FenixEdu™

Dissertação

{en_GB=CNN classification of immune cells in tumor sections} {} EVALUATED

Detalhes: {pt=Técnicas de Deep Learning(DL) desenvolvidas têm demonstrado um enorme potencial na análise de tumores. Todavia, a precisão e a robustez destes modelos dependem demasiado de anotações realizadas por peritos,para estabelecer uma ground truth. Isto é particularmente importante na identificação de linfócitos dentro de tumores, que representa um fator importante na progressão dos cancros. Esta dissertação apresenta uma solução para este problema, possibilitando a identificação de linfócitos T em tumores,sem necessidade de intervenção de especialistas. O trabalho desenvolvido começa por colorar secções de tumor com anticorpos que reconhecem linfócitos T CD8+, linfócitos T FOXP3+, células cancerígenas panCK+ e células endoteliais CD31+. Depois,a mesma secção é tingida com H&E e digitalizada uma vez mais. Em segundo, as imagens immunofluorescence(IF) e H&E são alinhadas com precisão usando um método de transformação Fast-Fourier(FFT). Terceiro, um método de localização de pico é usado para detetar e transferir as informações das imagens IF para as imagens H&E. Por último, uma rede neural convolucional(CNN) é treinada usando essas imagens H&E anotadas. A CNN treinada resultante pode classificar células cancerígenas, linfócitos T e células endoteliais em tecidos cancerígenas da mama, usando imagens H&E com uma precisão mínima de 94%,85% e 72%, respetivamente. Uma primeira contribuição desta tese consiste no desenvolvimento de um método que possibilite processar, alinhar e gerar grandes conjuntos de imagens anotadas de microarranjos(TMAs) de tecido tumoral,usando imagens IF como ground truth. Uma segunda contribuição consiste em usar uma CNN treinada para classificar vários subtipos de células em secções de tecido com H&E,sem anotações de especialistas. , en=Modern deep(DL) learning approaches have the potential to analyze tumors for improved diagnostic and prognostic of patients. However, the accuracy and robustness of current DL models rely heavily on experts to annotate tumor sections to establish a ground truth. This is particularly important for the identification of immune cells inside tumors, which play a central role in the onset and progression of solid tumors such as breast cancer. This thesis presents a solution for the problem of reliably identify T cell infiltration in tumors without an expert’s input. For our workflow, tumor sections are first stained with antibodies recognizing CD8+T cells, FOXP3+regulatory Tcells, panCK+ cancer cells and CD31+ blood vessels. After, the same section is stained with H&E and imaged once more. Second, immunofluorescence(IF) and H&E images are accurately aligned via Fast-Fourier-transformation(FFT)-based image registration. Third, fast 2D peak-finder method is used to accurately detect and transfer information from the IF to the H&E images. Lastly, a convolutional neural network(CNN) is trained using these annotated H&E images. The resulting trained CNN can classify cancer cells, T cells and endothelial cells in breast cancer with a minimum accuracy of 94%, 85% and 72%,respectively. A first contribution of this thesis consists in the development of a method that can rapidly process, align and generate large annotated image sets of tumor tissue microarrays(TMAs), using IF images as ground truth. A second contribution consists in using a trained CNN to classify multiple cell subtypes on standard H&E stained tissue sections, without requiring expert’s annotations. }
Keywords: {pt=Redes Neuronais Convolucionais, Alinhamento de imagens Biomédicas, Deteção de células, Cancro da mama, Coloração Immunofluorescente., en=Convolutional Neural Networks, Biomedical Image Registration, Cell Detection, Breast Cancer, Immunofluorescent staining.}

Discussão: outubro 7, 2020, 16:0