Derin Öğrenme ile Hücre Görüntülerinin Tespiti ve Sayımı

Year 2024, EARLY VIEW, 1 - 1

Zeynep Sözen , Necaattin Barışçı

https://doi.org/10.2339/politeknik.1484473

Abstract

Hücreler, canlılığın temel yapı birimleri olup, klinik ve akademik çalışmalarda büyük önem taşımaktadır. Hücre sayımı ise hastalıkların teşhisi ve takibinde kritik rol oynar. Hücre sayım yöntemleri, makineler ve insan gözü ile yapılan sayımlar olarak yer almaktadır. Ancak bu yöntemler maliyet, hata oranı ve zaman açısından dezavantajlara sahiptir. Bu nedenle literatürde yeni yöntemler geliştirilmektedir. Bu çalışmada, hücre görüntüleri içeren BBBC005 veri seti kullanılarak hücre tespiti ve sayımı gerçekleştirilmiştir. Çalışmanın ilk aşamasında hücre tespiti U-Net ve V-Net modelleri ayrı bir şekilde uygulanarak yapılmıştır. İki modelin sonuçları karşılaştırıldığında U-Net modelinden daha iyi sonuç alındığı görülmüştür. Elde edilen sonuçları daha da iyileştirmek adına U-Net mimarisi residual bloklar ile geliştirilmiştir ve literatüre katkı sağlanmıştır. Önerilen model olarak U-Net ve geliştirilmiş U-Net mimarisi bir arada kullanılarak bir topluluk mimarisi oluşturulmuştur. Çalışma sonucunda %96,15’lik bir doğruluk oranı elde edilmiştir. Çalışmanın ikinci kısmında scikit-image kütüphanesi ile hücre sayımı yapılmıştır. Bu aşamada model tarafından belirlenen her bir hücre scikit-image kütüphanesi ile tek tek etiketlenmiştir ve ayrı bir renk olacak şekilde işaretlenmiştir. Bu görsel sonuçlar, çalışmanın güvenilirliğini artırmıştır. Temel bir modelin geliştirilmesi, farklı iki modelin çıktılarının birlikte kullanılarak daha iyi bir sonuç alınması ile yapılan bu yenilikler, hücre tespiti ve sayımı alanında iyileştirmeler sunmakta ve literatüre katkı sağlamaktadır.

Keywords

hücre, hücre sayımı, U-Net, V-Net, Topluluk Mimarisi

Detection and Counting of Cell Images Using Deep Learning

Abstract

Cells, as the fundamental units of life, hold significant importance in clinical and academic studies. Cell counting plays a critical role in disease diagnosis and monitoring. Traditional methods, involving machine-based and manual counting, are costly, error-prone, and time-consuming. Therefore, new methods are being developed to reduce costs and increase accuracy. In this study, cell detection and counting were performed using the BBBC005 dataset. U-Net and V-Net models were separately applied for cell detection, and the U-Net model showed better performance. To improve the results further, the U-Net architecture was enhanced with residual blocks. An ensemble architecture combining the original U-Net and the enhanced U-Net was created, achieving an accuracy rate of 96.15%. In the second phase, cell counting was performed using the scikit-image library. Each cell identified by the model was individually labeled and marked with a distinct color. These visual results enhanced the study's reliability. This innovative approach, combining different models' outputs for better results, offers improvements in cell detection and counting, contributing to the literature.

