Класифікація стадії структурно-функціонального розвитку кардіоміоцитів за допомогою методів машинного навчання
DOI:
https://doi.org/10.20535/RADAP.2024.98.55-65Ключові слова:
кардіоміоцит, стовбурові клітини, обробка зображень, машинне навчання, проблема машинного навчання, класифікація, точність класифікації, нейронна мережа, згорткова нейронна мережаАнотація
Дослідження присвячено проблемі класифікації стадії структурно-функціонального дозрівання кардіоміоцитів, отриманих з індукованих плюрипотентних стовбурових клітин, із застосуванням методів цифрової обробки зображень та алгоритмів машинного навчання, зокрема нейронних мереж. Клітинна регенеративна терапія стала одним із найбільш перспективних варіантів лікування пацієнтів із серцевою недостатністю. Але оскільки кардіоміоцити є об’єктами високого рівня складності та мають значну морфологічну мінливість, автоматична класифікація ускладнюється відсутністю реалізованих методів. Тому дослідження в цій галузі є важливим пріоритетом в галузі охорони здоров'я. Початковий набір даних, використаний у цьому дослідженні, є загальнодоступним набором конфокальних мікроскопічних зображень кардіоміоцитів, які можна розділити на п’ять класів на основі морфологічних ознак (структури поперечних Т-канальців). Невеликий обсяг вхідних даних призводить до необхідності використання методів аугментації. Використовувалися методи, що запобігають альтерації поперечного Т-канальця, що є важливим параметром для правильної класифікації стадії розвитку кардіоміоцитів. Для підвищення контрастності та динамічного діапазону конфокальних мікроскопічних зображень використовувався метод вирівнювання гістограми за допомогою методу адаптивного вирівнювання з обмеженим контрастом. Це дозволило покращити локальний контраст зображень і виділити основні структурні елементи кардіоміоцитів. Нарешті, метод Чан-Везе, який належить до методів регіональної сегментації, був обраний для сегментації зображень та видалення артефактів та/або частин інших клітин із зображень. Оброблений і аугментований набір даних використовувався для навчання згорткової нейронної мережі, що має архітектуру з ієрархічною структурою та використанням залишкових блоків. Модель було оцінено на основі матриці помилок, також було проаналізовано теплові карти різних згорткових шарів. Були розглянуті зображення з класів з великою кількістю взаємних помилок. На основі проведеного аналізу декілька класів структурно-функціонального розвитку кардіоміоцитів були об’єднані. Остаточна точність моделі для визначення стадії дозрівання кардіоміоцитів досягла 77%.
Посилання
References
Lainscak, M., Spoletini, I., & Coats, A. J. (2017). Definition and Classification of Heart Failure. International Cardiovascular Forum Journal, Vol. 10, pp. 3-7, DOI: 10.17987/icfj.v10i0.419.
The top 10 causes of death. World Health Organization, date of access: 7 August 2024.
Savarese G., Becher P. M., Lund L. H., Seferovic P., Rosano G. M. C., Coats A. J. S. (2022). Global burden of heart failure: a comprehensive and updated review of epidemiology. Cardiovascular Research, Vol. 118, Iss. 17, pp. 3272–3287, doi:10.1093/cvr/cvac013.
Donald M. Bers (2001). Excitation-Contraction Coupling and Cardiac Contractile Force (2nd ed.). Kluwer Academic Publishers, 427 p., doi:10.1007/978-94-010-0658-3.
Reinecke H., Minami E., Zhu W. Z., Laflamme M. A. (2008). Cardiogenic Differentiation and Transdifferentiation of Progenitor Cells. Circulation Research, Vol. 103, Num. 10, pp. 1058–1071, doi:10.1161/CIRCRESAHA.108.180588.
Zhu W. Z., Hauch K. D., Xu C., Laflamme M. A. (2009). Human embryonic stem cells and cardiac repair. Transplant Rev (Orlando), Vol. 23, Iss. 1, pp. 53-68, doi: 10.1016/j.trre.2008.05.005.
Kupatt C., Horstkotte J., Vlastos G. A., Pfosser A., Lebherz C., Semisch M., et al. (2005). Embryonic endothelial progenitor cells expressing a broad range of pro-angiogenic and remodeling factors enhance vascularization and tissue recovery in acute and chronic ischemia. The FASEB Journal, Vol. 19, Iss. 11, doi:10.1096/fj.04-3282fje.
