Automatic quantification of microglial cells from brain images

Detalhes bibliográficos
Autor(a) principal: Lopes, Diogo Alexandre Rodrigues
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/84357
Resumo: Dissertação de mestrado em Informatics Engineering
id RCAP_953f2037003e8b1f2a59038a4aebaffe
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/84357
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Automatic quantification of microglial cells from brain imagesQuantificação automática de células microgliais a partir de neuroimagensAutomatic quantification of cellsCentral nervous systemDeep learningImage processingImage segmentationMicroglial cellsCélulas microgliaisProcessamento de imagemQuantificação automática de célulasSegmentação de imagemSistema nervoso centralEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado em Informatics EngineeringMicroglia are a type of glial cell residing in the central nervous system and represent about 10 to 15% of the brain cell population. These cells don’t produce electrical impulses and are responsible for fundamental physiological and pathological processes, as they represent the first line of immune defence within the central nervous system. Thus, the quantification of these cells is essential in a clinical context, as it allows better monitoring and planning of treatments for different pathologies. Conventional cell counting involves a specific set of tools and devices developed for this purpose. This process is time-consuming and imprecise due to being heavily dependent on the operator. Currently, most processes are performed manually. However, other approaches have been studied and developed to improve the counting process, making it less time-consuming, more efficient and reduce the error associated with factors external to the counting. That said, the objective of this dissertation is to study the best approach to automate the quantification of microglial cells, ranging from classical to deep learning methodologies. Combined with the appropriate image processing and analysis techniques, the classical approach proves to be an adequate solution. However, in recent years, approaches based on deep learning have shown promising performance in various image analysis tasks, such as classification, detection and segmentation. The approaches developed to automate the quantification process were tested on a set of images built in partnership with researchers from the School of Medicine of the University of Minho. As for the classical methodology approach, a protocol was developed within ImageJ, which was combined with image processing techniques that allowed the automation of the counting process. Based on Convolutional Neural Networks, the classification problem referring to a deep learning methodology obtained an accuracy of 0.9021 and managed to classify the 661 images in 5 minutes and 44 seconds. The two approaches, considered optimal within each methodology, are competitive with the state-of-the-art methods, as they allowed for the automation of the quantification process, and showed a significant improvement in reproducibility, efficiency and reduced error associated with human factors.A microglia é um tipo de célula glial residente no sistema nervoso central e representa cerca de 10 a 15% da população de células cerebrais. Estas células não produzem impulsos elétricos, são responsáveis por processos fisiológicos e patológicos fundamentais, e representam a primeira linha de defesa dentro do sistema nervoso central. Assim, a quantificação destas células é fundamental num contexto clínico, pois permite uma melhor monitorização e planeamento de tratamentos para diversas patologias. A contagem convencional de células envolve um conjunto específico de ferramentas e dispositivos desenvolvidos para esse fim. Este processo é demorado e impreciso devido a estar bastante dependente do operador. Atualmente, a maioria dos processos são feitos manualmente. No entanto, outras abordagens têm sido estudadas, com o intuito de melhorar o processo de contagem, para tornar o mesmo menos demorado, mais eficiente e reduzir o erro associado a fatores externos à contagem. Posto isto, o objetivo desta dissertação é o de estudar a melhor abordagem para automatizar a quantificação de células microgliais indo desde os métodos clássicos aos de deep learning. Combinado com as devidas técnicas de processamento e análise de imagem, a abordagem clássica mostra-se uma solução adequada. Contudo, nos últimos anos, abordagens baseadas em deep learning evidenciaram um desempenho promissor em várias tarefas de análise de imagens, como classificação, deteção e segmentação. As abordagens desenvolvidas para automatizar o processo de quantificação foram testadas num conjunto de imagens construído em parceria com elementos da Escola de Medicina da Universidade do Minho. Quanto à abordagem da metodologia clássica, foi desenvolvido um protocolo dentro do ImageJ, que aliado com técnicas de processamento de imagem permitiu automatizar o processo de contagem. Com base em redes neuronais convolucionais, o problema de classificação referente a uma metodologia de deep learning obteve uma accuracy de 0.9021 e conseguiu classificar as 661 imagens em 5 minutos e 44 segundos. As duas abordagens, consideradas ótimas dentro de cada metodologia, são competitivas com os métodos do estado da arte, pois permitiram automatizar o processo, mostraram uma significativa melhoria na reprodutibilidade e eficiência.Novais, PauloFernandes, B.Universidade do MinhoLopes, Diogo Alexandre Rodrigues20222022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/84357eng203261313info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T11:58:26Zoai:repositorium.sdum.uminho.pt:1822/84357Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:48:08.898654Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Automatic quantification of microglial cells from brain images
Quantificação automática de células microgliais a partir de neuroimagens
title Automatic quantification of microglial cells from brain images
spellingShingle Automatic quantification of microglial cells from brain images
Lopes, Diogo Alexandre Rodrigues
Automatic quantification of cells
Central nervous system
Deep learning
Image processing
Image segmentation
Microglial cells
Células microgliais
Processamento de imagem
Quantificação automática de células
Segmentação de imagem
Sistema nervoso central
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Automatic quantification of microglial cells from brain images
title_full Automatic quantification of microglial cells from brain images
title_fullStr Automatic quantification of microglial cells from brain images
title_full_unstemmed Automatic quantification of microglial cells from brain images
title_sort Automatic quantification of microglial cells from brain images
author Lopes, Diogo Alexandre Rodrigues
author_facet Lopes, Diogo Alexandre Rodrigues
author_role author
dc.contributor.none.fl_str_mv Novais, Paulo
Fernandes, B.
Universidade do Minho
dc.contributor.author.fl_str_mv Lopes, Diogo Alexandre Rodrigues
dc.subject.por.fl_str_mv Automatic quantification of cells
Central nervous system
Deep learning
Image processing
Image segmentation
Microglial cells
Células microgliais
Processamento de imagem
Quantificação automática de células
Segmentação de imagem
Sistema nervoso central
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Automatic quantification of cells
Central nervous system
Deep learning
Image processing
Image segmentation
Microglial cells
Células microgliais
Processamento de imagem
Quantificação automática de células
Segmentação de imagem
Sistema nervoso central
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado em Informatics Engineering
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/84357
url https://hdl.handle.net/1822/84357
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203261313
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132241955127296

Registros relacionados