Abstract Deep learning-based approaches are revolutionizing imaging-driven scientific research. However, the accessibility and reproducibility of deep learning-based workflows for imaging scientists remain far from sufficient. Several tools have recently risen to the challenge of democratizing deep learning by providing user-friendly interfaces to analyze new data with pre-trained or fine-tuned models. Still, few of the existing pre-trained models are interoperable between these tools, critically restricting a model’s overall utility and the possibility of validating and reproducing scientific analyses. Here, we present the BioImage Model Zoo ( https://bioimage.io ): a community-driven, fully open resource where standardized pre-trained models can be shared, explored, tested, and downloaded for further adaptation or direct deployment in multiple end user-facing tools (e.g., ilastik, deepImageJ, QuPath, StarDist, ImJoy, ZeroCostDL4Mic, CSBDeep). To enable everyone to contribute and consume the Zoo resources, we provide a model standard to enable cross-compatibility, a rich list of example models and practical use-cases, developer tools, documentation, and the accompanying infrastructure for model upload, download and testing. Our contribution aims to lay the groundwork to make deep learning methods for microscopy imaging findable, accessible, interoperable, and reusable (FAIR) across software tools and platforms.

Deep Learning (DL) is rapidly changing the field of microscopy, allowing for efficient analysis of complex data while often out-performing classical algorithms. This revolution has led to a significant effort to create user-friendly tools allowing biomedical researchers with little background in computer sciences to use this technology effectively. Thus far, these approaches have mainly focused on analysing microscopy images from eukaryotic samples and are still underused in microbiology. In this work, we demonstrate how to use a range of state-of-the-art artificial neural-networks particularly suited for the analysis of bacterial microscopy images, using our recently developed ZeroCostDL4Mic platform. We showcase different DL approaches for segmenting bright field and fluorescence images of different bacterial species, use object detection to classify different growth stages in time-lapse imaging data, and carry out DL-assisted phenotypic profiling of antibiotic-treated cells. To also demonstrate the DL capacity to enhance low-phototoxicity live-cell microscopy, we showcase how image denoising can allow researchers to attain high-fidelity data in faster and longer imaging. Finally, artificial labelling of cell membranes and predictions of super-resolution images allow for accurate mapping of cell shape and intracellular targets. To aid in the training of novice users, we provide a purposefully-built database of training and testing data, enabling bacteriologists to quickly explore how to analyse their data through DL. We hope this lays a fertile ground for the efficient application of DL in microbiology and fosters the creation of novel tools for bacterial cell biology and antibiotic research.

Abstract Optical microscopy is an indispensable tool in life sciences research, but conventional techniques require compromises between imaging parameters like speed, resolution, field of view and phototoxicity. To overcome these limitations, data‐driven microscopes incorporate feedback loops between data acquisition and analysis. This review overviews how machine learning enables automated image analysis to optimise microscopy in real time. We first introduce key data‐driven microscopy concepts and machine learning methods relevant to microscopy image analysis. Subsequently, we highlight pioneering works and recent advances in integrating machine learning into microscopy acquisition workflows, including optimising illumination, switching modalities and acquisition rates, and triggering targeted experiments. We then discuss the remaining challenges and future outlook. Overall, intelligent microscopes that can sense, analyse and adapt promise to transform optical imaging by opening new experimental possibilities.

Tissue stiffness is a critical prognostic factor in breast cancer and is associated with metastatic progression. Here we show an alternative and complementary hypothesis of tumor progression whereby physiological matrix stiffness affects the quantity and protein cargo of small EVs produced by cancer cells, which in turn drive their metastasis. Primary patient breast tissue produces significantly more EVs from stiff tumor tissue than soft tumor adjacent tissue. EVs released by cancer cells on matrices that model human breast tumors (25 kPa; stiff EVs) feature increased adhesion molecule presentation (ITGα