Caspi O., Huber I., Kehat I., Habib M., Arbel G., Gepstein A., et al. (2007). Transplantation of Human Embryonic Stem Cell-Derived Cardiomyocytes Improves Myocardial Performance in Infarcted Rat Hearts. Journal of the American College of Cardiology, Vol. 50, Iss. 19, pp. 1884-1893, doi:10.1016/j.jacc.2007.07.054.
Shimizu T., Yamato M., Kikuchi A., Okano T. (2003). Cell sheet engineering for myocardial tissue reconstruction. Biomaterials, Vol. 24, Iss. 13, pp. 2309-2316, doi:10.1016/S0142-9612(03)00110-8.
Pointon A., Harmer A. R., Dale I. L., Abi-Gerges N., Bowes J., Pollard C., Garside H. (2015). Assessment of Cardiomyocyte Contraction in Human-Induced Pluripotent Stem Cell-Derived Cardiomyocytes. Toxicological Sciences, Vol. 144, Iss. 2, pp. 227–237, doi:10.1093/toxsci/kfu312.
Zhu, W.-Z., Van Biber, B., and Laflamme, M. A. (2011). Methods for the Derivation and Use of Cardiomyocytes from Human Pluripotent Stem Cells. In: Schwartz, P., Wesselschmidt, R. (eds) Human Pluripotent Stem Cells. Methods in Molecular Biology, Vol. 767, pp. 419–431, doi:10.1007/978-1-61779-201-4_31.
Zahradnikova jr. A., Skrabanek P. (2019). Сonfocal microscopy images of cardiomyocyte development stages. IEEE DataPort, date of access: sept. 2023.
Shigang Liu, Yali Peng. (2012). A local region-based Chan–Vese model for image segmentation. Pattern Recognition, Vol. 45, Iss. 7, pp. 2769-2779, doi:10.1016/j.patcog.2011.11.019.
Getreuer P. (2012). Chan-Vese Segmentation. Image Processing On Line, Vol. 2, pp. 214–224, doi:10.5201/ipol.2012.g-cv.
Pizer S. M., Johnston R. E., Ericksen J. P., Yankaskas B. C. and Muller K. E. (1990). Contrast-limited adaptive histogram equalization: speed and effectiveness. Proceedings of the First Conference on Visualization in Biomedical Computing, pp. 337-345, doi:10.1109/VBC.1990.109340.
Vij K., Singh Y. (2009). Enhancement of Images Using Histogram Processing Techniques. Int. J. Comp. Tech. Appl., Vol. 2, iss. 2, pp. 309-313.
Shorten, C., Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, Vol. 6, Article number: 60, doi:10.1186/s40537-019-0197-0.
Gaster B. R., Howes L., Kaeli D. R., Mistry P., Schaa D. (2013). Heterogeneous Computing with OpenCL. Morgan Kaufmann Publishers Inc., 291 p.
Grossi E., Buscema M. (2007). Introduction to artificial neural networks. European Journal of Gastroenterology & Hepatology, Vol. 19, Iss. 12, pp. 1046-1054, DOI: 10.1097/MEG.0b013e3282f198a0.
Purwono, P., Ma'arif, A., Rahmaniar, W., Fathurrahman, H., Frisky, A., & Haq, Q. (2022). Understanding of Convolutional Neural Network (CNN): A Review. International Journal of Robotics and Control Systems, Vol. 2, No. 4, pp. 739-748. doi:10.31763/ijrcs.v2i4.888.
Alpaydin, E. (2010). Introduction to Machine Learning, Second Edition. The MIT Press, 579 p., ISBN 978-0-262-01243-0.
Ziaee A. and ÇAno E. (2022). Batch Layer Normalization A new normalization layer for CNNs and RNNs. ICAAI'22: Proceedings of the 2022 6th International Conference on Advances in Artificial Intelligence, pp. 40-49, doi:org/10.1145/3571560.3571566.
Ebrahimi, M. S., & Abadi, H. K. (2018). Study of Residual Networks for Image Recognition. ArXiv, doi:10.48550/arXiv.1805.00325.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Viacheslav Bondarev, Катерина Іванько, Наталія Іванушкіна
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
