สารสนเทศภาพชีวภาพเป็นสาขาย่อยของสารสนเทศชีวภาพและชีววิทยาเชิงคำนวณ [ ^{1 ] โดย}มุ่งเน้นการใช้เทคนิคการคำนวณเพื่อวิเคราะห์ภาพชีวภาพ โดยเฉพาะภาพเซลล์และโมเลกุล ในระดับขนาดใหญ่และปริมาณงานสูง เป้าหมายคือการได้รับความรู้ที่เป็นประโยชน์จากภาพที่ซับซ้อนและไม่เป็นเนื้อเดียวกัน รวมถึงเมตาเดตาที่ เกี่ยวข้อง

กล้องจุลทรรศน์อัตโนมัติสามารถรวบรวมภาพจำนวนมากได้โดยมีการแทรกแซงน้อยที่สุด ส่งผลให้เกิดการระเบิดของข้อมูล ซึ่งจำเป็นต้องมีการประมวลผลอัตโนมัติอย่างแน่นอน นอกจากนี้ และที่น่าประหลาดใจคือ สำหรับงานหลายอย่างเหล่านี้ มีหลักฐานว่าระบบอัตโนมัติสามารถทำงานได้ดีกว่ามนุษย์^{[ 2 ] [ 3 ]}ยิ่งไปกว่านั้น ระบบอัตโนมัติไม่มีอคติ ซึ่งแตกต่างจากการวิเคราะห์โดยมนุษย์ที่การประเมินอาจได้รับอิทธิพลจากผลลัพธ์ที่ต้องการ (แม้โดยไม่รู้ตัว)

มีการมุ่งเน้นเพิ่มมากขึ้นในการพัฒนาเทคนิคการประมวลผลภาพ การมองเห็นด้วยคอมพิวเตอร์ การขุดข้อมูล ฐานข้อมูล และการแสดงภาพแบบใหม่เพื่อสกัดเปรียบเทียบค้นหาและจัดการความรู้ทางชีววิทยาในปัญหาที่มีข้อมูลจำนวนมากเหล่านี้^{[ 4 ] [ 5 ]}

มีการใช้ระบบและแพลตฟอร์มการเก็บรวบรวมข้อมูลหลายประเภท ซึ่งแต่ละประเภทต้องใช้วิธีการจัดการที่แตกต่างกันเพื่อให้เหมาะสมที่สุด

กล้องจุลทรรศน์ฟลูออเรสเซนต์ช่วยให้สามารถมองเห็นโมเลกุลในระดับเซลล์ย่อยได้โดยตรง ทั้งในเซลล์ที่มีชีวิตและ เซลล์ ที่ถูกตรึงโมเลกุลที่สนใจจะถูกทำเครื่องหมายด้วยโปรตีนเรืองแสงสีเขียว (GFP) โปรตีนเรืองแสงชนิดอื่น หรือแอนติบอดี ที่ติดฉลากด้วยสารเรืองแสง กล้องจุลทรรศน์หลายประเภทที่ใช้กันเป็นประจำ ได้แก่ กล้องจุลทรรศน์แบบสนามกว้าง กล้องจุลทรรศน์แบบคอนโฟคอลหรือกล้องจุลทรรศน์แบบสองโฟตอนระบบกล้องจุลทรรศน์ส่วนใหญ่ยังรองรับการเก็บภาพแบบอนุกรมเวลา (ภาพยนตร์) ด้วย

โดยทั่วไปแล้ว จะใช้ฟิลเตอร์เพื่อให้แต่ละสีย้อมถูกถ่ายภาพแยกกัน (ตัวอย่างเช่น ใช้ฟิลเตอร์สีน้ำเงินเพื่อถ่ายภาพHoechstจากนั้นเปลี่ยนไปใช้ฟิลเตอร์สีเขียวอย่างรวดเร็วเพื่อถ่ายภาพ GFP) เพื่อความสะดวกในการนำเสนอ ภาพมักจะแสดงในรูปแบบสีเทียมโดยแสดงแต่ละช่องสัญญาณด้วยสีที่แตกต่างกัน แต่สีเหล่านี้อาจไม่เกี่ยวข้องกับความยาวคลื่นดั้งเดิมที่ใช้ก็ได้ ในบางกรณี ภาพต้นฉบับอาจถูกถ่ายด้วยความยาวคลื่นที่มองไม่เห็น (เช่น อินฟราเรด)

