. jcb. 201409024.
[2]Liu, W., et al. Ssd: Single shot multibox detector. in European conference on computer vision. 2016. Springer.
[3]Simonyan, K. and A. Zisserman, Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014.
[4]Kingma, D.P. and J. Ba, Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014.
[5]Tokui, S., et al. Chainer: a next-generation open source framework for deep learning. in Proceedings of workshop on machine learning systems (LearningSys) in the twenty-ninth annual conference on neural information processing systems (NIPS). 2015.
[6]Kalman, R.E., A new approach to linear filtering and prediction problems. Journal of basic Engineering, 1960. 82(1): p. 35-45.
[7]Nanba et al, EMBO Mol Med 5: 640-653, 2013. Actin filament dynamics impacts keratinocyte stem cell maintenance.
Claims (15)
- タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を含む、細胞の挙動解析方法。 - タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を含む、細胞の評価方法。 - 追跡ステップが、前方にあり、かつ予測位置から一定の距離内にある最近傍の細胞の位置を観測データとするものである、請求項1または2に記載の方法。
- 判別が、深層学習を用いて行われる、請求項3に記載の方法。
- 追跡ステップにおいて、予測位置から一定の距離内に細胞が見つからない場合には、欠測とみなす、請求項1~4のいずれか1項に記載の方法。
- 細胞が、幹細胞である、請求項1~5のいずれか1項に記載の方法。
- タイムラプス画像が、2~15分間ごとに撮像されたものである、請求項6に記載の方法。
- 細胞治療用の培養組織の品質評価のために使用される、請求項1~7のいずれか1項に記載の方法。
- 培養組織の製造方法であって:
対象から得た細胞を培養し、移植用の培養組織を作製する細胞培養ステップ;および
培養組織に含まれる細胞の移動情報を指標として、作製される培養組織を評価する、評価ステップ
を含み、評価ステップが、
培養組織の全部または一部のタイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞を、前時刻のフレームの細胞の位置を現時刻におけるフレームの細胞の予測位置とし、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとするカルマンフィルタを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を含む、製造方法。 - 培養組織が、培養表皮、培養角膜上皮、または培養軟骨である、請求項9に記載の製造方法。
- タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出手段;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞を観測データとする状態空間モデルを用いて推定する、推定手段;
各時刻における各々の細胞の推定位置を記憶する、記憶手段;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を具備する、細胞挙動解析装置。 - タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出手段;および
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞を観測データとする状態空間モデルを用いて推定する、推定手段;
各時刻における各々の細胞の推定位置を記憶する、記憶手段;および
記憶手段に記憶される各時刻における推定位置に基づき、各々の細胞の速度情報を算出する、算出手段
を具備する、細胞評価装置。 - コンピュータに対し、
タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、算出ステップ
を実行させる、細胞の挙動解析のためのプログラム。 - コンピュータに対し、
タイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別する、検出ステップ;
各々の細胞の位置を、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとする状態空間モデルを用いて追跡する、追跡ステップ;および
追跡ステップから得られる位置情報に基づき、各々の細胞の移動速度および移動方向を算出する、算出ステップ
を実行させる、細胞の評価のためのプログラム。 - 以下を含む、システム:
採取した細胞を培養し、培養組織を製造するための手段;
培養中の細胞組織または製造された培養組織について、品質評価を行うための手段であって、
細胞組織または培養組織の全部または一部のタイムラプス画像のフレーム毎に、複数の細胞の位置を検出するが、このときフレームから抽出された候補領域が細胞領域であるか否かを、細胞核の画像データを含む辞書を用いて判別し、
各々の細胞を、前時刻のフレームの細胞の位置を現時刻におけるフレームの細胞の予測位置とし、予測位置から一定の距離内にある最近傍の細胞の位置を観測データとするカルマンフィルタを用いて追跡し、
追跡ステップから得られる追跡情報に基づき、各々の細胞の速度情報を算出する、ための手段;
品質評価の結果に基づき、培養組織を選択するための手段。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018116303 | 2018-06-19 | ||
JP2018116303 | 2018-06-19 | ||
PCT/JP2019/024225 WO2019244917A1 (ja) | 2018-06-19 | 2019-06-19 | 細胞の挙動の解析方法、およびその利用 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019244917A1 JPWO2019244917A1 (ja) | 2021-06-24 |
JP7446616B2 true JP7446616B2 (ja) | 2024-03-11 |
Family
ID=68984091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020525761A Active JP7446616B2 (ja) | 2018-06-19 | 2019-06-19 | 細胞の挙動の解析方法、およびその利用 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11475578B2 (ja) |
EP (1) | EP3812467A4 (ja) |
JP (1) | JP7446616B2 (ja) |
WO (1) | WO2019244917A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022504634A (ja) * | 2018-10-23 | 2022-01-13 | エフ・ホフマン-ラ・ロシュ・アクチェンゲゼルシャフト | 距離に基づく組織状態の決定 |
WO2023153415A1 (ja) * | 2022-02-08 | 2023-08-17 | テルモ株式会社 | 画像の時間差分によるシート状細胞培養物形成状態検出方法、システム及びコンピュータープログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303886A (ja) | 2006-05-09 | 2007-11-22 | Sony Corp | 位置推定装置、位置推定方法及びプログラム記録媒体 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2820771C3 (de) | 1978-05-12 | 1981-12-17 | BÖWE Maschinenfabrik GmbH, 8900 Augsburg | Adsorptionsvorrichtung |
US6026174A (en) | 1992-10-14 | 2000-02-15 | Accumed International, Inc. | System and method for automatically detecting malignant cells and cells having malignancy-associated changes |
CN1802744A (zh) | 2003-04-09 | 2006-07-12 | 库利克-索法投资公司 | 集成电路的电交互连接结构及其制造方法 |
