Dissertação
{en_GB=Deep Learning Based Cell Nuclei Segmentation: An Application for Cell Cycle Staging} {} EVALUATED
{pt=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. , en=Cell nuclei segmentation is crucial in several bioimaging tasks such as cell counting and tracking, analysis of cell morphology and quantification of molecular expression. Accurate automatic nuclei segmentation is of special interest in high-throughput applications of microscopic images of cells or tissues. Cell nuclei segmentation is an open problem and an active field of research in the image processing community. In this work, a novel deep learning based approach for high-throughput nuclei instance segmentation is proposed. It combines the detection capability of Fast YOLO with the segmentation ability of U-Net. With this method significant improvements on the processing time (approximately 9 times less) are achieved in comparison with the Mask R-CNN, without compromising the F1 score of the results. Furthermore, the masks obtained with the proposed segmentation method were used to address the important problem of cell cycle staging from DAPI stained nuclei. A (supervised) SVM based approach is proposed, where the input features and ground truth labels used to train the classifier were automatically computed from nuclei stained with DAPI and FUCCI, respectively. Results leading to F1 score of almost 90% (F1 score: 0.877±0.010) were obtained, where in 21 out of the 130 test images a F1 score of 100% was achieved. Testing the classifier on images of cells from a different cell line from the one used to train the classifier lead to the impressive recall value of 93%, which demonstrates the robustness of the proposed approach for cell cycle staging. }
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
