Classification Of T Cells Using YOLO Algorithm

Öz

In the medical field, cell imaging is usually performed after staining cells with various fluorescent dyes under a microscope in order to detect diseases, study cell behavior and the condition of cells. The examination and interpretation of the cells is carried out by experts in the field. The realization of this process by observation by people, on the other hand, creates the possibility of error, both in terms of time lost for processing and interpreting the results, and the fact that the interpretation of these operations requires a subjective approach, since it is based on human observation. In this study, using open source bio-images and different YOLO versions, the conditions of T-Cells were classified as diseased or healthy based on images under a fluorescence microscope. The presence of the ARPC1B protein in cells was investigated as a condition for the distinction of this classification. The model was developed by labeling the sample image cells taken from the fluorescence microscope and training them with the YOLO algorithm. Then, the results of two different models were examined and compared.

Anahtar Kelimeler

• YOLO Algorithm
• T-Cell
• Object Detection and Classification
• Deep Learning

YOLO Algoritması Kullanılarak T Hücrelerinin Sınıflandırılması

Öz

Tıp alanında hastalıkların tespiti, hücre davranışları ve hücrelerin durumunu incelemek için genellikle mikroskop altındaki hücreleri çeşitli floresan boyalar ile boyadıktan sonra hücre görüntüleme işlemi yapılmaktadır. Hücrelerin incelenip yorumlanması ise alanında uzman kişiler tarafından gerçekleştirilmektedir. Bu işlemin insanlar tarafından gözlem yoluyla gerçekleştirilmesi ise hem sonuçların işlenip yorumlanması için zaman açısından bir kayıp hem de bu işlemlerin yorumlanmasının bir insanın gözlemine dayandığından öznel bir yaklaşım gerektirmesi hata olasılığını meydana getirir. Bu çalışmada halka açık kaynak biyo-görüntüleri ile farklı YOLO versiyonları kullanılarak, THücrelerinin floresan mikroskopu altındaki görüntüleri üzerinden durumları, hastalıklı veya sağlıklı olarak sınıflandırılmıştır. Bu sınıflandırmanın ayrım koşulu olarak hücrelerdeki ARPC1B proteinin varlığı incelenmiştir. Floresan mikroskobundan alınan örnek görüntü hücreleri etiketlenip YOLO algoritması ile eğitilerek model geliştirilmiştir. Sonrasında iki farklı modelin sonuçları incelenip karşılaştırılmıştır.

Anahtar Kelimeler

• YOLO Algoritması
• T-Hücresi
• Nesne Tespiti ve Sınıflandırılması
• Derin Öğrenme

Kaynakça

1. Alberts B, Johnson A, Lewis J, Raff M, Roberts K, Walter P. (2002). Molecular Biology of the Cell. New York: Garland Science.
2. AlexeyAB. darknet. Github: https://github.com/AlexeyAB/darknet erişim tarihi 30.11.2022
3. Anderson, K. G., Stromnes, I. M., & Greenberg, P. D. (2017, Mart 13). Obstacles posed by the tumor microenvironment to T cell activity: a case for synergistic therapies. Cancer Cell, s. 311-325.
4. Baker, M. (2010, Ağustos). Cellular imaging: Taking a long, hard look. Nature, 466(7310), s. 1137–1140.
5. Borsa, M., Barnstorf, I., Baumann, N. S., Pallmer, K., Yermanos, A., Grabnitz, F., . . . Sandu, I. (2019, Nisan 12). Modulation of asymmetric cell division as a mechanism to boost CD8+ T cell memory. Sci Immunol, 12(4), s. 34.
6. Brigida I, Zoccolillo M, Cicalese MP, Pfajfer L, Barzaghi F, Scala S, et al. (2018). T-Cell defects in patients with ARPC1B germline mutations account for combined immunodeficiency. Blood.
7. Darknet: Open Source Neural Networks in C. https://pjreddie.com/darknet/ erişim tarihi 18.11.2022
8. German Y, Vulliard L, Kamnev A, Pfajyer L, Heumer J, Mautner AK, et al. (2021). Morphological profiling of human T and NK lymphocytes by high-content cell imaging. Cell Rep.

9. Levenfus, I. (2011). An efficient method for counting DAPI-stained cells using Fiji. Munich.
10. Lodish, H., Berk, A., Zipursky, S., Matsudaira, P., Baltimore, D., & Darnell, J. (2000). Molecular Cell Biology.
11. Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., & Valen, D. V. (2019, Mayıs 27). Deep learning for cellular image analysis. Nature Methods, 16, s. 1233-1246.
12. Monga, I., Kaur, K., & Dhanda, S. K. (2022, Mayıs). Revisiting hematopoiesis: applications of the bulk and single-cell transcriptomics dissecting transcriptional heterogeneity in hematopoietic stem cells. Briefings in Functional Genomics, 21(3), s. 159-176.
13. Morphological profiling of human T and NK lymphocytes by high-content cell imaging. IDR: https://idr.openmicroscopy.org/webclient/?show=screen -3205 erişim tarihi 14.12.2022
14. Randzavola LO, Strege K, Juzans M, Asano Y, Stinchcombe JC, Gawden-Bone CM, et al. (2019). Loss of ARPC1B impairs cytotoxic T lymphocyte maintenance and cytolytic activity. J Clin Invest, 5600- 5614.
15. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. doi:10.1561/2000000039
16. Roboflow: https://blog.roboflow.com/yolov5- improvements-and-evaluation/ erişim tarihi 02.12.2022
17. Roboflow: https://roboflow.com/ erişim tarihi 23.12.2022
18. Solawetz, J. (tarih yok). What is YOLOv5? A Guide for Beginners
19. Ultralytics https://github.com/ultralytics/yolov5 erişim tarihi 05.12.2022
20. Vijayan, K., Karthigeyan, K. P., Tripathi, S. P., & Hanna, L. E. (2017, Mayıs 23). Pathophysiology of CD4+ T-Cell Depletion in HIV-1 and HIV-2 Infections. Front Immunol, 8(580)