Keywords

cell, cell counting, u-net, v-net, ensemble model

References

• [1] Grishagin, I. V. “Automatic cell counting with ImageJ”. Analytical biochemistry, 473, 63-65, (2015).
• [2] Rangarajan, A., Hong, S. J., Gifford, A., & Weinberg, R. A, “Species-and cell type-specific requirements for cellular transformation”. Cancer cell, 6(2), 171-183, (2004).
• [3] Seo, I.H., & Lee, Y.J.,“Usefulness of Complete Blood Count (CBC) to Assess Cardiovascular and Metabolic Diseases in Clinical Settings: A Comprehensive Literature Review”. Biomedicines, 10(11), 2697, (2022).
• [4] Van der Linden, D., Weglarz-Tomczak, E., & Tomczak, J.M., “Deep Learning and Transfer Learning for Automatic Cell Counting in Microscope Images of Human Cancer Cell Lines”. Applied Sciences, 11(11), 4912, (2021).
• [5] Sharma, N., Singh, N. K., & Bhadwal, M. S., “Relationship of somatic cell count and mastitis: An overview”. Asian-Australasian Journal of Animal Sciences, 24(3), 429-438, (2011).
• [6] İçöz, K., “Küresel Lens Temelli Mobil Mikroskop”. Politeknik Dergisi, 19(4), 603-610, (2016).
• [7] Cadena-Herrera, D., Esparza-De Lara, J. E., Ramírez-Ibañez, N. D., López-Morales, C. A., Pérez, N. O., Flores-Ortiz, L. F., & Medina-Rivero, E., “Validation of three viable-cell counting methods: Manual, semi-automated, and automated”. Biotechnology Reports, 7, 9-16, (2015).
• [8] MENTEŞE, E., & HANÇER, E. “Histopatoloji Görüntülerde Derin Öğrenme Yöntemleri ile Çekirdek Segmentasyonu”. Avrupa Bilim ve Teknoloji Dergisi, 95-102,(2020).
• [9] Lavitt, F., Rijlaarsdam, D. J., van der Linden, D., Weglarz-Tomczak, E., & Tomczak, J. M., “Deep Learning and Transfer Learning for Automatic Cell Counting in Microscope Images of Human Cancer Cell Lines”. Applied Sciences, 11(11), 4912, (2021).
• [10] Pham, B., Gaonkar, B., Whitehead, W., Moran, S., Dai, Q., Macyszyn, L., & Edgerton, V. R., “Cell counting and segmentation of immunohistochemical images in the spinal cord: Comparing deep learning and traditional approaches”. In 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 842-845). IEEE, (2018).
• [11] Khan, S., Khan, A., Khattak, F. S., & Naseem, A., “An accurate and cost effective approach to blood cell count”. International Journal of Computer Applications, 50(1), (2012).
• [12] Rana, A., Singh, T., Singh, H., Kumar, N., & Rana, P. S., “Systematically designing better instance counting models on cell images with Neural Arithmetic Logic Units”. arXiv preprint arXiv:2004.06674, (2020).
• [13] Vununu, C., Kwon, O. H., Kwon, K. R., Lee, S. H., & Kang, K. W., “A Deep Feature Learning Scheme for Counting the Cells in Microscopy Data”. In 2018 IEEE International Conference on Electronics and Communication Engineering (ICECE) (pp. 22-26), (2018).
• [14] Hernández, C. X., Sultan, M. M., & Pande, V. S., “Using deep learning for segmentation and counting within microscopy data”. arXiv preprint arXiv:1802.10548., (2018).
• [15] Vununu, C., Kang, K. W., Lee, S. H., & Kwon, K. R., “Pyramidal deep neural networks for the accurate segmentation and counting of cells in microscopy data”. Journal of Korea Multimedia Society, 22(3), 335-348, (2019).
• [16] https://bbbc.broadinstitute.org/BBBC005,”Synthetic cells”, (2020).
• [17] Ljosa, V., Sokolnicki, K. L., & Carpenter, A. E., “Annotated high-throughput microscopy image sets for validation”. Nature methods, 9(7), 637-637. (2012).
• [18] Van Dyk, D. A., & Meng, X. L., “The art of data augmentation”. Journal of Computational and Graphical Statistics, 10(1), 1-50, (2001).
• [19] Shorten, C., & Khoshgoftaar, T. M., “A survey on image data augmentation for deep learning”. Journal of big data, 6(1), 1-48., (2019).
• [20] Mikołajczyk, A., & Grochowski, M., “Data augmentation for improving deep learning in image classification problem”. In 2018 international interdisciplinary PhD workshop (IIPhDW) (pp. 117-122), (2018).
• [21] Korkmaz, Ş., & Alkan, M., “Derin öğrenme algoritmalarını kullanarak deepfake video tespiti”. Politeknik Dergisi, 26(2), 855-862, (2023).
• [22] Bayram, F., “Derin öğrenme tabanlı otomatik plaka tanıma”. Politeknik Dergisi, 23(4), 955-960, (2020).
• [23] Ronneberger, O., Fischer, P., & Brox, T., “U-net: Convolutional networks for biomedical image segmentation”. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18 (pp. 234-241). Springer International Publishing, (2015).
• [24] S. Zeynep & B. Necaattin, “Mikroskobik Hücre Görüntülerinde U-Net ve V-Net Mimarileri ile Hücre Tespiti ve Sayımı”. 2. Uluslararası Çankaya Bilimsel Çalışmalar Kongresi, 510 – 518, (2023).
• [25] Li, F., Tan, C., Dong, F., & Jia, J., “V-net deep imaging method for electrical resistance tomography”. IEEE Sensors Journal, 20(12), 6460-6469, (2020).
• [26] Caicedo, J. C., Goodman, A., Karhohs, K. W., Cimini, B. A., Ackerman, J., Haghighi, M., ... & Carpenter, A. E., “Nucleus segmentation across imaging experiments: the 2018 Data Science Bowl”. Nature methods, 16(12), 1247-1253, (2019).
• [27] https://www.kaggle.com/c/data-science-bowl-2018/, Kaggle 2018 Data Scien Bowl, (2018).