Um método baseado em pix2pix para atenuar o viés na análise de ensaios de cicatrização de feridas
DOI:
https://doi.org/10.33448/rsd-v11i12.34271Palavras-chave:
Aprendizado de máquina, Migração de células, Análise automatizada, CGAN.Resumo
Os avanços das novas tecnologias na área de aprendizado de máquina levaram ao desenvolvimento de redes adversariais generativas condicionais com uso direto de imagens, como é o caso do modelo pix2pix. Uma aplicação potencial para o modelo pix2pix discutido neste trabalho é a análise de imagens de cicatrização de feridas ou ensaios de rasgos que são amplamente utilizados para avaliar a migração celular in vitro. A forma mais comum de avaliar os resultados do ensaio de cicatrização de feridas é detectando manualmente a área da ferida na imagem, separando a área vazia e a área ocupada por células, durante 24, 48 ou até 72 h. Embora este procedimento tenha sido apresentado há muito tempo na literatura, tem sido indicado que ele carece de objetividade, é demorado e leva a interpretações errôneas dos dados. Na tentativa de superar a falta de robustez e consistência demonstrada pela avaliação manual, este trabalho tem como objetivo implementar um método baseado no pix2pix para reduzir o viés na análise da cicatrização de feridas, ao mesmo tempo em que introduz um novo ponto de vista na análise das imagens. O viés introduzido manualmente no algoritmo de processamento de imagem apresentou desvios de até 15 % ao variar levemente uma única variável, enquanto o processamento de imagem realizado pelo modelo resultou em desvios dentro de 6 % quando comparado com a análise manual.
Referências
Abdelmotaal, H., Abdou, A. A., Omar, A. F., El-Sebaity, D. M., & Abdelazeem, K. (2021). Pix2pix conditional generative adversarial networks for scheimpflug camera color-coded corneal tomography image generation. Translational Vision Science & Technology. 10(7), 21. https://doi.org/10.1167/tvst.10.7.21
Auerbach, R., Auerbach, W., & Polakowski, I. (1991). Assays for angiogenesis: A review. Pharmacology & Therapeutics. 51(1), 1-11. https://doi.org/10.1016/0163-7258(91)90038-n
Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence PAMI. 8(6), 679-698. https://doi.org/10.1109/tpami.1986.4767851
Choudhury, G. R., Ryou, M.-G., Poteet, E., Wen, Y., He, R., Sun, F., Yuan, F., Jin, K., & Yang, S.-H. (2014). Involvement of p38 MAPK in reactive astrogliosis induced by ischemic stroke. Brain Research. 1551, 45-58. https://doi.org/10.1016/j.brainres.2014.01.013
Favretto, G., da Cunha, R. S., Santos, A. F., Leitolis, A., Schiefer, E. M., Gregorio, P. C., Franco, C. R. C., Massy, Z., Dalboni, M. A., & Stinghen, A. E. M. (2021). Uremic endothelial-derived extracellular vesicles: Mechanisms of formation and their role in cell adhesion, cell migration, inflammation, and oxidative stress. Toxicology Letters. 347, 12-22. https://doi.org/10.1016/j.toxlet.2021.04.019
Geback, T., Schulz, M. M. P., Koumoutsakos, P., & Detmar, M. (2009). TScratch: a novel and simple software tool for automated analysis of monolayer wound healing assays. BioTechniques. 46(4), 265-274. https://doi.org/10.2144/000113083
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM. 63(11), 139-144. https://doi.org/10.1145/3422622
Guo, S., & DiPietro, L. A. (2010). Factors a ecting wound healing. Journal of Dental Research. 89(3), 219-229. https://doi.org/10.1177/0022034509359125
Ieso, M. L. D., & Pei, J. V. (2018). An accurate and cost-effective alternative method for measuring cell migration with the circular wound closure assay. Bioscience Reports. 38(5). https://doi.org/10.1042/bsr20180698
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A.A. (2017). Image-to-image translation with conditional adversarial networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/cvpr.2017.632. https://doi.org/10.1109/cvpr.2017.632
Jonkman, J. E. N., Cathcart, J. A., Xu, F., Bartolini, M. E., Amon, J. E., Stevens, K. M., & Colarusso, P. (2014). An introduction to the wound healing assay using live-cell microscopy. Cell Adhesion & Migration. 8(5), 440-451. https://doi.org/10.4161/cam.36224
Justus, C. R., Leffler, N., Ruiz-Echevarria, M., & Yang, L. V. (2014). In vitro cell migration and invasion assays. Journal of Visualized Experiments. (88). https://doi.org/10.3791/51046
Mirza, M., & Osindero, S. (2014). Conditional Generative Adversarial Nets. arXiv. https://doi.org/10.48550/ARXIV.1411.1784.
Monsuur, H. N., Boink, M. A., Weijers, E. M., Roel, S., Breetveld, M., Gefen, A., van den Broek, L. J., & Gibbs, S. (2016). Methods to study differences in cell mobility during skin wound healing in vitro. Journal of Biomechanics. 49(8), 1381-1387. https://doi.org/10.1016/j.jbiomech.2016.01.040
Mouritzen, M. V. ,& Jenssen, H. (2018). Optimized scratch assay for in vitro testing of cell migration with an automated optical camera. Journal of Visualized Experiments. (138). https://doi.org/10.3791/57691
Nunes, J. P. S., & Dias, A. A. M. (2017). ImageJ macros for the user-friendly analysis of soft-agar and wound-healing assays. BioTechniques. 62(4), 175-179. https://doi.org/10.2144/000114535
Rodrigues, M., Kosaric, N., Bonham, C. A., & Gurtner, G. C. (2019). Wound healing: A cellular perspective. Physiological Reviews. 99(1), 665-706. https://doi.org/10.1152/physrev.00067.2017
Tonnesen, M. G., Feng, X., & Clark, R. A. F. (2000). Angiogenesis in wound healing. Journal of Investigative Dermatology Symposium Proceedings. 5(1), 40-46. https://doi.org/10.1046/j.1087-0024.2000.00014.x
Velnar, T., & Gradisnik, L. (2018). Tissue augmentation in wound healing: the role of endothelial and epithelial cells. Medical Archives. 72(6), 444. https://doi.org/10.5455/medarh.2018.72.444-448
Zordan, M. D., Mill, C. P., Riese, D. J., & Leary, J. F. (2011). A high throughput, interactive imaging, bright-field wound healing assay. Cytometry Part A. 79A(3), 227-232. https://doi.org/10.1002/cyto.a.21029
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2022 Elberth Manfron Schiefer; Andressa Flores Santos; Regiane Stafim da Cunha; Marcia Muller; Andréa Emilia Marques Stinghen; José Luis Fabris; Lucas Hermann Negri
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