ABSTRACT Biomedical research has come to rely on p-values as a deterministic measure for data-driven decision making. In the largely extended null-hypothesis significance testing (NHST) for identifying statistically significant differences among groups of observations, a single p-value computed from sample data is routinely compared with a threshold, commonly set to 0.05, to assess the evidence against the hypothesis of having non-significant differences among groups, or the null hypothesis. Because the estimated p-value tends to decrease when the sample size is increased, applying this methodology to large datasets results in the rejection of the null hypothesis, making it not directly applicable in this specific situation. Herein, we propose a systematic and easy-to-follow method to detect differences based on the dependence of the p-value on the sample size. The proposed method introduces new descriptive parameters that overcome the effect of the size in the p-value interpretation in the framework of large datasets, reducing the uncertainty in the decision about the existence of biological/clinical differences between the compared experiments. This methodology enables both the graphical and quantitative characterization of the differences between the compared experiments guiding the researchers in the decision process. An in-depth study of the proposed methodology is carried out using both simulated and experimentally obtained data. Simulations show that under controlled data, our assumptions on the p-value dependence on the sample size holds. The results of our analysis in the experimental datasets reflect the large scope of this approach and its interpretability in terms of common decision-making and data characterization tasks. For both simulated and real data, the obtained results are robust to sampling variations within the dataset.

The enteric nervous system (ENS) consists of an extensive network of neurons and glial cells embedded within the wall of the gastrointestinal (GI) tract. Alterations in neuronal distribution and function are strongly associated with GI dysfunction. Current methods for assessing neuronal distribution suffer from undersampling, partly due to challenges associated with imaging and analyzing large tissue areas, and operator bias due to manual analysis. We present the Gut Analysis Toolbox (GAT), an image analysis tool designed for characterization of enteric neurons and their neurochemical coding using 2D images of GI wholemount preparations. It is developed in Fiji, has a user-friendly interface and offers rapid and accurate segmentation via custom deep learning (DL) based cell segmentation models developed using StarDist, and a ganglion segmentation model in deepImageJ. We use proximal neighbor-based spatial analysis to reveal differences in cellular distribution across gut regions using a public dataset. In summary, GAT provides an easy-to-use toolbox to streamline routine image analysis tasks in ENS research. GAT enhances throughput allowing unbiased analysis of larger tissue areas, multiple neuronal markers and numerous samples rapidly.

Abstract Cell migration is a critical requirement for cancer metastasis. Cytokine production and its role in cancer cell migration have been traditionally associated with immune cells in the tumor microenvironment. MLL1 is a histone methyltransferase that controls 3D cell migration via the secretion of cytokines, IL-6 and TGF-β1, by the cancer cells themselves. In vivo , MLL1 depletion reduced metastatic burden and prolonged survival. MLL1 exerts its effects with its scaffold protein, Menin. Mechanistically, the MLL1-Menin interaction controls actin filament assembly via the IL-6/pSTAT3/Arp3 axis and acto-myosin contractility via the TGF-β1/Gli2/ROCK1/2/pMLC2 axis, which regulate dynamic protrusion generation and 3D cell migration. MLL1 also regulates cell proliferation via mitosis-based and cell cycle-related pathways. Combining an MLL1-Menin inhibitor with Paclitaxel, a standard chemotherapeutic, abrogated tumor growth and metastasis in a syngeneic model. These results highlight the potential of targeting the MLL1 in metastasis prevention and its potential to be combined with currently administered chemotherapeutics. Statement of Significance We identify MLL1 as being vital to metastasis, which causes the vast majority of cancer-related deaths. MLL1 controls cell migration, a requirement for metastasis, by regulating the secretion of cytokines. MLL1 inhibition lowers metastatic burden independent of its impact on primary tumor growth, highlighting its anti-metastatic potential in TNBC.

