Segmentazione accurata di filopodi delle cellule
View/ Open
Author
Rorato, Riccardo <1999>
Date
2023-10-04Data available
2023-10-12Abstract
I filopodi sono sottili protrusioni simili a dita che si estendono dalla superficie delle cellule. Sono presenti in un'ampia gamma di tipi di cellule e la loro segmentazione e analisi può fornire
informazioni sul comportamento e sulla funzione delle cellule. In questo lavoro di tesi ci proponiamo di individuare e segmentare
queste strutture con diverse tecniche di computer vision a partire da immagini di microscopia,
e offrire una serie di strumenti per aiutare i biologi a raccogliere informazioni sulle cellule esaminate.
L'obiettivo generale di questa ricerca è stato quello di intraprendere un analisi globale
degli strumenti attualmente disponibili progettati per questo compito specifico e, in questo modo, ideare metodologie più
più efficaci. Per raggiungere questo obiettivo, abbiamo creato due approcci distinti:
uno basato su tecniche tradizionali di image processing e l'altro che utilizza soluzioni all'avanguardia di deep learning. Queste nuove metodologie hanno dimostrato la loro efficacia
superando le prestazioni di tutti i metodi preesistenti, di un margine significativo.
Per garantire la solidità e l'affidabilità dei nostri nuovi modelli, è stato eseguito un rigoroso processo di valutazione. Abbiamo impiegato ampiamente la cross-validation per convalidare le loro prestazioni. Inoltre, è stato condotto un ablation study, decostruendo sistematicamente
componenti del nostro modello per chiarire i loro singoli contributi. Abbiamo ideato e testato una loss function personalizzata adatta alle problematiche uniche del compito di segmentazione dei filopodi.
Nel tentativo di rendere le nostre metodologie più accessibili alla comunità scientifica, in particolare ai biologi che possono trarre grandi benefici da questi progressi, non ci siamo limitati a creare questi modelli. Li abbiamo anche integrati in un'interfaccia grafica utente (GUI) personalizzata e di facile utilizzo. Questa interfaccia innovativa è stata realizzata con cura per
semplificare il funzionamento e l Filopodia are thin, finger-like protrusions that extend from the surface of cells. They are
found in a wide range of cell types, and their segmentation and analysis can provide valuable
insights into cellular behavior and function. In this thesis we aim to detect and segment
these structures with different computer vision techniques starting from microscopy images,
and offer a toolbox to help biologists gather insights about the examined cells.
The overarching objective of this research was to undertake a comprehensive examination
of the currently available tools designed for the specific task and, in doing so, cultivate
more effective methodologies. To achieve this goal, we crafted two distinct approaches:
one grounded in traditional image processing techniques, and the other embracing cuttingedge deep learning solutions. These novel methodologies showcased their effectiveness by
surpassing performance of all pre-existing methods by a significant margin.
To ensure the robustness and reliability of our novel models, a rigorous evaluation process
was meticulously carried out. We employed extensive cross-validation, validating their performance. Furthermore, an ablation study was conducted, systematically deconstructing
the components of our model to elucidate their individual contributions. A custom loss
function, tailored to the unique nuances of the filopodia segmentation task, was devised
and tested.
In an effort to make our methodologies more accessible to the scientific community, particularly to biologists who stand to benefit greatly from these advancements, we didn’t stop at
just creating these models. We also designed and integrated them into a user-friendly, custom Graphical User Interface (GUI). This innovative interface was thoughtfully crafted to
simplify the operation and interaction with our models, allowing biologists and researchers
to harness their capabilities with ease and efficiency.
Type
info:eu-repo/semantics/masterThesisCollections
- Laurea Magistrale [4822]