การเลือกต่างๆ ในขั้นตอนการเก็บภาพจะมีผลต่อการวิเคราะห์ และมักต้องใช้การประมวลผลพิเศษ ภาพซ้อนแบบคอนโฟคอลจะต้องใช้การประมวลผลแบบ 3 มิติ และภาพซ้อนเสมือนแบบไวด์ฟิลด์มักจะได้รับประโยชน์จากการลดความเบลอแบบดิจิทัลเพื่อกำจัดแสงที่อยู่นอกโฟกัส

การเกิดขึ้นของกล้องจุลทรรศน์อัตโนมัติที่สามารถบันทึกภาพจำนวนมากได้โดยอัตโนมัติ เป็นหนึ่งในเหตุผลที่ทำให้การวิเคราะห์ไม่สามารถทำได้ด้วยตาเปล่า (มิเช่นนั้น การระบุรายละเอียดจะกลายเป็นอุปสรรคสำคัญในการวิจัยอย่างรวดเร็ว) การใช้กล้องจุลทรรศน์อัตโนมัติหมายความว่าภาพบางภาพอาจไม่ชัด (ระบบค้นหาโฟกัสอัตโนมัติอาจไม่ถูกต้องในบางครั้ง) มีจำนวนเซลล์น้อย หรือมีเศษสิ่งสกปรกอยู่มาก ดังนั้นภาพที่ได้จึงวิเคราะห์ได้ยากกว่าภาพที่บันทึกโดยผู้ปฏิบัติงาน เนื่องจากพวกเขาจะเลือกตำแหน่งในการถ่ายภาพและโฟกัสได้อย่างถูกต้องมากกว่า ในทางกลับกัน ผู้ปฏิบัติงานอาจมีความลำเอียงโดยไม่รู้ตัวในการเลือก โดยเลือกเฉพาะเซลล์ที่มีฟีโนไทป์ใกล้เคียงกับที่คาดไว้ก่อนการทดลอง

เนื้อเยื่อวิทยาเป็นการประยุกต์ใช้กล้องจุลทรรศน์ โดยนำชิ้นเนื้อมาย้อมสีและสังเกตภายใต้กล้องจุลทรรศน์ (โดยทั่วไปคือกล้องจุลทรรศน์แบบใช้แสง แต่ก็มีการใช้กล้องจุลทรรศน์อิเล็กตรอนด้วย)

เมื่อใช้กล้องจุลทรรศน์แบบใช้แสง ซึ่งแตกต่างจากการถ่ายภาพด้วยแสงฟลูออเรสเซนต์ โดยทั่วไปแล้วภาพจะถูกบันทึกโดยใช้ระบบกล้องสีมาตรฐาน นี่สะท้อนให้เห็นถึงประวัติศาสตร์ของสาขานี้บางส่วน ซึ่งมนุษย์มักเป็นผู้ตีความภาพ แต่ก็เป็นเพราะว่าสามารถส่องสว่างตัวอย่างด้วยแสงสีขาวและรวบรวมแสงทั้งหมดได้โดยไม่ต้องกระตุ้นสารเรืองแสง เมื่อใช้สีย้อมมากกว่าหนึ่งชนิด ขั้นตอนการประมวลผลล่วงหน้าที่จำเป็นคือการแยกช่องสัญญาณและประมาณค่าความเข้มเฉพาะของสีย้อมแต่ละชนิด

มีการแสดงให้เห็นแล้วว่าสามารถระบุตำแหน่งของโปรตีนที่ย้อมสีในระดับเซลล์ได้จากภาพทางเนื้อเยื่อวิทยา

