Dissertação
Deep Learning Based Cell Nuclei Segmentation: An Application for Cell Cycle Staging EVALUATED
A segmentação dos núcleos celulares é importante em várias tarefas de bioimagiologia, como contagem de células, análise da morfologia celular e quantificação da expressão molecular. A segmentação nuclear automática é de especial interesse para aplicações de alto rendimento de imagens microscópicas de células ou tecidos, e corresponde a uma área de investigação ativa na comunidade de processamento de imagem. Neste trabalho é proposta uma nova abordagem, baseada em aprendizagem profunda, para a segmentação de núcleos celulares. Esta abordagem combina a capacidade de deteção da Fast YOLO com a capacidade de segmentação da U-Net. Com o método proposto, verificou-se que, sem comprometer o F1 score dos resultados, o tempo de processamento é cerca de 9 vezes menor em comparação com o Mask R-CNN. Adicionalmente, as máscaras obtidas com o método de segmentação proposto foram usadas para abordar o importante problema do estadiamento do ciclo celular a partir de núcleos corados com DAPI. Uma abordagem supervisionada baseada no SVM é proposta, onde o input e o output usados para treinar o classificador foram automaticamente calculados a partir dos núcleos corados com DAPI e com FUCCI, respetivamente. Obtiveram-se resultados com F1 score de quase 90% (F1 score: 0.877±0.010), onde em 21 das 130 imagens de teste obteve-se F1 score de 100%. O classificador também foi testado em imagens de células de uma linha celular diferente da que foi usada para treiná-lo, atingindo o valor impressionante de recall de 93%, o que mostra a robustez do método proposto para o estadiamento do ciclo celular.
novembro 4, 2019, 15:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar
