Klasifikace nádorových buněk pomocí hlubokého učení
Loading...
Date
Authors
Majerčík, Jakub
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Klasifikácia mikroskopických obrazov buniek rakoviny nachádza široké uplatnenie v súčasnej biológii a medicíne. Cieľom tejto práce je klasifikácia dvoch línii agresívnych nádorových buniek prostaty s indukovanou rezistenciou voči zinku s využitím metód hlbokého učenia, ako aj interpretácia klasifikačných procesov. Dataset pozostáva z viac ako 750 snímkov, ktorých akvizícia prebiehala s využitím metódy optickej difrakčnej tomografie. Táto mikroskopická metóda umožnila neinvazívne snímanie buniek v natívnom stave. V práci bola implementovaná konvolučná neurónová sieť ResNet-50, spolu s metódami vizualizácie klasifikačných procesov pomocou lokalizačných máp (Grad-CAM a metóda postupnej oklúzie obrazu). Dve bunkové línie použité v štúdii sieť klasifikuje s presnosťou 98,08%, agresívny fenotyp rezistentný voči zinku s presnosťou 96,08%. Lokalizačné mapy a manuálne segmentačné masky ohraničujúce regióny bunky (hranica bunky, jadrá, jadierka) umožnili analýzu subcelulárnych regiónov, ktorej výsledkom je zistenie, že rozhodujúcim regiónom bunky pre správnu klasifikáciu je oblasť cytoplazmy. Dôvodom je pravdepodobne variabilný počet vezikúl v cytoplazme, ich veľkosť, celková veľkosť buniek a morfologická štruktúra ich cytoplazmatickej membrány v závislosti na príslušnosti k danému fenotypu.
Classification of microscopic cancer cell images finds its use in a wide variety of biological and medical applications. This work aims to classify two lines of aggressive tumor prostate cells with induced zinc resistance using deep learning methods, and provide an interpretation of occurring classification processes. Dataset consists of more than 750 images, whose acquisition was performed using optical diffraction tomography. This microscopy method allowed for non-invasive cell imaging in their native state. This work shows an implementation of a convolutional neural network, along with methods for visualization of classification processes used to generate localization maps (Grad-CAM and an occlusion-based method). The neural network classifies two prostate cell lines used in study with an accuracy of 98,08% and the aggressive zinc-resistance phenotype with an accuracy of 96,08%. Localization maps and manual segmentation masks of cell borders, nuclei and nucleoli allowed for analysis of sub-celullar regions, which indicates that the decisive region for correct classification is the region of cytoplasm. This is most likely the result of variable vesicle count in cytoplasm, their size, as well as the overall cell size and the morfological structure of their cytoplasmic membrane depending on a given phenotype.
Classification of microscopic cancer cell images finds its use in a wide variety of biological and medical applications. This work aims to classify two lines of aggressive tumor prostate cells with induced zinc resistance using deep learning methods, and provide an interpretation of occurring classification processes. Dataset consists of more than 750 images, whose acquisition was performed using optical diffraction tomography. This microscopy method allowed for non-invasive cell imaging in their native state. This work shows an implementation of a convolutional neural network, along with methods for visualization of classification processes used to generate localization maps (Grad-CAM and an occlusion-based method). The neural network classifies two prostate cell lines used in study with an accuracy of 98,08% and the aggressive zinc-resistance phenotype with an accuracy of 96,08%. Localization maps and manual segmentation masks of cell borders, nuclei and nucleoli allowed for analysis of sub-celullar regions, which indicates that the decisive region for correct classification is the region of cytoplasm. This is most likely the result of variable vesicle count in cytoplasm, their size, as well as the overall cell size and the morfological structure of their cytoplasmic membrane depending on a given phenotype.
Description
Citation
MAJERČÍK, J. Klasifikace nádorových buněk pomocí hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
prof. Ing. Martin Černý, Ph.D. (předseda)
doc. Ing. Radim Kolář, Ph.D. (místopředseda)
Ing. Radovan Smíšek, Ph.D. (člen)
Ing. Helena Vítková, Ph.D. (člen)
MUDr. Zuzana Nováková, Ph.D. (člen)
Date of acceptance
2021-06-16
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Doc. Ing. Kolář, Ph.D. položil otázku: Mělo by smysl pracovat ve 3D? Přineslo by to něco nového? Co pro Vás bylo nejtěžší při začátcích práce s neuronovými sítěmi.
Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení