Název:
Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level
Překlad názvu:
Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level
Autoři:
Mívalt, Filip ; Taschner-Mandl,, Sabine (oponent) ; Mehnen, Lars (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2019
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [eng][cze]
Technologie Multi-Epitope Ligand Cartography (MELC) umožňuje mikroskopickou vizualizaci více buněčných kompartmentů za pomocí více imunofluorescenčních barviv. Tato pipeline tudíž umožňuje charakterizaci fenotypu pro všechny buňky nacházející se ve vzorcích kostní dřeně u pacientů s neuroblastomem. Přiřazení protilátkového signálu k odpovídající plazmatické membráně jednotlivých buněk je založeno na segmentaci buněčného jádra a algoritmu region growing, jenomže tahle metoda skutečný tvar buňky pouze aproximuje. Tento přístup je mimořádně chybový, pokud je aplikován na překrývající se buňky kvůli nejednoznačnému přiřazení jednoho protilátkového signálu více buňkám. Následně se pak tato chyba dostává až do popisných parametrů charakterizujících každou buňku zvláště, čímž může být ovlivniněna navazující klasifikace nebo kvantifikace buněčného fenotypu. Z toho důvodu je vyžadována segmentace fázově kontrastních obrazů, které jsou pořízeny současně s každým fluorescenčním snímkem, a zobrazují celou buňku (včetně cytoplazmy a jádra). Tato segmentace poskytuje přesné segmentační masky reprezentující celou buňku. Implementovali jsme automatizovanou strategii pro segmentaci těchto fázově kontrastních obrazů využívajíce Mask R-CNN. Algoritmus dosáhl celkového F1 skóre (pro detekci objektů) 0.935 a F1 skóre (pro klasifikaci na úrovni pixelů) 0.868, přičemž byl trénován pouze s malým anotovaným datasetem. Natrénovaný model byl implementován do existující pipeline pro zpracování MELC dat. Kromě toho, poskytujeme anotovaný dataset čítající 54 fázově kontrastních obrazů Cytospin preparátů kostní dřeně obsahující celkově 1 940 buněk. Implementovaný model Mask R-CNN umožňuje studovat popisné parametry charakterizující každou buňku zvláště za použití segmentačních masek odvozených z fázově kontrastních obrazů, které reprezentující celou buňku a tímto tedy zlepšuje automatickou kvantitativní analýzu buněk nacházejících se v kostní dřeni ve výzkumu dětské rakoviny.
The Multi-Epitope Ligand Cartography (MELC) technique enables microscopy-based visualisation of multiple cellular compartments by using immunofluorescence stains. A MELC data processing pipeline as previously established in-house within an ongoing research project, providing biologists with a tool for quantitative antibody signal analysis. The pipeline, therefore, allows phenotype characterisation of cells present in bone marrow aspirates from neuroblastoma patients. The antibody signal assignment to the plasma membrane of single cells is based on nuclear segmentation and region growing, but only approximates the real cellular shape. This approach is particularly error-prone when applied on touching or overlapping cells due to an ambiguous assignment of a single antibody signal to multiple cells. This error, subsequently, propagates to single-cell level features, thereby possibly influences ensuing phenotype classification or quantification. Hence, the segmentation of phase contrast images acquired simultaneously with each fluorescence image and visualising the whole cell (including cytoplasm and nucleus), is required to provide the pipeline with accurate segmentation masks representing the entire cell. We implemented an automated strategy employing a Mask R-CNN network to segment these phase contrast images. The algorithm achieved an overall object-level F1 score of 0.935 and a pixel-level F1 score of 0.868 when training with only a small annotated dataset. The trained model was implemented into the existing MELC data processing pipeline. Moreover, we provide an annotated dataset comprising 54 phase contrast images of bone marrow cytospin preparations containing an overall number of 1,940 cells. The implemented Mask RCNN model enables to study single cell-level features using segmentation masks representing cells predicted from phase contrast images and therefore improves an automated quantitative analysis of bone marrow samples for children’s cancer research.
Klíčová slova:
Deep learning; Fluorescence microscopy; Image segmentation; MELC; Phase contrast microscopy; Deep learning; Fluorescenční mikroskopie; Fázově kontrastní mikroskopie; MELC; segmentace obrazu
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/208431
host ::