Abstract This manuscript showcases the latest advancements in deepImageJ, a pivotal Fiji/ImageJ plugin for bioimage analysis in the life sciences. The plugin, known for its user-friendly interface, facilitates the application of diverse pre-trained neural networks to custom data. The manuscript demonstrates a number of deepImageJ capabilities, particularly in executing complex pipelines, 3D analysis, and processing large images. A key development is the integration of the Java Deep Learning Library (JDLL), expanding deepImageJ’s compatibility with various deep learning frameworks, including TensorFlow, PyTorch, and ONNX. This allows for running multiple engines within a single Fiji/ImageJ instance, streamlining complex bioimage analysis tasks. The manuscript details three case studies to demonstrate these capabilities. The first explores integrated image-to image translation and nuclei segmentation. The second focuses on 3D nuclei segmentation. The third case study deals with large image segmentation. These studies underscore deepImageJ’s versatility and power in bioimage analysis, emphasizing its role as a critical tool for life scientists and researchers. The advancements in deepImageJ bridge the gap between deep learning model developers and end-users, enabling a more accessible and efficient approach to biological image analysis. The advancements in deepImageJ, detailed in this paper, represent a significant leap in bioimage analysis, crucial for life sciences. By enhancing this Fiji/ImageJ plugin, the research bridges the gap between complex deep learning models and practical applications, making advanced bioimage analysis accessible to a broader audience. This integration of the Java Deep Learning Library (JDLL) within deepImageJ is particularly noteworthy, as it expands compatibility with leading deep learning frameworks. This allows for the seamless execution of multiple models in a single instance, simplifying the construction of complex image analysis pipelines. The implications of this research are far-reaching, extending beyond academic circles to potentially impact various sectors, including healthcare, pharmaceuticals, and biotechnology. The enhanced capabilities of deepImageJ in handling intricate pipelines, 3D analysis, and large images facilitate detailed and efficient analysis of biological data. Such advancements are vital for accelerating research and development in medical imaging, drug discovery, and understanding complex biological processes. This manuscript contribution to the field of bioimage analysis is significant, offering a tool that empowers researchers, irrespective of their computational expertise, to leverage advanced technologies in their work. The wide applicability and ease of use of deepImageJ have the potential to foster interdisciplinary collaborations, drive innovation, and facilitate discoveries across various scientific and industrial sectors.

Abstract This manuscript showcases the latest advancements in deepImageJ, a pivotal Fiji/ImageJ plugin for bioimage analysis in life sciences. The plugin, known for its user-friendly interface, facilitates the application of diverse pre-trained convolutional neural networks to custom data. The manuscript demonstrates several deepImageJ capabilities, particularly in deploying complex pipelines, three-dimensional (3D) image analysis, and processing large images. A key development is the integration of the Java Deep Learning Library, expanding deepImageJ’s compatibility with various deep learning (DL) frameworks, including TensorFlow, PyTorch, and ONNX. This allows for running multiple engines within a single Fiji/ImageJ instance, streamlining complex bioimage analysis workflows. The manuscript details three case studies to demonstrate these capabilities. The first case study explores integrated image-to-image translation followed by nuclei segmentation. The second case study focuses on 3D nuclei segmentation. The third case study showcases large image volume segmentation and compatibility with the BioImage Model Zoo. These use cases underscore deepImageJ’s versatility and power to make advanced DLmore accessible and efficient for bioimage analysis. The new developments within deepImageJ seek to provide a more flexible and enriched user-friendly framework to enable next-generation image processing in life science.

Deep learning has revolutionised the analysis of extensive microscopy datasets, yet challenges persist in the widespread adoption of these techniques. Many lack access to training data, computing resources, and expertise to develop complex models. We introduce DL4MicEverywhere, advancing our previous ZeroCostDL4Mic platform, to make deep learning more accessible. DL4MicEverywhere uniquely allows flexible training and deployment across diverse computational environments by encapsulating methods in interactive Jupyter notebooks within Docker containers -a standalone virtualisation of required packages and code to reproduce a computational environment-. This enhances reproducibility and convenience. The platform includes twice as many techniques as originally provided by ZeroCostDL4Mic and enables community contributions via automated build pipelines. DL4MicEverywhere empowers participatory innovation and aims to democratise deep learning for bioimage analysis.