Generalized nucleus segmentation techniques can contribute greatly to reducing the time to develop and validate visual biomarkers for new digital pathology datasets.We summarize the results of MoNuSeg 2018 Challenge whose objective was to develop generalizable nuclei segmentation techniques in digital pathology.The challenge was an official satellite event of the MICCAI 2018 conference in which 32 teams with more than 80 participants from geographically diverse institutes participated.Contestants were given a training set with 30 images from seven organs with annotations of 21,623 individual nuclei.A test dataset with 14 images taken from seven organs, including two organs that did not appear in the training set was released without annotations.Entries were evaluated based on average aggregated Jaccard index (AJI) on the test set to prioritize accurate instance segmentation as opposed to mere semantic segmentation.More than half the teams that completed the challenge outperformed a previous baseline [1].Among the trends observed that contributed to increased accuracy were the use of color normalization as well as heavy data augmentation.Additionally, fully convolutional networks inspired by variants of U-Net [2], FCN [3], and Mask-RCNN [4] were popularly used, typically based on ResNet [5] or VGG [6] base architectures.Watershed segmentation on predicted semantic segmentation maps was a popular post-processing strategy.Several of the top techniques compared favorably to an individual human annotator and can be used with confidence for nuclear morphometrics.

Abstract Spatially resolved transcriptomics (SRT) provides the opportunity to investigate the gene expression profiles and the spatial context of cells in naive state. Cell type annotation is a crucial task in the spatial transcriptome analysis of cell and tissue biology. In this study, we propose Spatial-ID, a supervision-based cell typing method, for high-throughput cell-level SRT datasets that integrates transfer learning and spatial embedding. Spatial-ID effectively incorporates the existing knowledge of reference scRNA-seq datasets and the spatial information of SRT datasets. A series of quantitative comparison experiments on public available SRT datasets demonstrate the superiority of Spatial-ID compared with other state-of-the-art methods. Besides, the application of Spatial-ID on a SRT dataset with 3D spatial dimension measured by Stereo-seq shows its advancement on the large field tissues with subcellular spatial resolution.

A comprehensive atlas of genes, cell types, and their spatial distribution across a whole mammalian brain is fundamental for understanding function of the brain. Here, using snRNA-seq and Stereo-seq techniques, we generated a mouse brain atlas with spatial information for 308 cell clusters with single-cell resolution involving over 6 million cells as well as for 29,655 genes. We have identified new astrocyte clusters, and demonstrated that distinct cell clusters exhibit preference for cortical subregions. In addition, we identified 155 genes exhibiting regional specificity in the brainstem, and 513 long non-coding RNA exhibited regional specificity in the adult brain. Parcellation of brain regions based on spatial transcriptomic information showed large overlap with that by traditional method. Furthermore, we have uncovered 411 transcription factor regulons with spatiotemporal specificity during development. Thus, our study has discovered genes and regulon with spatiotemporal specificity, and provided a high-resolution spatial transcriptomic atlas of the mouse brain.

Abstract The number of colors that can be used in fluorescence microscopy to image the live-cell anatomy and organelles’ interactions is far less than the number of intracellular organelles and compartments. Here, we report that deep convolutional neuronal networks can predict 15 subcellular structures from super-resolution spinning-disk microscopy images using only one dye, one laser excitation, and two detection channels. Comparing to the colocalization images, this method achieves pixel accuracies of over 91.7%, which not only bypasses the fundamental limitation of multi-color imaging but also accelerates the imaging speed by more than one order of magnitude.