SUMMARY Decades of research have not yet fully explained the mechanisms of epithelial self-organization and 3D packing. Single-cell analysis of large 3D epithelial libraries is crucial for understanding the assembly and function of whole tissues. Combining 3D epithelial imaging with advanced deep learning segmentation methods is essential for enabling this high-content analysis. We introduce CartoCell, a deep learning-based pipeline that uses small datasets to generate accurate labels for hundreds of whole 3D epithelial cysts. Our method detects the realistic morphology of epithelial cells and their contacts in the 3D structure of the tissue. CartoCell enables the quantification of geometric and packing features at the cellular level. Our Single-cell Cartography approach then maps the distribution of these features on 2D plots and 3D surface maps, revealing cell morphology patterns in epithelial cysts. Additionally, we show that CartoCell can be adapted to other types of epithelial tissues. MOTIVATION A major bottleneck in developing neural networks for cell segmentation is the need for labor-intensive manual curation in order to develop a training dataset. The present work addresses this limitation by developing an automated image analysis pipeline that utilizes small datasets to generate accurate labels of cells in complex, 3D epithelial contexts. The overall goal is to provide an automatic and feasible method to achieve high-quality epithelial reconstructions and to enable high-content analysis of morphological features, which can improve our understanding of how these tissues self-organize.

ABSTRACT Tissue morphogenesis is intimately linked to the changes in shape and organisation of individual cells. In curved epithelia, cells can intercalate along their own apicobasal axes adopting a shape named “scutoid” that allows energy minimization in the tissue. Although several geometric and biophysical factors have been associated with this 3D reorganisation, the dynamic changes underlying scutoid formation in 3D epithelial packing remain poorly understood. Here we use live-imaging of the sea star embryo coupled with deep learning-based segmentation, to dissect the relative contributions of cell density, tissue compaction, and cell proliferation on epithelial architecture. We find that tissue compaction, which naturally occurs in the embryo, is necessary for the appearance of scutoids. Physical compression experiments identify cell density as the factor promoting scutoid formation at a global level. Finally, the comparison of the developing embryo with computational models indicates that the increase in the proportion of scutoids is directly associated with cell divisions. Our results suggest that apico-basal intercalations appearing just after mitosis may help accommodate the new cells within the tissue. We propose that proliferation in a compact epithelium induces 3D cell rearrangements during development. Summary statement The study uses sea star embryogenesis as a model of a proliferating epithelium to highlight how cell division induces 3D cell rearrangements during development.

Apico-basal cell intercalations (scutoids) optimize packing and energy expenditure in curved epithelia. Further consequences of this new paradigm of tissue packing remain uncharacterized. In particular, how scutoids modify the 3D cellular connectivity is an open question. This property is crucial for understanding epithelial architecture and is instrumental for regulating the biological function of tissues. Here, we address this problem by means of a computational model of epithelial tubes and a biophysical approach that links geometrical descriptors with the energetic cost required to increase the cellular connectivity. Our results predict that epithelial tubes satisfy a novel quantitative principle: the "Flintstones' law". In short, cellular connectivity increases with tissue thickness/curvature in a logistic way. We confirm experimentally the existence of this principle using Drosophila's salivary glands. Our study provides methodological advances to analyze tissue packing in 3D and, more importantly, unveils a morphogenetic principle with key biological consequences.

Abstract BiaPy, a unified open-source bioimage analysis library, offers a comprehensive suite of deep learning-powered workflows. Tailored for users of all levels, BiaPy features an intuitive interface, zero-code notebooks, and Docker integration. With support for 2D and 3D image data, it addresses existing gaps by providing multi-GPU capabilities, memory optimization, and compatibility with large datasets. As a collaborative and accessible solution, BiaPy aims to empower researchers by democratizing the use of sophisticated and efficient bioimage analysis workflows.