Детальная информация

Цель работы — создание инструментов анализа морфологических изменений стволовых клеток человека в процессе остеогенной дифференцировки методами машинного обучения и компьютерного зрения. Проведена обработка и количественный анализ изображений мезенхимных и плюрипотентных стволовых клеток человека, окрашенных красителями, выделяющими морфологию клеточных ядер и строение F-актина внутри клеток. Клетки были разбиты на группы прошедших и не прошедших остеогенную дифференцировку, а также по наличию остеопороза у пациентов. Были извлечены морфологические характеристики клеточных ядер (площадь, периметр и др.), на основе которых построены модели бинарной классификации клеток по наличию дифференцировки. Результат точности классификации стадии остеогенной дифференцировки с помощью градиентного бустинга составил 82%. Точность различения клеток здоровых пациентов и с остеопорозом составила 85% для недифференцированных клеток и 81% для остеодифференцированных клеток. В результате анализа SHAP-значений показано, что периметр ядра, площадь и длина малой оси вписанного эллипса являются ключевыми индикаторами остеогенной дифференцировки. Статистический анализ морфологических признаков ядер выявил округлость и длину большей оси эллипса, как значимые параметры для различения клеток больных и здоровых пациентов. Для анализа изображений актина в плюрипотентных клетках использовались сверточные нейронные сети (Inception V3), что позволило оценить архитектурные перестройки цитоскелета в процессе дифференцировки. Модель классификации изображений актина по степени дифференцировки показала точность 95%. Полученные результаты могут быть использованы для разработки инструментов автоматического контроля и диагностики патологических изменений в клетках костной ткани.

The objective of the work is to develop tools for analyzing morphological changes of human stem cells during osteogenic differentiation using machine learning and computer vision methods. Image processing and quantitative analysis were performed on images obtained by fluorescence microscopy of human mesenchymal and pluripotent stem cells stained with dyes highlighting the morphology of cell nuclei and the structure of F-actin within the cells. The cells were divided into groups that had undergone osteogenic differentiation and those that had not, as well as by the presence or absence of osteoporosis in the donor patients. Geometric and morphometric characteristics of cell nuclei (area, perimeter, lengths of the axes of the inscribed ellipse, roundness, etc.) were extracted, based on which binary classification models of cells by differentiation status were constructed. The maximum classification accuracy for the stage of osteogenic differentiation using gradient boosting reached 82%. The accuracy of distinguishing cells from healthy donors and patients with osteoporosis was 85% for undifferentiated cells and 81% for osteodifferentiated cells. Analysis of SHAP values showed that nucleus perimeter, area, and the length of the minor axis of the inscribed ellipse are key indicators of osteogenic differentiation. Statistical analysis of nuclear morphological features identified roundness and the length of the major axis of the ellipse as the most significant parameters for distinguishing cells from diseased and healthy patients. For the analysis of actin images in pluripotent cells, convolutional neural networks (Inception V3) were used, which allowed assessment of cytoskeletal architectural rearrangements during differentiation. The classification model of actin images by differentiation degree, based on the convolutional neural network, achieved an accuracy of 95%. The obtained results can be used to develop tools for automatic monitoring and diagnosis of pathological changes in bone tissue cells based on cell morphology and actin cytoskeleton structure.

• РЕФЕРАТ
• Содержание
• Введение
• Глава 1. Анализ изображений ядер мезенхимных стволовых клеток человека при остеогенной дифференцировке
  • Описание данных
  • Анализ морфологии ядер
  • Статистический анализ
  • Постановка задачи машинного обучения
  • Обзор методов
    • Метод опорных векторов
    • Метод случайного леса
    • Логистическая регрессия
    • Метод градиентного бустинга
  • Метрики оценки качества классификации
    • Матрица ошибок
    • Точность
  • Обработка данных
    • Балансировка классов
    • Масштабирование признаков
  • Сравнение методов
  • Отбор признаков
  • Результаты
• Глава 2. Анализ изображений F-актина в плюрипотентных стволовых клетках человека
  • Описание данных
  • Постановка задачи
  • Обзор методов
    • Метод графовых вложений
    • Остеогенная сверточная нейронная сеть
  • Метрики оценки качества
    • Точность
    • Функция потерь
  • Сравнение методов
  • Методы интерпретации результатов
  • Результаты
• Заключение
• Список источников