Тема выпускной квалификационной работы: «Методы машинного обучения для контроля роста популяций индуцированных плюрипотентных клеток человека».    В работе была сформулирована задача классификации, для своевременного выявления колоний плюрипотентных клеток человека, обладающих «плохими» фенотипическими свойствами. Были изучены ранее опубликованные работы, освещающие актуальные алгоритмы машинного обучения классификации клеточных колоний на изображениях. После сравнительного анализа методов были выбраны свёрточные нейронные сети как наиболее предпочтительные.    С целью формирования коллекции изображений, в течение месяца производилась фотосъёмка на флуорисцентный электронный микроскоп на базе Института цитологии РАН. Эксперт-биолог определял классовые метки на основании морфологических параметров.    В ходе проведения численных экспериментов, для лучшей модели оптимальным образом были подобраны гиперпараметры так, что её точность составила порядка 83%. В дальнейшем было продемонстрировано положительное влияние предобработки и аугментации данных, с последующим увеличением точности до 84% и 89% соответственно.    Во время дополнительного исследования, проведённого в рамках выпускной квалификационной работы, было установлено, что наиболее информативным, с точки зрения качества классификации, являются изображения с линейным размером ∼144 μ?. Этот масштаб является промежуточным между характерным диаметром единичной клетки ∼15 μ? и всей колонии ∼540 μ?.    Полученные результаты свидетельствуют о том, что обученный классификатор эффективен для предсказаний фенотипических свойств колоний. Программные компоненты, разработанные в ходе исследований, в дальнейшем могут быть использованы для неинвазивной автоматизированной проверки, с целью выявления нежелательных аномалий развития.

The subject of the graduate qualification work is «Machine learning methods to control the growth of human induced pluripotent stem cell populations».    The paper formulated a classification task for the timely detection of colonies of human pluripotent cells with «bad» phenotypic properties. Previously published papers covering current machine learning algorithms for classifying cell colonies in images were studied. After a comparative analysis of the methods, convolutional neural networks were selected as the most preferred.    In order to form a collection of images, photography was carried out for a month using a fluorescent electron microscope at the Institute of Cytology of the Russian Academy of Sciences. An expert biologist determined class labels based on morphological parameters.    In the course of numerical experiments, hyperparameters were optimally selected for the best model so that its accuracy was about83%. In the future, the positive impact of data preprocessing and augmentation was demonstrated, with a subsequent increase in accuracy to 84% and 89%, respectively.    During an additional study conducted as part of the final qualifying work, it was found that the most informative, in terms of classification quality, are images with a linear size of ∼144 μ?.     This scale is intermediate between the characteristic diameter of a single cell ∼15 μ? and the entire colony ∼540 μ?. The results obtained indicate that the trained classifier is effective for predicting the phenotypic properties of colonies. The software components developed in the course of research can later be used for non-invasive automated testing in order to identify undesirable developmental anomalies.

• Методы машинного обучения для контроля роста популяций индуцированных плюрипотентных клеток человека
  • Введение
  • 1. Постановка задачи контроля роста плюрипотентных клеток человека посредством классификации полоний на изображениях
  • 2. Обзор методов классификации изображений клеток и колоний
  • 3. Получение данных изображений
  • 4. Метрики оценки качества классификации
  • 5. Обучение свёрточных нейронных сетей. Сравнение полученных моделей
  • 6. Апробация результатов исследований
  • Заключение
  • Список использованных источников