Klasifikace nádorových buněk pomocí hlubokého učení

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.