Детальная информация

Исследование остеогенной дифференцировки мезенхимных стволовых клеток имеет важное значение для терапии остеопороза. Одним из направлений исследований является разработка инструментов, способных проводить автоматическую классификацию клеток по степени дифференцировки на основе анализа их изображений, полученных методом флуоресцентной микроскопии. В работе разработаны классификаторы на основе методов глубокого обучения для автоматической сегментации и классификации изображений ядер, а также создано web-приложение, реализующее интерфейс для использования классификаторов. Была реализована двухэтапная методология. Для точной локализации отдельных клеточных ядер применялся метод трансферного обучения классификатора на базе архитектуры Faster R-CNN с опорной сетью ResNet-50-FPN. Модель была дообучена на аннотированных изображениях. Для классификации сегментированных изображений ядер на «контрольные» и «дифференцированные» была спроектирована, обучена собственная архитектура сверточной нейронной сети. Для визуализации признаков, на которые модель опирается при принятии решений, был использован метод Grad-CAM. Разработанная модель классификации показала точность 82%. Классификаторы были интегрированы в web-приложение с интуитивно понятным интерфейсом для  анализа и визуализации результатов. Разработанные программные инструменты позволяют автоматизировать анализ изображений клеток и, тем самым, повысить объективность и ускорить исследовательский процесс в области биологии стволовых клеток и регенеративной медицины.

The study of osteogenic differentiation of mesenchymal stem cells is of fundamental importance for osteoporosis therapy. One of the research directions is the development of tools capable of performing automatic cell classification according to the degree of differentiation, based on the analysis of images obtained by fluorescence microscopy. In this work, deep learning–based classifiers were developed and validated for the automatic segmentation and subsequent classification of images of human mesenchymal stem cell nuclei. Additionally, a web application providing a user-friendly interface for classifier use was created. A two-stage methodology was implemented to solve these tasks. For precise localization of individual cell nuclei, a transfer learning approach was applied to a classifier based on the Faster R-CNN architecture with a ResNet-50-FPN backbone. The model was fine-tuned on annotated images. For classifying the segmented images of nuclei into “control” and “differentiated” categories, a custom convolutional neural network architecture was designed, trained, and validated. The Grad-CAM method was employed for visualization of the features relied upon by the model in its decision-making process. The developed classification model demonstrated an accuracy of 82%. The classifiers were integrated into a web application that offers users an intuitive interface for uploading images for classification, as well as for analysis and visualization of results. The developed software tools enable automated analysis of cell images, thereby improving objectivity and accelerating the research process in the field of stem cell biology and regenerative medicine.

• Дипллом_Табакова
  • ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
• 1a41bf31313751d0bfa2fcc6ef4566e97a0b77938d903a333b337c8baafeae90.pdf
  • Физико-механический институт
  • ЗАДАНИЕ
• Дипллом_Табакова
  • РЕФЕРАТ
  • ABSTRACT
  • СОДЕРЖАНИЕ
  • ВВЕДЕНИЕ
  • ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ
    • 1.1. Анализ известных результатов
    • 1.2. Цель работы
    • 1.3. Задачи работы
  • ГЛАВА 2. ПОДГОТОВКА И ОБРАБОТКА ДАННЫХ
    • 2.1. Описание исходных датасетов
    • 2.2. Преобразование и слияние датасетов
    • 2.3. Очистка данных
    • 2.4. Аннотирование ядер клеток
  • ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МОДЕЛЕЙ
    • 3.1. Механизм трансферного обучения и адаптации модели
    • 3.2. Метрики для оценки производительности моделей
    • 3.3. Разработка модели сегментации
      • 3.3.1. Эксперименты с transfer learning
      • 3.3.2. Результаты и сравнительный анализ
    • 3.4. Разработка модели классификации
      • 3.4.1. Эксперименты с transfer learning
      • 3.4.2. Результаты и сравнительный анализ
  • ГЛАВА 4. РАЗРАБОТКА WEB-ПРИЛОЖЕНИЯ
    • 4.1. Архитектура и реализация
    • 4.2. Особенности использования
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