Resumo: Culturas celulares em esferoides são modelos valiosos para o desenvolvimento de fármacos. Entretanto, sua análise ainda demanda muito tempo, tornando essencial a automação para triagens em larga escala. Para enfrentar esse desafio, apresentamos um banco de dados abrangente de imagens de esferoides, acompanhado de protocolos e amostras anotadas, além de um método inovador de segmentação e um pipeline escalável para análises roti- neiras de esferoides em larga escala. O banco de dados é composto por imagens em campo claro capturadas em intervalos de 24 horas ao longo do ciclo de vida dos esferoides, geradas no OncoBiomarkers Lab da Universidade Estadual de Campinas (Unicamp). Nossa abordagem de segmentação integra data augmentation com arquiteturas de redes neurais convolucionais (CNNs) e Transformers de última geração. Além disso, in- troduzimos um novo método de ensemble, utilizando late-stage majority vote de modelos treinados, para melhorar o desempenho na segmentação. A avaliação quantitativa, uti- lizando o índice Dice como métrica, revelou que arquiteturas baseadas em Transformers se destacam na extração de características essenciais para a segmentação de esferoides, mesmo em cenários com dados limitados. Adicionalmente, o ensemble de modelos CNN apresentou desempenho superior em comparação com redes individuais. A análise qualita- tiva dos resultados de segmentação evidenciou que as métricas quantitativas nem sempre se correlacionam diretamente com a qualidade visual das segmentações. Em conclusão, a segmentação de esferoides cancerígenos continua sendo um desafio e um gargalo em experimentos de alta capacidade. A metodologia proposta demonstrou ser eficaz na geração de máscaras de segmentação confiáveis e, quando integrada ao Spheroid Analysis Pipeline (SAP), oferece uma solução de ponta a ponta para testes em larga escala e resultados reprodutíveis. Todos os recursos necessários para a reprodução dos resultados, incluindo a base de dados, os protocolos, os métodos e o manual correspondente, estão publicamente disponíveis para apoiar pesquisas futuras e a extensão deste trabalho Ver menos

Abstract: Spheroid cell cultures serve as valuable models for drug development. However, their ex- amination remains time-intensive, necessitating automation for high-throughput screen- ing. To address this challenge, we present a comprehensive dataset of spheroid images, complete with protocols and annotated samples, alongside a novel segmentation method and a scalable pipeline for routine large-scale spheroid analysis. The dataset comprises brightfield images captured at 24-hour intervals throughout the lifespan of spheroids, generated at the Oncobiomarkers Research Laboratory, University of Campinas. Our segmentation approach integrates data augmentation with state-of-the-art convo- lutional neural networks (CNNs) and Transformer architectures. Furthermore, we intro- duce a novel ensemble method employing late-stage majority vote fusion of trained models to enhance segmentation performance. Quantitative evaluation, using the Dice index as the benchmark metric, revealed that Transformer-based architectures excel in extracting critical features for spheroid segmentation, even in data-scarce scenarios. Additionally, the ensemble of CNN models demonstrated superior performance compared to individ- ual networks. Qualitative analysis of segmentation outputs highlighted that quantitative metrics alone do not always correlate with visual segmentation quality. In conclusion, cancer spheroid segmentation remains a significant challenge and bottle- neck in high-throughput experimentation. Our proposed methodology generates reliable segmentation masks and, when integrated with the Spheroid Analysis Pipeline (SAP), provides an end-to-end solution for large-scale testing and reproducible results. All neces- sary resources for reproducing the results, including the dataset, protocols, methods, and accompanying manual, are publicly available to support future research and extensions of this work Ver menos