細胞画像における画像解析

公開：2020.09.30

ここまでの「基礎知識」ページでは、細胞を画像データとして取得できる撮影装置とその原理について説明してきました。取得した画像は二次元で表されています。このため、画像中の解析対象の細胞に対して、画像情報から、形、面積といった幾何学的な情報を得ることができます。さらには、撮影画像のコントラストが低いために対象が見づらいような場合でも、データを加工して強調することで見やすくすることなどもできます。

このように、画像から欲しい情報を取り出したり、加工して見やすくしたりする技術を含めて（デジタル）画像解析と呼ばれる技術分野があります。ここでは、細胞培養における画像解析の目的から手法までをご紹介します。

画像解析の位置づけ

画像解析は顕微鏡装置で画像を取得した後行います。また、画像解析した結果を基に、計測、統計解析のプロセスを経て、実験の解釈や結論を導き出すことができます。このことから、画像解析は撮影した画像と解釈の間を結びつける重要なプロセスであることといえます。（図1）

図1：顕微鏡で画像取得した後、統計解析するまでの流れ

細胞培養における画像解析の目的

顕微鏡画像を取得する目的は、開発者、研究者によりさまざまでしょう。論文にキレイな細胞の画像を載せたい、細胞培養条件の評価や薬の効果を確かめたい…。画像を取得すること自体が目的の場合を除き、画像から何らかの知見を得たい場合もあるでしょう。例えば、細胞を培養する間、一定時間おきに顕微鏡画像を撮れば、細胞の増殖の速さから、いつもと同じ状態で培養できているか、あるいは何らかの異変が起きていないかを読み取ることができます。

さらに、画像解析により画像中の細胞数や占有面積が自動で計算できれば、それらの値を基に細胞の状態を定量的に判断するアプリケーションとして展開できます。これは、画像解析の活用例の一つです。（図2）

図2：画像解析による細胞占有面積計測値を基にした細胞増殖の数値化

画像解析の4手法

ここでは、取得した画像から細胞の個数を数えるというタスクを例にとり、主要な4種類の解析手法を説明いたします。以下の表にまとめましたのでご覧ください。

手法による長所と短所まとめ

スクロールできます

手法	概要（細胞数カウントを例に説明）	長所	短所
マニュアル	専門家が知見を利用し細胞形態特徴の有無を判断し解析する例：専門家が画像をみて手作業でカウントする	専門家の知見を活用できる	作業コストが高い客観性を得ることが難しいブレが発生する
以下、AI の範囲とする（ここではソフトウェアで動作するものを AI と定義する）
ルールベース	解析者が、解析目的に寄与する細胞の形態特徴を設定（ルール設定）し、その設定により作成されたアルゴリズムによって自動的に解析すること例：解析者が細胞の形態特徴を表すルール（細胞領域は明るさ〇〇以上、面積〇〇ピクセル以上、など）を設定し、それに基づき細胞領域を決定する	自動で解析が可能解析のプロセスが単純であり、結果が良くない場合の考察が容易	撮影条件や細胞種が変わる毎にルール設定が必要アルゴリズム（ルール）が複雑になりがち
機械学習	上述したルールベースとは異なり、画像と対応する正解をペアで準備することにより、学習（＝ルールを自動で見つける）を行う手法ただ、利用する特徴量（画像特徴）に関しては予め設計が必要となる	自動で解析が可能	特徴量の設計が必要
ディープラーニング（深層学習）	機械学習の1手法であり、2012年頃から急速に発展を遂げた最新の手法である。画像を入力し、多層のフィルタにより特徴抽出した後抽出された特徴により形態判断を行う構成が一般的ディープラーニングの場合の学習は、フィルタの重みを最適化する処理のこととなる例： CNNによる画像分類、Unetによる細胞セグメンテーションなど	画像生成など難しいソリューションも可能特徴量も含め、自動で解析が可能高精度	学習画像を大量に準備する必要がある解析プロセスはパラメータが多く複雑で、結果が良くない場合のアルゴリズム修正は専門的なノウハウが必要となる学習には一般的にGPUを備えたハイスペックＰＣが必要

人工知能（AI）、機械学習（マシンラーニング）、ディープラーニング（深層学習）の用語に関しては誤解を招きやすいため、以下の包含関係の図を参照してください。いずれの手法をとるにせよ、解析に用いる細胞画像の「画質」が担保されていてはじめて解析の質が保証されます。例えば、画像中の解析対象の細胞と背景とのコントラストが小さく、ほぼ真暗な状態などの場合には、マニュアル手法にせよ、AIを用いた手法にせよ、解析対象の細胞を正しく認識することが難しくなり、その結果正しく解析することは不可能となってしまいます。