WO2008100704A2 (en) | 2007-02-09 | 2008-08-21 | Ge Healthcare Bio-Sciences Corp. | System and method for tracking the movement of biological materials |
JP6090770B2 (ja) | 2012-10-25 | 2017-03-08 | 大日本印刷株式会社 | 細胞挙動解析装置、細胞挙動解析方法、及びプログラム |
JP6218208B2 (ja) * | 2012-10-26 | 2017-10-25 | 国立大学法人愛媛大学 | 細胞の評価方法およびその利用 |
JP2017023055A (ja) | 2015-07-22 | 2017-02-02 | 大日本印刷株式会社 | 細胞管理システム、プログラム、及び、細胞管理方法 |
JP6730040B2 (ja) | 2016-02-12 | 2020-07-29 | 大日本印刷株式会社 | 培養状態解析システム及び培養状態解析方法、並びに、プログラム |
US10825195B2 (en) * | 2016-04-06 | 2020-11-03 | Hoffman-La Roche, Inc. | Spatial index creation for IHC image analysis |
JP2018019632A (ja) | 2016-08-03 | 2018-02-08 | 国立大学法人愛媛大学 | 細胞の評価方法および細胞評価装置 |
-
2019
- 2019-06-19 WO PCT/JP2019/024225 patent/WO2019244917A1/ja unknown
- 2019-06-19 JP JP2020525761A patent/JP7446616B2/ja active Active
- 2019-06-19 EP EP19821590.7A patent/EP3812467A4/en active Pending
- 2019-06-19 US US17/253,812 patent/US11475578B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303886A (ja) | 2006-05-09 | 2007-11-22 | Sony Corp | 位置推定装置、位置推定方法及びプログラム記録媒体 |
Non-Patent Citations (7)
Title |
---|
Applied Optics,2016年01月20日,Vol.55, No.3,p.A86-A94 |
Conf. Proc. IEEE Eng. Med.Biol. Soc.,2017年07月,p.1986-1989 |
ICASSP (IEEE),2015年,p.942-946 |
J. Cell Biol.,2015年04月20日,Vol.209, No.2,p.305-315 |
Journal of Microscopy,2014年,Vol.253, Issue 1,p.65-78 |
Medical Image Analysis,2008年06月18日,Vol.12,p.546-566 |
樋口知之,粒子フィルタ,電子情報通信学会誌,2005年12月,Vol.88, No.12,p.989-994 |
Also Published As
Publication number | Publication date |
---|---|
EP3812467A1 (en) | 2021-04-28 |
EP3812467A4 (en) | 2022-07-20 |
JPWO2019244917A1 (ja) | 2021-06-24 |
US20210201508A1 (en) | 2021-07-01 |
WO2019244917A1 (ja) | 2019-12-26 |
US11475578B2 (en) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shapson-Coe et al. | A connectomic study of a petascale fragment of human cerebral cortex | |
Kumar et al. | An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation | |
Lee et al. | Non-linear dimensionality reduction on extracellular waveforms reveals cell type diversity in premotor cortex | |
Prentašić et al. | Detection of exudates in fundus photographs using convolutional neural networks | |
Song et al. | Automated wound identification system based on image segmentation and artificial neural networks | |
JP6448129B2 (ja) | 細胞評価装置、インキュベータ、細胞評価方法、プログラム、及び細胞の培養方法 | |
Rad et al. | Blastomere cell counting and centroid localization in microscopic images of human embryo | |
JP7446616B2 (ja) | 細胞の挙動の解析方法、およびその利用 | |
JP2014525252A (ja) | 組織分類のためのシステム及び方法 | |
JP6646746B2 (ja) | 画像解析システム、培養管理システム、画像解析方法、培養管理方法、細胞群製造方法及びプログラム | |
Hobson et al. | Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform | |
JP2022502684A (ja) | 画像特徴の検出 | |
Kim et al. | Diagnosis of corneal limbal stem cell deficiency | |
Lesmana et al. | Abnormal condition detection of pancreatic beta-cells as the cause of diabetes mellitus based on iris image | |
CN114359899B (zh) | 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质 | |
JP2017023055A (ja) | 細胞管理システム、プログラム、及び、細胞管理方法 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
JP2011243188A (ja) | 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム | |
Harun et al. | Unsupervised segmentation technique for acute leukemia cells using clustering algorithms | |
Maithili et al. | Optimized CNN model for diabetic retinopathy detection and classification | |
Osman et al. | Performance comparison of clustering and thresholding algorithms for tuberculosis bacilli segmentation | |
Masdiyasa et al. | A new method to improve movement tracking of human sperms | |
CN116863388A (zh) | 一种基于神经网络的精子活力确定方法及系统 | |
Ferro et al. | Multinuclear cell analysis using laplacian of gaussian and delaunay graphs | |
Zheng et al. | Improvement of grayscale image segmentation based on pso algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20201210 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220616 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20220616 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220617 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230516 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230718 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230724 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231201 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7446616 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |