Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện chính xác cao đối với tế bào T và tế bào B bằng cách sử dụng mạng nơ-ron tích chập sâu
Tóm tắt
Việc cung cấp một con số chính xác về tổng số bạch cầu và các phân nhóm cụ thể (như tế bào T và tế bào B) từ một lượng máu toàn phần nhỏ là một thách thức khá lớn do thiếu các kỹ thuật cho phép tách biệt bạch cầu khỏi một lượng máu toàn phần hạn chế. Trong một nghiên cứu trước đó, chúng tôi đã thiết kế một vi mạch sử dụng mảng cột vi để phân lập tế bào T và tế bào B từ dưới 1 microlit máu toàn phần. Do sự biến thể của tế bào về kích thước, hình thái và cường độ màu sắc, một bộ phân loại Support Vector Machine (SVM) dựa trên Histogram của Gradient Hướng (HOG) đã được đề xuất với độ chính xác trung bình là 94%, độ đặc hiệu là 99% và độ nhạy là 90%. HOG có thể tách biệt các tế bào khỏi nền với tỷ lệ chính xác cao, tuy nhiên, một số tiếng ồn có hình dạng và kích thước tương tự như các tế bào thực tế và điều này dẫn đến phân loại sai. Để giảm thiểu tình trạng này, trong nghiên cứu này, một mạng nơ-ron tích chập được đào tạo và sử dụng để phân biệt tế bào T và tế bào B với tỷ lệ chính xác là 98%, độ đặc hiệu là 99% và độ nhạy là 97%. Chúng tôi cũng đề xuất một bộ phân loại SVM dựa trên đặc trưng HOG để tuyển chọn trước các cửa sổ phát hiện nhằm tăng tốc độ phát hiện với thời gian xử lý hình ảnh dưới 10 phút. Phương pháp phát hiện và đếm tế bào trên chip được đề xuất sẽ hữu ích cho nhiều ứng dụng trong chẩn đoán và theo dõi bệnh tật.
Từ khóa
#tế bào T #tế bào B #mạng nơ-ron tích chập sâu #bạch cầu #phát hiện tế bàoTài liệu tham khảo
Hulspas R, Bauman JG (1992) The use of fluorescent in situ hybridization for the analysis of nuclear architecture by confocal microscopy. Cell Biol Int Rep 16(8):739–747
Basiji DA, Ortyn WE, Liang L, Venkatachalam V, Morrissey P (2007) Cellular image analysis and imaging by flow cytometry. Clin Lab Med 27(3):653–670
Orchard JA, Ibbotson RE, Davis Z, Wiestner A, Rosenwald A, Thomas PW, Hamblin TJ, Staudt LM, Oscier DG (2004) ZAP-70 expression and prognosis in chronic lymphocytic leukaemia. The Lancet. 363(9403):105–111
Brasko C, Smith K, Molnar C, Farago N, Hegedus L, Balind A, Balassa T, Szkalisity A, Sukosd F, Kocsis K, Balint B (2018) Intelligent image-based in situ single-cell isolation. Nat Commun 9(1):226
Anselmetti D (ed) (2009) Single cell analysis: technologies and applications. John Wiley & Sons, Hoboken
Caicedo JC, Cooper S, Heigwer F, Warchal S, Qiu P, Molnar C, Vasilevich AS, Barry JD, Bansal HS, Kraus O, Wawer M (2017) Data-analysis strategies for image-based cell profiling. Nat Methods 14(9):849
Noor AM, Masuda T, Lei W, Horio K, Miyata Y, Namatame M, Hayase Y, Saito TI, Arai F (2018) A microfluidic chip for capturing, imaging and counting CD3+ T-lymphocytes and CD19+ B-lymphocytes from whole blood. Sens Actuat B Chem 276:107–113
Turan B, Masuda T, Lei W, Noor AM, Horio K, Saito TI, Miyata Y, Arai F (2018) A Pillar-based microfluidic chip for T-cells and B-cells isolation and detection with machine learning algorithm. Robomech J 5:27. https://doi.org/10.1186/s40648-018-0124-8
Dalal N, Triggs B (2005) Histograms of oriented gradients for human detection. In: Proceedings of computer vision and pattern recognition, p 886–893
Nitta N, Sugimura T, Isozaki A, Mikami H, Hiraki K, Sakuma S, Iino T, Arai F, Endo T, Fujiwaki Y, Fukuzawa H (2018) Intelligent image-activated cell sorting. Cell 175(1):266–276
Ota S, Horisaki R, Kawamura Y, Ugawa M, Sato I, Hashimoto K, Kamesawa R, Setoyama K, Yamaguchi S, Fujiu K, Waki K (2018) Ghost cytometry. Science 360(6394):1246–1251
Bojarski M, Del Testa D, Dworakowski D, Firner B, Flepp B, Goyal P, Jackel LD, Monfort M, Muller U, Zhang J, Zhang X. End to end learning for self-driving cars. arXiv preprint. arXiv:1604.07316. Accessed 25 Apr 2016
Parkhi OM, Vedaldi A, Zisserman A (2015) Deep face recognition. In: International conference on the British machine vision conference (BMVC), 7 Sept 2015, vol 1, p 6
Cruz-Roa AA, Ovalle JE, Madabhushi A, Osorio FA (2013) A deep learning architecture for image representation, visual interpretability and automated basal-cell carcinoma cancer detection. In: International conference on medical image computing and computer-assisted intervention. Springer, Berlin, p 403–410
Chen CL, Mahjoubfar A, Tai LC, Blaby IK, Huang A, Niazi KR, Jalali B (2016) Deep learning in label-free cell classification. Sci Rep 15(6):21471
Saltz J, Gupta R, Hou L, Kurc T, Singh P, Nguyen V, Samaras D, Shroyer KR, Zhao T, Batiste R, Van Arnam J (2018) Spatial organization and molecular correlation of tumor-infiltrating lymphocytes using deep learning on pathology images. Cell Rep 23(1):181
Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. Imagenet: A large-scale hierarchical image database. InComputer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on 2009 Jun 20 (pp. 248-255). Ieee
Pan SJ, Yang Q (2010) A survey on transfer learning. IEEE Trans Knowl Data Eng 22(10):1345–1359
Krizhevsky A, Sutskever I, Hinton GE (2012) Imagenet classification with deep convolutional neural networks. In: International conference on advances in neural information processing systems (NIPS), Lake Tahoe, Nevada, 3 Dec 2012, pp 1097–1105
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint. arXiv:1409.1556. Accessed 4 Sep 2014
Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A (2015) Going deeper with convolutions. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p 1–9
Kamentsky L, Jones TR, Fraser A, Bray MA, Logan DJ, Madden KL, Ljosa V, Rueden C, Eliceiri KW, Carpenter AE (2011) Improved structure, function and compatibility for Cell Profiler: modular high-throughput image analysis software. Bioinformatics 27(8):1179–1180
Wiesmann V, Franz D, Held C, Münzenmayer C, Palmisano R, Wittenberg T (2015) Review of free software tools for image analysis of fluorescence cell micrographs. J Microsc 257(1):39–53
Xie W, Noble JA, Zisserman A (2018) Microscopy cell counting and detection with fully convolutional regression networks. Comput Methods Biomech Biomed Eng Imaging Visual 6(3):283–292