DeephESC 2.0: Deep Generative Multi Adversarial Networks for improving the classification of hESC.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

İnsan embriyonik kök hücreleri (hESC), blastosistlerden türetilmiş, çok sayıda potansiyel uygulama için benzersiz hücresel modeller sağlar. Parkinson, Huntington, diabetes mellitus, vb. gibi hastalıkların tedavisinde büyük umutları vardır. hESC, süresiz olarak bölünebilme (çoğulluk) ve herhangi bir yetişkin hücre tipine ayırt etme veya işlevsel olarak değiştirme yetenekleri nedeniyle erken embriyonik büyüme için güvenilir bir gelişim modelidir. Toksikolojik çalışmalara adaptasyonları özellikle çekicidir, çünkü pluripotent kök hücreler doğum öncesi gelişimin çeşitli aşamalarını modellemek için kullanılabilir. İnsan embriyonik kök hücrenin videolarda otomatik olarak tespit edilmesi ve sınıflandırılması, biyologlar arasında deneysel çalışmalarda çeşitli hESC durumlarının niceliksel analizi için büyük ilgi görmektedir. Şu anda video annotasyonu elle yapılır, çok zaman alıcı ve kapsamlı bir işlemdir. Bu sorunu çözmek için, bu makale DeephESC 2.0'ı iki bölümden oluşan otomatik bir makine öğrenme yaklaşımını tanıtıyor: (a) hESC'nin sentetik görüntülerini üretmek için Generatif Çok Taraflı Ağlar (GMAN), (b) Convolution Neural Networks (CNN) ve Triplet CNNs'den oluşan hiyerarşik bir sınıflandırma sistemi, faz kontrastı hESC görüntülerini altı farklı sınıfa sınıflandırıyor: Hücre Kümeleri, Debris, Unatched hücreleri. Yaklaşım tamamen non-invazivdir ve herhangi bir kimyasal veya lekelenme gerektirmez. DeephESC 2.0, hESC görüntülerini %93.23 doğrulukla en son teknoloji yaklaşımları en az %20 oranında gerçekleştirerek sınıflandırabilmektedir. Ayrıca, DeephESC 2.0, veri kümesini büyütmek için kullanılabilecek çok sayıda sentetik görüntü üretebilir. Deneysel sonuçlar, DeephESC 2.0'ı yalnızca çok miktarda sentetik görüntü üzerinde eğitmenin, sınıflandırıcının orijinal görüntülerdeki performansını %93.23'ten %94.46'ya kadar artırmaya yardımcı olduğunu göstermektedir. Bu makale aynı zamanda Yapısal Similarite (SSIM) endeksi, Gürültüye Peak Signal oranı (PSNR) ve istatistiksel p-değeri metriklerini kullanarak üretilen sentetik görüntülerin kalitesini değerlendirir ve bunları sentetik görüntüler üretmek için son teknoloji yaklaşımlarla karşılaştırır. DeephESC 2.0, aksi takdirde daha fazla videonun manuel/yarı-manuel olarak belirtilmesi için harcanacak yüzlerce saatlik manuel emek tasarrufu sağlar.

Özgün kaynak özetini okuyun

Human embryonic stem cells (hESC), derived from the blastocysts, provide unique cellular models for numerous potential applications. They have great promise in the treatment of diseases such as Parkinson's, Huntington's, diabetes mellitus, etc. hESC are a reliable developmental model for early embryonic growth because of their ability to divide indefinitely (pluripotency), and differentiate, or functionally change, into any adult cell type. Their adaptation to toxicological studies is particularly attractive as pluripotent stem cells can be used to model various stages of prenatal development. Automated detection and classification of human embryonic stem cell in videos is of great interest among biologists for quantified analysis of various states of hESC in experimental work. Currently video annotation is done by hand, a process which is very time consuming and exhaustive. To solve this problem, this paper introduces DeephESC 2.0 an automated machine learning approach consisting of two parts: (a) Generative Multi Adversarial Networks (GMAN) for generating synthetic images of hESC, (b) a hierarchical classification system consisting of Convolution Neural Networks (CNN) and Triplet CNNs to classify phase contrast hESC images into six different classes namely: Cell clusters, Debris, Unattached cells, Attached cells, Dynamically Blebbing cells and Apoptically Blebbing cells. The approach is totally non-invasive and does not require any chemical or staining of hESC. DeephESC 2.0 is able to classify hESC images with an accuracy of 93.23% out performing state-of-the-art approaches by at least 20%. Furthermore, DeephESC 2.0 is able to generate large number of synthetic images which can be used for augmenting the dataset. Experimental results show that training DeephESC 2.0 exclusively on a large amount of synthetic images helps to improve the performance of the classifier on original images from 93.23% to 94.46%. This paper also evaluates the quality of the generated synthetic images using the Structural SIMilarity (SSIM) index, Peak Signal to Noise ratio (PSNR) and statistical p-value metrics and compares them with state-of-the-art approaches for generating synthetic images. DeephESC 2.0 saves hundreds of hours of manual labor which would otherwise be spent on manually/semi-manually annotating more and more videos.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.