Tato diplomová práce se zaměřuje na využití a porovnání algoritmů strojového učení pro segmentaci buněk ve snímcích získaných z optického mikroskopu. Hlavním cílem práce je přispět k automatizaci detekce buněk s cílem ušetřit čas lékařům a zároveň jim poskytnout spolehlivé informace. Anonymizovaná data pro tuto práci byla poskytnuta Masarykovou nemocnicí v Ústí nad Labem, o.z. Ve spolupráci s MUDr. Karlem Filipem byl vytvořen, anotován a validován dataset. V průběhu práce byl vytvořen a testován postup využívající algoritmy strojového učení s cílem snížit časovou a paměťovou náročnost segmentace, přičemž úspěšnost segmentace buněk ve snímcích měla být zachována. Úspěšnost segmentace buněk ve snímcích se hodnotila zejména pomocí S?rensen-Dice indexu. Dále byla provedena optimalizace hyperparametrů algoritmů Support Vector Machine a Random Forest za účelem maximalizace indexu a identifikace nejvhodnějších modelů pro segmentaci buněk ve snímcích z vyšetření bronchoalveolární laváže.
Anotace v angličtině
This master's thesis focuses on the use and comparison of machine learning algorithms for cell segmentation in images obtained from an optical microscope. The main goal of the thesis is to contribute to the automation of cell detection to save doctors' time and provide them with reliable information. The anonymized data for this thesis were provided by Masarykova nemocnice v Ústí nad Labem, o.z. In collaboration with MUDr. Karel Filip, a dataset was created, annotated, and validated. During the work, a procedure utilizing machine learning algorithms was developed and tested to reduce the time and memory requirements of segmentation, while maintaining the success of cell segmentation in the images. The success of cell segmentation in the images was evaluated mainly using the Sorensen-Dice index. Furthermore, the hyperparameters of the Support Vector Machine and Random Forest algorithms were optimized to maximize the index and identify the most suitable models for cell segmentation in images from bronchoalveolar lavage examinations.
Klíčová slova
strojové učení, BAL snímky, segmentace obrazu
Klíčová slova v angličtině
machine learning, BAL images, image segmentation
Rozsah průvodní práce
63
Jazyk
CZ
Anotace
Tato diplomová práce se zaměřuje na využití a porovnání algoritmů strojového učení pro segmentaci buněk ve snímcích získaných z optického mikroskopu. Hlavním cílem práce je přispět k automatizaci detekce buněk s cílem ušetřit čas lékařům a zároveň jim poskytnout spolehlivé informace. Anonymizovaná data pro tuto práci byla poskytnuta Masarykovou nemocnicí v Ústí nad Labem, o.z. Ve spolupráci s MUDr. Karlem Filipem byl vytvořen, anotován a validován dataset. V průběhu práce byl vytvořen a testován postup využívající algoritmy strojového učení s cílem snížit časovou a paměťovou náročnost segmentace, přičemž úspěšnost segmentace buněk ve snímcích měla být zachována. Úspěšnost segmentace buněk ve snímcích se hodnotila zejména pomocí S?rensen-Dice indexu. Dále byla provedena optimalizace hyperparametrů algoritmů Support Vector Machine a Random Forest za účelem maximalizace indexu a identifikace nejvhodnějších modelů pro segmentaci buněk ve snímcích z vyšetření bronchoalveolární laváže.
Anotace v angličtině
This master's thesis focuses on the use and comparison of machine learning algorithms for cell segmentation in images obtained from an optical microscope. The main goal of the thesis is to contribute to the automation of cell detection to save doctors' time and provide them with reliable information. The anonymized data for this thesis were provided by Masarykova nemocnice v Ústí nad Labem, o.z. In collaboration with MUDr. Karel Filip, a dataset was created, annotated, and validated. During the work, a procedure utilizing machine learning algorithms was developed and tested to reduce the time and memory requirements of segmentation, while maintaining the success of cell segmentation in the images. The success of cell segmentation in the images was evaluated mainly using the Sorensen-Dice index. Furthermore, the hyperparameters of the Support Vector Machine and Random Forest algorithms were optimized to maximize the index and identify the most suitable models for cell segmentation in images from bronchoalveolar lavage examinations.
