I mange henseender benytter forskere billedanalyse til at holde styr på bevægende celler eller mikroskopiske dyr under et mikroskop. Nu har forskere udviklet en algoritme, som gør arbejdet meget lettere. Algoritmen optimerer blandt andet billedanalyser af et af verdens mest studerede dyr.
"I hundreder af år har forskere siddet foroverbøjet over mikroskopet og studeret alt fra celler til små dyr bevæge sig.
Lige så længe, som forskerne har gjort det, har de været udfordret af at holde styr på de bevægelige elementer, som fiser rundt i synsfeltet og gør det svært at tælle dem eller i det hele taget holde styr på, hvad der er hvad. Det kan dreje sig om alt fra sædceller til nematoder, der er små orme, som årligt benyttes i tusindvis af studier af forskellige sygdomme.
Inden for de seneste årtier har forskere fået hjælp af billeddiagnostik til at analysere antallet af celler eller dyr i deres prøver, og hvordan de bevæger sig, men her er forskerne ofte udfordret af, at det er nødvendigt at arbejde ved lave koncentrationer, for at computeralgoritmerne, der analyserer billederne, kan holde styr på både antal og bevægelse.
Den udfordring kan dog snart vise sig at høre fortiden til, idet forskere har udviklet en helt ny algoritme, som meget bedre holder styr på celleantal og cellebevægelse i selv meget koncentrerede prøver.
'Vores tilgang gør det blandt andet meget lettere at undersøge effekten af lægemiddelkandidater i forsøg med nematoder, eller hvor meget sædceller bevæger sig i koncentrerede prøver. Algoritmen skubber til mulighederne inden for feltet, der hedder computer vision, og det er et proof-of-concept på, at man godt kan lave billedanalyse på prøver med meget højere koncentration af celler, end det er muligt i dag,' forklarer en af forskerne bag studiet, lektor Julius Kirkegaard fra Biocomplexity, Niels Bohr Institute, University of Copenhagen and IMAGE, Department of Computer Science, University of Copenhagen.
Forskningen er offentliggjort i Communications Biology.
Billedanalyse er essentiel i meget forskningsarbejde
Når forskere for eksempel studerer neurologi, benytter de ofte nematoden C. elegans i deres forsøg.
I forsøgene kan forskerne for eksempel finde på at udsætte de små ormelignende dyr for forskellige kemikalier for at finde ud af, hvordan det påvirker neuronerne. Mange lægemidler mod neurologiske sygdomme er også først undersøgt i forsøg med nematoder.
Når forskere skal studere effekten af den påvirkning, som de udsætter nematoderne for, er de ofte nødt til at fortynde deres prøver med nematoder, så de små orme ikke ligger i lag under mikroskopet.
Det smarte ved at bruge algoritmer til at analysere billeder og videoer af nematoder er, at forskerne derved får helt konkrete tal, som de kan lave analyser og statistik på.
Den algoritme, som Julius Kirkegaard i samarbejde med sin kollega Albert Alonso har udviklet, muliggør analyser af forsøg ved selv høje koncentrationer og åbner således døren for at skabe meget store datasæt hurtigt.
'Med vores algoritme til at analysere billeder og videoer af for eksempel nematoder kan vi meget præcist identificere, hvor meget bevægelse der er i et billede, eller hvordan hver enkelt organisme opfører sig. Nuværende metoder er begrænset til enten meget lave koncentrationer, eller at problemer relateret til overlap mellem organismer ignoreres,' forklarer Julius Kirkegaard.
To innovationer gør modellen bedre end nogen anden
Den algoritme, som forskerne har udviklet, er en kombination af klassisk biofysik og moderne machine learning og indeholder i store træk to innovationer, som tidligere algoritmer ikke har.
For det første inkluderer algoritmen muligheden for at indsætte en formel for, hvordan de observerede elementer bevæger sig.
Forskere har for eksempel allerede etableret nogle klare matematiske formler for, hvordan en nematode bevæger sig, og denne matematiske formel kan forskerne lægge ind i deres algoritme. Det minimerer behovet for store datasæt, da algoritmen således ikke skal lære disse bevægelsesmønstre fra data, men i stedet får indkodet en 'fysisk forståelse af verden'.
Den anden innovation handler om netop det at håndtere, at de observerede elementer bevæger sig ind over hinanden.
De fleste algoritmer, både klassiske og deep learning-baserede, fungerer ved at navngive de forskellige pixler i billedet og tildele pixlen til den enkelte organisme.
Det bliver dog et problem, når to organismer går ind over hinanden, og én pixel derved faktisk tilhører to eller flere organismer.
I den nye algoritme har forskerne løst dette problem ved at lade algoritmen indkode et slags fingeraftryk for hver organisme på baggrund af deres bevægelsesmønstre. Derved kan algoritmen følge hver organisme, selv når de går ind over hinanden i billedet.
Gør umulige forsøg mulige
Julius Kirkegaard fortæller, at den nye algoritme langt bedre kan holde styr på overlap mellem organismer, end det hidtil har været muligt.
Algoritmen har dog nogle begrænsninger, som gør, at den ikke lige med det samme kan tages i brug af alle, som arbejder med bevægelige elementer under et mikroskop.
Det største problem er, at algoritmen kræver, at man har en matematisk formel for bevægelsen på det, som er under mikroskopet.
'Algoritmen er derfor indtil videre ikke en generalist, men en specialist. Lige nu er den state-of-the-art for folk, der studerer nematoder, og man kan erstatte formlen for nematoders bevægelse med en formel for bevægelse i det, som man studerer, men det kræver naturligvis, at disse formler er kendte og anvendelige. Der er fortsat behov for et par innovationer, før algoritmen bliver lige brugbar for alle,' fortæller Julius Kirkegaard.
Til gengæld har forskerne i deres studie også vist, at de med algoritmen kan analysere videoer af nematoder i meget højere koncentration, end det nogensinde har været muligt før.
'Vi har fået folk, som arbejder med nematoder, til at lave forsøg ved langt højere koncentrationer end de plejer, og det har vist, at disse tidligere umulige analyser nu er mulige,' siger Julius Kirkegaard.