We develop a data harmonization approach for C. elegans volumetric microscopy data, still or video, consisting of a standardized format, data pre-processing techniques, and a set of human-in-the-loop machine learning based analysis software tools. We unify a diverse collection of 118 whole-brain neural activity imaging datasets from 5 labs, storing these and accompanying tools in an online repository called WormID (wormid.org). We use this repository to generate a statistical atlas that, for the first time, enables accurate automated cellular identification that generalizes across labs, approaching human performance in some cases. We mine this repository to identify factors that influence the developmental positioning of neurons. To facilitate communal use of this repository, we created open-source software, code, web-based tools, and tutorials to explore and curate datasets for contribution to the scientific community. This repository provides a growing resource for experimentalists, theorists, and toolmakers to investigate neuroanatomical organization and neural activity across diverse experimental paradigms, develop and benchmark algorithms for automated neuron detection, segmentation, cell identification, tracking, and activity extraction, and inform models of neurobiological development and function.

Abstract Cell identification is an important yet difficult process in data analysis of biological images. Previously, we developed an automated cell identification method called CRF_ID and demonstrated its high performance in C. elegans whole-brain images (Chaudhary et al, 2021). However, because the method was optimized for whole-brain imaging, comparable performance could not be guaranteed for application in commonly used C. elegans multi-cell images that display a subpopulation of cells. Here, we present an advance CRF_ID 2.0 that expands the generalizability of the method to multi-cell imaging beyond whole-brain imaging. To illustrate the application of the advance, we show the characterization of CRF_ID 2.0 in multi-cell imaging and cell-specific gene expression analysis in C. elegans . This work demonstrates that high accuracy automated cell annotation in multi-cell imaging can expedite cell identification and reduce its subjectivity in C. elegans and potentially other biological images of various origins.

Assigning cell identities in dense image stacks is critical for many applications, for comparing data across animals and experiment conditions, and investigating properties of specific cells. Conventional methods are laborious, require experience, and could introduce bias. We present a generalizable framework based on Conditional Random Fields models for automatic cell identification. This approach searches for optimal arrangements of labels that maximally preserves prior knowledge such as geometrical relationships. The algorithm shows better accuracy and more robust handling of perturbations, e.g. missing cells and position variability, with both synthetic and experimental ground-truth data. The framework is generalizable across strains, imaging conditions, and easily builds and utilizes active data-driven atlases, which further improves accuracy. We demonstrate the utility in gene-expression pattern analysis, multi-cellular calcium imaging, and whole-brain imaging experiments. Thus, our framework is highly valuable to a wide variety of annotation scenarios including in zebrafish, Drosophila, hydra, and mouse brains.

We report a generic smartphone app for quantitative annotation of complex images. The app is simple enough to be used by children, and annotation tasks are distributed across app users, contributing to efficient annotation. We demonstrate its flexibility and speed by annotating >30,000 images, including features of rice root growth and structure, stem cell aggregate morphology, and complex worm (C. elegans) postures, for which we show that the speed of annotation is >130-fold faster than state-of-the-art techniques with similar accuracy.

Volumetric functional imaging is widely used for recording neuron activities in vivo , but there exist tradeoffs between the quality of the extracted calcium traces, imaging speed, and laser power. While deep-learning methods have recently been applied to denoise images, their applications to downstream analyses, such as recovering high-SNR calcium traces, have been limited. Further, these methods require temporally-linked pre-registered data with ultrafast rates. Here, we demonstrate supervised deep-denoising methods to circumvent these tradeoffs for several applications, including whole-brain imaging, large field-of-view imaging in freely moving animals, and recovering complex neurite structures in C. elegans . Our framework has 30x smaller memory footprint, and is fast in training and inference (50-70ms); it is highly accurate and generalizable, and further, only small, non-temporally-sequential, independently-acquired training datasets (∼500 images) are needed. We envision that the framework will enable faster and long-term imaging experiments necessary to study neuronal mechanisms of many behaviors.

Abstract Fluorescence microscopy is an indispensable tool for biological discovery but image quality is constrained by desired spatial and temporal resolution, sample sensitivity, and other factors. Computational denoising methods can bypass imaging constraints and improve signal-tonoise ratio in images. However, current state of the art methods are commonly trained in a supervised manner, requiring paired noisy and clean images, limiting their application across diverse datasets. An alternative class of denoising models can be trained in a self-supervised manner, assuming independent noise across samples but are unable to generalize from available unpaired clean images. A method that can be trained without paired data and can use information from available unpaired highquality images would address both weaknesses. Here, we present Baikal, a first attempt to formulate such a framework using Denoising Diffusion Probabilistic Models (DDPM) for fluorescence microscopy images. We first train a DDPM backbone in an unconditional manner to learn generative priors over complex morphologies in microscopy images. We then apply various conditioning strategies to sample from the trained model and propose an optimal strategy to denoise the desired image. Extensive quantitative comparisons demonstrate better performance of Baikal over state of the art self-supervised methods across multiple datasets. We highlight the advantage of generative priors learnt by DDPMs in denoising complex Flywing morphologies where other methods fail. Overall, our DDPM based denoising framework presents a new class of denoising methods for fluorescence microscopy datasets that achieve good performance without collection of paired high-quality images. Github repo: https://github.com/scelesticsiva/denoising/tree/main