Klíčová slova
strojové učení, BAL snímky, segmentace obrazu
Klíčová slova v angličtině
machine learning, BAL images, image segmentation
Zásady pro vypracování
Cílem této diplomové práce je aplikovat vybrané metody strojového učení na snímky buněk z bronchoalveolární laváže (BAL) a provést automatickou segmentaci cytoplazmy a jádra v buňkách. V rámci práce budou pro segmentaci navrženy a implementovány algoritmy typu Random Forest (RF) a Support Vector Machine (SVM). Výsledky budou porovnány s anotacemi poskytnutými lékaři z Masarykovy nemocnice v Ústí nad Labem, o. z., a budou vyhodnoceny kvantitativně pomocí vhodných metrik. Navržené metody segmentace představují první krok pro úplnou automatizaci vyhodnocení vyšetření BAL.
Osnova:
úvod do problematiky
prezentace použitých metod strojového učení
popis vstupních dat
návrh a implementace schémat pro segmentaci buněk
vyhodnocení kvality segmentace
diskuse dosažených výsledků
Zásady pro vypracování
Cílem této diplomové práce je aplikovat vybrané metody strojového učení na snímky buněk z bronchoalveolární laváže (BAL) a provést automatickou segmentaci cytoplazmy a jádra v buňkách. V rámci práce budou pro segmentaci navrženy a implementovány algoritmy typu Random Forest (RF) a Support Vector Machine (SVM). Výsledky budou porovnány s anotacemi poskytnutými lékaři z Masarykovy nemocnice v Ústí nad Labem, o. z., a budou vyhodnoceny kvantitativně pomocí vhodných metrik. Navržené metody segmentace představují první krok pro úplnou automatizaci vyhodnocení vyšetření BAL.
Osnova:
úvod do problematiky
prezentace použitých metod strojového učení
popis vstupních dat
návrh a implementace schémat pro segmentaci buněk
vyhodnocení kvality segmentace
diskuse dosažených výsledků
Seznam doporučené literatury
ESSA, Ehab; XIANGHUA XIE; ERRINGTON, Rachel J. a WHITE, Nick. A multi-stage random forest classifier for phase contrast cell segmentation. 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015, s. 3865-3868.
ISBN 978-1-4244-9271-8. Dostupné z: https://doi.org/10.1109/EMBC.2015.7319237. [cit. 2023-11-01].
CHECK, Irene J.; GOWITT, Gerald T. a STATON, Gerald W. Bronchoalveolar Lavage Cell Differential in the Diagnosis of Sarcoid Interstitial Lung Disease: Likelihood Ratios Based on Computerized Data Base. American Journal of Clinical Pathology. 1985, roč. 84, č. 6, s. 744-747. ISSN 1943-7722. Dostupné z: https://doi.org/10.1093/ajcp/84.6.744. [cit. 2023-11-01].
MOHAMMED, Emad A.; FAR, Behrouz H.; MOHAMED, Mostafa M.A. a NAUGLER, Christopher. Application of Support Vector Machine and k-means clustering algorithms for robust chronic lymphocytic leukemia color cell segmentation. 2013 IEEE 15th International Conference on e-Health Networking, Applications and Services (Healthcom 2013). 2013, s. 622-626. ISBN 978-1-4673-5801-9.
Dostupné z: https://doi.org/10.1109/HealthCom.2013.6720751. [cit. 2023-11-01].
Seznam doporučené literatury
ESSA, Ehab; XIANGHUA XIE; ERRINGTON, Rachel J. a WHITE, Nick. A multi-stage random forest classifier for phase contrast cell segmentation. 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015, s. 3865-3868.
ISBN 978-1-4244-9271-8. Dostupné z: https://doi.org/10.1109/EMBC.2015.7319237. [cit. 2023-11-01].
CHECK, Irene J.; GOWITT, Gerald T. a STATON, Gerald W. Bronchoalveolar Lavage Cell Differential in the Diagnosis of Sarcoid Interstitial Lung Disease: Likelihood Ratios Based on Computerized Data Base. American Journal of Clinical Pathology. 1985, roč. 84, č. 6, s. 744-747. ISSN 1943-7722. Dostupné z: https://doi.org/10.1093/ajcp/84.6.744. [cit. 2023-11-01].
MOHAMMED, Emad A.; FAR, Behrouz H.; MOHAMED, Mostafa M.A. a NAUGLER, Christopher. Application of Support Vector Machine and k-means clustering algorithms for robust chronic lymphocytic leukemia color cell segmentation. 2013 IEEE 15th International Conference on e-Health Networking, Applications and Services (Healthcom 2013). 2013, s. 622-626. ISBN 978-1-4673-5801-9.
Dostupné z: https://doi.org/10.1109/HealthCom.2013.6720751. [cit. 2023-11-01].