หากเป้าหมายคือการวินิจฉัยทางการแพทย์ การประยุกต์ใช้ทางด้านจุลพยาธิวิทยาจะอยู่ในขอบเขตของพยาธิวิทยาเชิงดิจิทัลหรือการวิเคราะห์ภาพเนื้อเยื่ออัตโนมัติซึ่งเป็นสาขาที่เกี่ยวข้องกับสารสนเทศภาพชีวภาพ เทคนิคการคำนวณแบบเดียวกันมักนำมาใช้ได้ แต่เป้าหมายจะเน้นไปที่ทางการแพทย์มากกว่าการวิจัย

การวิเคราะห์ตำแหน่งภายในเซลล์เป็นหนึ่งในปัญหาแรกเริ่มของสาขานี้ ในรูปแบบการกำกับดูแล ปัญหาคือการเรียนรู้ตัวจำแนกประเภทที่สามารถจดจำภาพจากออร์แกเนลล์ หลักของเซลล์ โดยอาศัยภาพ

วิธีการที่ใช้จะอิงตามการเรียนรู้ของเครื่องโดยสร้างตัวจำแนกแบบแยกแยะตามคุณลักษณะเชิงตัวเลขที่คำนวณจากภาพ คุณลักษณะเหล่านี้อาจเป็นคุณลักษณะทั่วไปจากคอมพิวเตอร์วิชั่นเช่นคุณลักษณะพื้นผิวของ Haralickหรือคุณลักษณะที่ออกแบบมาเป็นพิเศษเพื่อจับปัจจัยทางชีวภาพ (เช่น การอยู่ร่วมกันกับตัวบ่งชี้ในนิวเคลียสเป็นตัวอย่างทั่วไป)

สำหรับปัญหาพื้นฐานของการระบุออร์แกเนลล์ สามารถได้ค่าความแม่นยำสูงมาก รวมถึงผลลัพธ์ที่ดีกว่า ? ^{[ 2 ]}วิธีการเหล่านี้มีประโยชน์ในการวิจัยชีววิทยาของเซลล์พื้นฐาน แต่ยังถูกนำไปใช้ในการค้นพบโปรตีนที่มีตำแหน่งเปลี่ยนแปลงในเซลล์มะเร็งอีกด้วย^{[ 6 ]}

อย่างไรก็ตาม การจำแนกประเภทตามออร์แกเนลล์เป็นเพียงรูปแบบที่จำกัดของปัญหา เนื่องจากโปรตีนหลายชนิดอาจกระจายตัวอยู่ในหลายตำแหน่งพร้อมกัน (รูปแบบผสม) และหลายรูปแบบสามารถแยกแยะได้แม้ว่าจะไม่ใช่ส่วนประกอบที่ยึดติดกับเยื่อหุ้มเซลล์ที่แตกต่างกันก็ตาม ยังมีปัญหาที่ยังแก้ไม่ตกอีกหลายประการในด้านนี้ และการวิจัยยังคงดำเนินต่อไป

การคัดกรองแบบความเร็วสูงโดยใช้เทคโนโลยีการถ่ายภาพอัตโนมัติ (บางครั้งเรียกว่าการคัดกรองเนื้อหาสูง ) ได้กลายเป็นวิธีการมาตรฐานสำหรับการค้นพบยาและการวิจัยทางชีววิทยาขั้นพื้นฐาน การใช้เพลทแบบหลายหลุม หุ่นยนต์ และกล้องจุลทรรศน์อัตโนมัติ ทำให้สามารถใช้การทดสอบเดียวกันกับคลังสารรีเอเจนต์ที่เป็นไปได้จำนวนมาก (โดยทั่วไปจะเป็นโมเลกุลขนาดเล็กหรือRNAi ) ได้อย่างรวดเร็ว โดยได้ภาพหลายพันภาพในเวลาอันสั้น เนื่องจากปริมาณข้อมูลที่สร้างขึ้นมีมาก การวิเคราะห์ภาพอัตโนมัติจึงเป็นสิ่งจำเป็น^{[ 7 ]}

