ソフトX線トモグラフィーを用いた頑健なミトコンドリアセグメンテーションと形態学的プロファイリング

科学分野:

• 細胞生物学;生物物理学;医用画像処理

背景:

• ミトコンドリアの形態は細胞機能にとって重要です。イメージング解像度とセグメンテーションツールの制限により、ミトコンドリアの形態を大規模に定量化することは困難です。ソフトX線トモグラフィー（SXT）は、高解像度でネイティブ状態の3D全細胞イメージングを提供しますが、細胞小器官のセグメンテーションは依然としてボトルネックとなっています。

研究 の 目的:

• SXTトモグラムにおけるミトコンドリアと核をセグメンテーションするための、データ効率とパラメータ効率の良い3D深層学習モデルを開発すること。ミトコンドリアの形態と生物物理学的特性の高スループット定量分析を可能にすること。

主な方法:

• マルチアクシス3DスライシングとSobelフィルターベースの境界強調を利用した3D深層学習モデルであるMitoXRNetを開発しました。最適化されたセグメンテーションのために、二項クロスエントロピーとロバストダイス損失関数の組み合わせを採用しました。INS-1E細胞で性能を検証し、未知のデータで汎化能力をテストしました。

主要な成果:

• MitoXRNetは、わずか140万パラメータで73.8%のDiceスコアを達成し、既存の方法を上回りました。より大きな2260万パラメータのバリアントは、強力な汎化能力を示しました。自動セグメンテーションにより、代謝刺激によって誘発されるミトコンドリアリモデリングが明らかになりました。グルコースは体積と密度を増加させ、GIP/GKAは数と密度を増加させ、より小さく動的な集団を示唆しました。

結論:

• MitoXRNetは、ネイティブ状態のSXTデータにおける細胞小器官のセグメンテーションのためのスケーラブルで効率的なフレームワークを提供します。このモデルは、ミトコンドリアの定量的形態学的および生物物理学的プロファイリングを容易にします。このアプローチにより、さまざまな条件下での細胞機能と細胞小器官のダイナミクスについてのより深い洞察が可能になります。