A carregar...
Publicação
Convolutional neural networks for cell detection and counting : a case study of human cell quantification in zebrafish xenografts using deep learning object detection techniques
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 10.08 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Deep learninghad,inrecentyears,becamethestateofthearttodealwithcomputer
vision problems.Onthecomputervisionresearchfield,objectdetectionisatechnique
thatallowstolocalizeandclassifyoneormoreobjectsinaninputimage.Thisapproach
can beappliedtoseveraltasksandproblems,ascellcountinginmedicalimaging,as
proposed inthisthesis.
Cellcountingisafrequentlyneededtaskinseveralmedicaltypesofresearch,butof-
ten stillmademanuallyduetoseveralconstraints.Theautomationofthisprocesscan
be challengingtoachieve,especiallywhendealingwithcellclumpingandoverlapping,
and cellsthatcanassumeseveralshapesandsizes.However,doingthisneededpro-
cess manuallyturnsouttobeabottleneckconcerningspeedduringtheresearch.As
so, anautomatictoolthatallowsresearcherstoquantifycellswithdifferentfeaturesin
an accuratewayisalongdesiredapplicationinthemedicalcommunity.Inthisthesis,
a fine-tunedarchitecturebasedonFasterR-CNNobjectdetectionalgorithmandIncep-
tion ResnetV2featureextractorisproposedtodealwithcellquantificationinzebrafish
xenografts,aninnovativeapproachforthestudyofcancer,metastasis,anddrugdiscov-
ery,currentlybeingappliedatFundaçãoChampalimaud,worldwidereferenceinonco-
logictreatmentinnovation.
In thisway,itisshownthepracticalapplicationoftheproposedsolutiontoaddress
a problemthatremainsinthecontextofmedicalresearchinFundaçãoChampalimaud,
where ateamofresearchersexplorestheapproachofcellcountingandhistologicalanal-
ysis inzebrafishlarvaexenotransplantstoevaluatetheresponseoftherapiesincancer.
As so,thisthesisaimstobeacontributiontotheapplicationofobjectdetectiontech-
niques tocellcountingtasks,andaddressseveralproblemsusuallyassociatedwiththis
process, asthepresenceofoverlappedcells,thehighnumberofobjectstobedetected
and theheterogeneityofcellsconcerningsizeandshape.
Nos últimos anos,Deep Learning revelou-se como a tecnologia de vanguarda para lidar com problemas de visão computacional. Incluído no campo de pesquisa de visão com- putacional, adeteçãodeobjetoséumatécnicaquepermitelocalizareclassificarumou mais objetosnumaimagemdeinput.Estaabordagempodeseraplicadanosmaisdiver- sos problemas,talcomocontagemdecélulasemimagensmédicas,comopropostonesta tese. A contagemdecélulaséumatarefafrequentementenecessáriaemdiversasáreasde pesquisa médica,mas maioritariamente ainda realizada manualmente devido a diversas limitações. A automatização deste processo pode ser desafiante de atingir,especialmente quando lidamoscomaglomeraçãoesobreposiçãodecélulas,esituaçõesemqueascélu- las podem assumir diversas formas e tamanhos. No entanto,fazer este processo de modo manual revela-se como uma fase de constrangimento temporal na investigação.Como tal, uma ferramenta automática que permite a investigadores a quantificção de células de diversas características de modo a cura do tornou-se uma aplicação fortemente dese- jada nacomunidademédica.Nestatese,umaarquiteturaajustadabaseadanoalgoritmo de deteçãodeobjetosFasterR-CNNenoInceptionResnetv2épropostademodoalidar com aquantificação de células em xenoenxertosdezebrafish,uma abordagem inovadora para o estudo de cancro,metástases e descoberta de drogas, e atualmente a ser desen- volvida na Fundação Champalimaud,uma referência mundialemtermosde inovação no tratamento oncológico. Desta maneira,éapresentadaaaplicaçãopráticadasoluçãopropostaparaendereçarum problema que sem antém no contexto de pesquisa médica na Fundação Champalimaud, onde umaequipadeinvestigaçãoexploraacontagemdecélulaseaanálisehistológica em xenotransplantesrealizadosemzebrafishlarvaeparaavaliararespostadeterapias em células cancerígenas.
Nos últimos anos,Deep Learning revelou-se como a tecnologia de vanguarda para lidar com problemas de visão computacional. Incluído no campo de pesquisa de visão com- putacional, adeteçãodeobjetoséumatécnicaquepermitelocalizareclassificarumou mais objetosnumaimagemdeinput.Estaabordagempodeseraplicadanosmaisdiver- sos problemas,talcomocontagemdecélulasemimagensmédicas,comopropostonesta tese. A contagemdecélulaséumatarefafrequentementenecessáriaemdiversasáreasde pesquisa médica,mas maioritariamente ainda realizada manualmente devido a diversas limitações. A automatização deste processo pode ser desafiante de atingir,especialmente quando lidamoscomaglomeraçãoesobreposiçãodecélulas,esituaçõesemqueascélu- las podem assumir diversas formas e tamanhos. No entanto,fazer este processo de modo manual revela-se como uma fase de constrangimento temporal na investigação.Como tal, uma ferramenta automática que permite a investigadores a quantificção de células de diversas características de modo a cura do tornou-se uma aplicação fortemente dese- jada nacomunidademédica.Nestatese,umaarquiteturaajustadabaseadanoalgoritmo de deteçãodeobjetosFasterR-CNNenoInceptionResnetv2épropostademodoalidar com aquantificação de células em xenoenxertosdezebrafish,uma abordagem inovadora para o estudo de cancro,metástases e descoberta de drogas, e atualmente a ser desen- volvida na Fundação Champalimaud,uma referência mundialemtermosde inovação no tratamento oncológico. Desta maneira,éapresentadaaaplicaçãopráticadasoluçãopropostaparaendereçarum problema que sem antém no contexto de pesquisa médica na Fundação Champalimaud, onde umaequipadeinvestigaçãoexploraacontagemdecélulaseaanálisehistológica em xenotransplantesrealizadosemzebrafishlarvaeparaavaliararespostadeterapias em células cancerígenas.
Descrição
Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics
Palavras-chave
Deep Learning FasterR-CNN Cell Counting Machine Learning Neural Networks Computer Vision Object Detection Convolutional Neural Networks Incep- tion ResNetV2 Quantificação de células Redes Neuronais Visãocomputacional