เมื่อมีตัวควบคุมเชิงบวกและเชิงลบ ปัญหาดังกล่าวสามารถพิจารณาได้ในฐานะปัญหาการจำแนกประเภท และสามารถใช้เทคนิคการคำนวณคุณลักษณะและการจำแนกประเภทแบบเดียวกันกับที่ใช้ในการวิเคราะห์ตำแหน่งภายในเซลล์ได้

การแบ่งส่วนเซลล์เป็นปัญหาสำคัญย่อยในหลายสาขาที่กล่าวถึงด้านล่าง (และบางครั้งก็มีประโยชน์ในตัวเองหากเป้าหมายคือการนับจำนวนเซลล์ในการทดสอบความมีชีวิต เท่านั้น ) เป้าหมายคือการระบุขอบเขตของเซลล์ในภาพที่มีหลายเซลล์ ซึ่งช่วยให้สามารถประมวลผลแต่ละเซลล์แยกกันเพื่อวัดพารามิเตอร์ต่างๆ ในข้อมูล 3 มิติ การแบ่งส่วนจะต้องดำเนินการในพื้นที่ 3 มิติ

เนื่องจากการสร้างภาพของตัวบ่งชี้ในนิวเคลียสเป็นสิ่งที่พบได้ทั่วไปในภาพหลายๆ ภาพ โปรโตคอลที่ใช้กันอย่างแพร่หลายคือการแบ่งส่วนนิวเคลียส ซึ่งอาจมีประโยชน์ในตัวมันเองหากต้องการวัดค่าในนิวเคลียส หรืออาจใช้เป็นจุดเริ่มต้นในการสร้างขอบเขตการแบ่งส่วน (watershed)เพื่อขยายการแบ่งส่วนไปยังภาพทั้งหมด

วิธีการแบ่งส่วนภาพหลักๆ ทุกวิธีได้รับการรายงานเกี่ยวกับภาพเซลล์แล้ว ตั้งแต่การกำหนดค่าเกณฑ์ อย่างง่ายไป จนถึงวิธีการกำหนดระดับ เนื่องจากมีรูปแบบภาพหลายแบบและเซลล์หลายประเภท ซึ่งแต่ละแบบก็มีข้อดีข้อเสียที่แตกต่างกัน จึงไม่มีวิธีแก้ปัญหาใดวิธีเดียวที่ได้รับการยอมรับสำหรับปัญหานี้

การแบ่งส่วนภาพเซลล์เป็นขั้นตอนสำคัญที่มักใช้ในการศึกษาการแสดงออกของยีนและความสัมพันธ์ของการอยู่ร่วมกันของเซลล์แต่ละเซลล์ ในกรณีของการวิเคราะห์เซลล์เดี่ยว มักจำเป็นต้องระบุเอกลักษณ์ของเซลล์อย่างเฉพาะเจาะจงในขณะที่ทำการแบ่งส่วนเซลล์ งานการจดจำดังกล่าวมักไม่ใช่เรื่องง่ายในเชิงการคำนวณ สำหรับสิ่งมีชีวิตต้นแบบ เช่น C. elegans ที่มีสายเซลล์ที่กำหนดไว้อย่างดี เป็นไปได้ที่จะจดจำเอกลักษณ์ของเซลล์ได้อย่างชัดเจนผ่านการวิเคราะห์ภาพ โดยการรวมวิธีการแบ่งส่วนภาพและการจดจำรูปแบบเข้าด้วยกัน^{[ 9 ]}การแบ่งส่วนและการจดจำเซลล์พร้อมกัน^{[ 10 ]} ยังได้รับการเสนอให้เป็นวิธีแก้ปัญหาที่แม่นยำยิ่งขึ้นสำหรับปัญหานี้เมื่อมี "แผนที่" หรือข้อมูลก่อนหน้าอื่นๆ ของเซลล์ เนื่องจากสามารถหาการแสดงออกของยีนที่ความละเอียดระดับเซลล์เดี่ยวได้โดยใช้แนวทางที่ใช้การสร้างภาพประเภทนี้ จึงเป็นไปได้ที่จะรวมวิธีการเหล่านี้เข้ากับวิธีการหาปริมาณการแสดงออกของยีนในเซลล์เดี่ยวอื่นๆ เช่น RNAseq

