ZeroCostDL4Mic: democratizando ferramentas de deep learning na análise de bioimagens!

A-horz

 

Créditos da imagem: von Chamier et al., 2021

O processamento e análise de imagens é uma necessidade para a pesquisa no campo das ciências biomédicas. A diversidade de processos biológicos investigados com auxílio de diferentes técnicas de microscopias exige uma busca constante por métodos resolutivos que visem alcançar não só uma avaliação quantitativa, mas sobretudo reprodutível. Mais recentemente as ferramentas de deep learning (DL) têm ganhado espaço meio à análise de bioimagens. Contudo, na prática, ao buscarem a implementação da DL em seus laboratórios, muitos pesquisadores esbarram em dificuldades comuns quanto a sua implementação: a necessidade de boas estações de trabalho (que são proporcionalmente custosas) e recursos humanos com conhecimentos específicos das ciências da computação, para o desenvolvimento e treinamento de modelos capazes de realizar análises de alta performance.

Em artigo publicado recentemente na revista Nature Communications, um grupo de pesquisadores apresentou uma nova ferramenta que busca, em sua essência, democratizar a DL no processamento e análise de imagens complexas: a ZeroCostDL4Mic! Visando superar as barreiras como a exigência de equipamentos robustos, a plataforma faz uso de recursos gratuitos da Google possibilitando que o fluxo de trabalho seja realizado integralmente em nuvem! Após upload dos arquivos de imagens via Google Drive, todos os treinamentos para aprendizagem de máquina, processamentos e análises frente aos novos dados são executados em nuvem por meio do Google Colab, produto da Google que permite ao usuário utilizar seus processadores em qualquer computador, bastando apenas ter um navegador previamente instalado.

Atualmente, algumas ferramentas que possibilitam eliminação de ruído (p.ex. Noise2Void), segmentação e detecção de objetos (p.ex. CellPose e StarDist, este último presente também no ImageJ/Fiji) e processamento de imagens de super-resolução (p.ex. DeepSTORM) já estão disponíveis. Cada uma delas possui manuais com instruções detalhadas que indicam o passo-a-passo a ser seguido pelo usuário. O uso de DL é, sem dúvidas, empolgante e nos deixa ansiosos para aguardar o que virá pela frente. Seguiremos atentos!

Veja os detalhes deste trabalho em:

Democratising deep learning for microscopy with ZeroCostDL4Mic

Imagem A. Uso da ferramenta StarDist (via ZeroCostDL4Mic) para segmentação de núcleos em associação com o plugin TrackMate, para determinação das trajetórias de partículas num determinado intervalo de tempo;

Imagem B. Uso da ferramenta YOLOv2 (via ZeroCostDL4Mic) para detecção de objetos utilizando critérios morfológicos;

Top of Page