Ποσοτικοποίηση σήματος από ιστοπαθολογικές εικόνες φθορισμού και εφαρμογές μηχανικής μάθησης για την κατηγοριοποίηση τους.
Φόρτωση...
Ημερομηνία
2024-01-16
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Η.Μ.U, School of Engineering (ScENG), Electrical and Computer Engineering Dept
Η.Μ.U, School of Engineering (ScENG), Electrical and Computer Engineering Dept
Επιβλέπων
Περίληψη
H ποσοτικοποίηση καθώς και η κατηγοριοποίηση των εικόνων φθορισμού αποτελεί πρόκληση ακόμη και σήμερα λόγω της έλλειψης διαθέσιμων λογισμικών. Οι κλινικοί οφείλουν να επιλέγουν και να σχεδιάζουν χειροκίνητα τις περιοχές ενδιαφέροντος σε κάθε εικόνα ξεχωριστά, γεγονός που οδηγεί σε λανθασμένα αποτελέσματα και αύξηση του φόρτου εργασίας. Οπότε, αρχικός στόχος της εργασίας αυτής είναι η ανάπτυξη και η αξιολόγηση μίας αυτοματοποιημένης διαδικασίας η οποία στηρίζεται σε τεχνικές επεξεργασίας εικόνας μέσω της οποίας θα πραγματοποιείται ποσοτικοποίηση καρκινικών ή μη κυττάρων καθώς και του κυτταροπλάσματός τους. Για να την υλοποίηση της αυτοματοποιημένης αυτής διαδικασίας έγινε χρήση σε μεγάλο βαθμό των τεχνικών της επεξεργασίας εικόνας καθώς και της στατιστικών μετρικών. Στη συνέχεια, για την στήριξη των κλινικών στην λήψη αποφάσεων, τέθηκε ο στόχος του σχεδιασμού ενός μοντέλου κατηγοριοποίησης σε καρκινικά και φυσιολογικά κύτταρα μέσω του οποίου θα εξάγονται και θα αξιολογούνται τα χαρακτηριστικά από εικόνες ιστοπαθολογίας (εικόνες ανοσοφθορισμού) όπως για παράδειγμα, η υφή και το σχήμα των αντικειμένων που απεικονίζονται σε αυτές με βάση την σημαντικότητα τους. Για την εξαγωγή των χαρακτηριστικών αυτών, έγινε χρήση της βιβλιοθήκης Pyradiomics. Τέλος, η απόδοση του μοντέλου κατηγοριοποίησης αξιολογείται με τις μετρικές: ακρίβεια (accuracy) και εμβαδού κάτω από την καμπύλη ROC (area under the curve).
The quantification and categorization of fluorescence images constitutes a challenging goal nowadays due to the lack of a specific software. Clinicians are required to manually select and delineate regions of interest in each image separately, which leads to incorrect results and an increased workload. Therefore, the initial goal of this work is the development and evaluation of an automated process based on image processing techniques, through which the quantification of cancerous or non-cancerous cells and their cytoplasm is performed. To implement this automated process, image processing techniques and statistical metrics were extensively used. Subsequently, to support clinicians in decision-making, the goal was set to design a classification model for cancerous and normal cells. This model would extract and evaluate features from histopathology images (immunofluorescence images), such as the texture and shape of the objects depicted in these images, based on their significance. To extract these features, the Pyradiomics library was used. Finally, the performance of the classification model is assessed using the metrics: accuracy and the area under the ROC curve (AUC).
The quantification and categorization of fluorescence images constitutes a challenging goal nowadays due to the lack of a specific software. Clinicians are required to manually select and delineate regions of interest in each image separately, which leads to incorrect results and an increased workload. Therefore, the initial goal of this work is the development and evaluation of an automated process based on image processing techniques, through which the quantification of cancerous or non-cancerous cells and their cytoplasm is performed. To implement this automated process, image processing techniques and statistical metrics were extensively used. Subsequently, to support clinicians in decision-making, the goal was set to design a classification model for cancerous and normal cells. This model would extract and evaluate features from histopathology images (immunofluorescence images), such as the texture and shape of the objects depicted in these images, based on their significance. To extract these features, the Pyradiomics library was used. Finally, the performance of the classification model is assessed using the metrics: accuracy and the area under the ROC curve (AUC).