การติดตามเป็นปัญหาการประมวลผลภาพแบบดั้งเดิมอีกประการหนึ่งที่ปรากฏในสารสนเทศภาพชีวภาพ ปัญหาคือการเชื่อมโยงวัตถุที่ปรากฏในเฟรมถัดไปของฟิล์ม เช่นเดียวกับการแบ่งส่วน ปัญหานี้สามารถกำหนดได้ทั้งในรูปแบบสองมิติและสามมิติ^{[ 11 ]}

ในกรณีของการถ่ายภาพด้วยฟลูออเรสเซนต์ การติดตามมักจะต้องทำกับภาพที่มีความคมชัดต่ำมาก เนื่องจากหากต้องการความคมชัดสูงจะต้องใช้แสงมากขึ้น ซึ่งจะทำให้ตัวอย่างเสียหายและทำลายสีย้อมดังนั้นจึงต้องลดปริมาณแสงให้น้อยที่สุด การคำนึงถึงงบประมาณของโฟตอนมักจะเป็นประโยชน์ กล่าวคือ จำนวนโฟตอนที่สามารถใช้ในการถ่ายภาพได้ก่อนที่ตัวอย่างจะเสียหายจนข้อมูลไม่น่าเชื่อถืออีกต่อไป ดังนั้น หากต้องการภาพที่มีความคมชัดสูง จะต้องใช้เพียงไม่กี่เฟรมเท่านั้น ในขณะที่สำหรับภาพยนตร์ขนาวยาว แต่ละเฟรมจะมีความคมชัดต่ำมาก

เมื่อพิจารณาข้อมูลภาพที่มีลักษณะแตกต่างกัน เช่น ภาพที่ได้จากวิธีการติดฉลากต่างกัน บุคคลต่างกัน ตัวอย่างในช่วงเวลาต่างกัน เป็นต้น มักจะต้องทำการลงทะเบียนภาพเพื่อให้สามารถเปรียบเทียบได้ดียิ่งขึ้น ตัวอย่างเช่น เมื่อเก็บข้อมูลตามช่วงเวลา ภาพในเฟรมถัดไปมักจะต้องได้รับการลงทะเบียนเพื่อแก้ไขการเปลี่ยนแปลงเล็กน้อยของตำแหน่งกล้อง อีกตัวอย่างหนึ่งคือ เมื่อเก็บภาพสัตว์ทดลองจำนวนมาก (เช่นสมอง ของหนอน C. elegansหรือ แมลงวันผลไม้ หรือสมองของหนู ) มักมีความจำเป็นอย่างมากที่จะต้องลงทะเบียนภาพเหล่านี้เพื่อเปรียบเทียบรูปแบบ (เช่น ภาพที่สอดคล้องกับประชากรเซลล์ประสาทเดียวกันหรือต่างกัน ภาพที่เหมือนกันหรือแตกต่างกันในการแสดงออกของยีน เป็นต้น)

แพ็คเกจซอฟต์แวร์การลงทะเบียนภาพทางการแพทย์เป็นความพยายามในช่วงแรกๆ ที่จะนำมาใช้สำหรับการลงทะเบียนภาพจุลทรรศน์ อย่างไรก็ตาม เนื่องจากขนาดไฟล์ภาพที่ใหญ่กว่ามากและจำนวนตัวอย่างในการทดลองที่มากกว่ามาก ในหลายกรณีจึงจำเป็นต้องพัฒนาซอฟต์แวร์การลงทะเบียนภาพ 3 มิติใหม่ BrainAligner ^{[ 12 ]}เป็นซอฟต์แวร์ที่ใช้ในการทำให้กระบวนการลงทะเบียนแบบยืดหยุ่นและไม่เป็นเชิงเส้น 3 มิติเป็นไปโดยอัตโนมัติโดยใช้กลยุทธ์การจับคู่จุดสังเกตที่เชื่อถือได้ โดยส่วนใหญ่ใช้ในการสร้างภาพสมองแมลงวันผลไม้มาตรฐาน 3 มิติมากกว่า 50,000 ภาพที่ฟาร์ม Janelia ของ HHMI และยังมีการใช้งานอื่นๆ เช่น แมลงปอและหนูด้วย

กลุ่มนักวิทยาศาสตร์จากมหาวิทยาลัยและสถาบันวิจัยได้จัดการประชุมประจำปีเกี่ยวกับการวิเคราะห์ข้อมูลภาพชีวภาพ^{[ 13 ]} ตั้งแต่ปี 2005 การประชุม ISMBมี หัวข้อ Bioimaging & Data Visualizationตั้งแต่ปี 2010 วารสารBioinformaticsยังได้เพิ่ม หัวข้อ Bioimage Informaticsในปี 2012 วารสาร OpenAccess BMC Bioinformaticsมีส่วนที่อุทิศให้กับการวิเคราะห์ภาพชีวภาพ การแสดงภาพ และแอปพลิเคชันที่เกี่ยวข้องวารสารชีววิทยาเชิงคำนวณและชีวสารสนเทศ อื่นๆ ก็ตีพิมพ์ผลงานด้านการวิเคราะห์ข้อมูลภาพชีวภาพเป็นประจำเช่นกัน โครงการของสหภาพยุโรปที่เรียกว่า NEUBIAS (เครือข่ายนักวิเคราะห์ภาพชีวภาพแห่งยุโรป) ได้จัดการประชุมประจำปี รวมถึงโรงเรียนฝึกอบรมนักวิเคราะห์ภาพชีวภาพ และ taggathons ตั้งแต่ปี 2017

มีโปรแกรมหลายแพ็กเกจที่ทำให้วิธีการวิเคราะห์ข้อมูลภาพทางชีวภาพสามารถใช้งานได้ผ่านทางส่วนติดต่อผู้ใช้แบบกราฟิก เช่นImageJ , FIJI , CellProfilerหรือIcyแพลตฟอร์มการแสดงภาพและการวิเคราะห์ เช่นVaa3Dได้ปรากฏขึ้นในช่วงไม่กี่ปีที่ผ่านมาและถูกนำไปใช้ทั้งในโครงการขนาดใหญ่ โดยเฉพาะอย่างยิ่งในด้านประสาทวิทยาศาสตร์ และในแอปพลิเคชันบนเดสก์ท็อป

นักวิจัยคนอื่นๆ พัฒนาวิธีการของตนเอง โดยทั่วไปจะใช้ภาษาโปรแกรมที่มีการสนับสนุนการมองเห็นด้วยคอมพิวเตอร์ที่ดี เช่นPython , C++หรือMATLABไลบรารีMahotasสำหรับ Python เป็นตัวอย่างที่ได้รับความนิยม แม้ว่าจะมีตัวอย่างวิธีการที่นักวิจัยพัฒนาขึ้นในภาษาโปรแกรมที่มีการสนับสนุนการมองเห็นด้วยคอมพิวเตอร์น้อยกว่า เช่นR (เช่น trackdem ^{[ 14 ]} )

• การซ้อนภาพโฟกัส (Focus stacking)คือเทคนิคการรวมภาพหลายภาพที่มีระยะโฟกัสแตกต่างกันเข้าไว้ในภาพเดียว
• การคัดกรองเนื้อหาที่มีความเข้มข้นสูง
• พยาธิวิทยาดิจิทัล
• การถ่ายภาพทางการแพทย์

• Vaa3D: การแสดงผลและการวิเคราะห์ภาพหลายมิติประสิทธิภาพสูง
• Bioformatsคือเครื่องมือประมวลผลไฟล์ภาพที่รองรับหลายสิบรูปแบบ