• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Presentazione Valutazione di descrittori per il rilevamento automatico di nuclei cellulari in immagini di microscopia a fluorescenza
 

Presentazione Valutazione di descrittori per il rilevamento automatico di nuclei cellulari in immagini di microscopia a fluorescenza

on

  • 542 views

Presentazione

Presentazione

Statistics

Views

Total Views
542
Views on SlideShare
542
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Presentazione Valutazione di descrittori per il rilevamento automatico di nuclei cellulari in immagini di microscopia a fluorescenza Presentazione Valutazione di descrittori per il rilevamento automatico di nuclei cellulari in immagini di microscopia a fluorescenza Presentation Transcript

    • UNIVERSITA’ DEGLI STUDI DI TRIESTE FACOLTA’ DI INGEGNERIA CORSO DI LAURE SPECIALISTICA IN INGEGNERIA INFORMATICA Tesi di laurea “VALUTAZIONE DI DESCRITTORI PER IL RILEVAMENTE AUTOMATICO DI NUCLEI CELLULARI IN IMMAGINI DI MICROSCOPIA A FLUORESCENZA”Laureando RelatorePaolo Fabris Felice Andrea Pellegrino Correlatore Walter Vanzella
    • Indice• Introduzione• Algoritmo• Benchmark• Conclusioni
    • Indice• Introduzione
    • Introduzione: obbiettivi del progettoObbiettivi:• Automatizzare la ricerca di nuclei cellulari in immagini di microscopia a flurescenzaVantaggi:• Riduzione del tempo richiesto per portare a termine le indagini• Oggettività dei criteri (ripetibilità dei risultati)
    • Introduzione: Microscopia a flurescenza
    • Introduzione: Microscopia a flurescenza
    • Introduzione: problemi da affrontare
    • Introduzione: problemi da affrontareClassificazione:• Oggetti molto diversi fra loro (per nuclei cellulari e non)• Elevata soggettività nella classificazione manuale (10.2273% di scostamento tra le classificazioni manuali)
    • Indice• Algoritmo
    • Algoritmo: strategia di fondoPassi di elaborazione:• Rimozione della luminosità non uniforme• Estrazione delle ROI• Calcolo delle feature• Algoritmo d’apprendimentoImplementazione:• Ambiente MATLAB• mex libsvm (elaborazione parallela su CPU)• mex CUDA C (elaborazione parallela su GPU)
    • Algoritmo: luminosità non uniforme
    • Algoritmo: distribuzione della luminosità
    • Algoritmo: luminosità uniforme
    • Algoritmo: estrazione dei punti d’interesseStrategia:• Filtraggio DOG• Sogliatura globale sull’immagine filtrata• Individuazione dei massimi localiVantaggi rispetto al filtro LOG:• Semplicità d’implementazione• Velocità di computazione• Buona approssimazione del filtro LOG per
    • Algoritmo: estrazione dei punti d’interessecon sogliatura globale
    • Algoritmo: estrazione delle ROIStrategia:• Segmentazione (con procedura watershed) che associa a ogni punto d’interesse un blob• Genera ROI quadrata centrata nel punto d’interesse• Trasla il contenuto in modo che il centro di massa (del blob associato) coincide con il centro della ROI• Rimuove oggetti indesiderati con la funzione sigmoidale
    • Algoritmo: featureProrpietà da garantire per le feature:• Invarianza alla traslazione (centro di massa)• Invarianza alla rotazione• Varianza per scalaVantaggi:• Definizione accurata del modella della macchina d’apprendimento dopo la fase di addestramento e minimizzazione dell’errore per separare opportunamente le osservazioni
    • Algoritmo: feature, invarianza per rotazioneStrategia:• Filtraggio gaussiano• Calcolo del vettore gradiente nel centro della ROI• Individuazione dell’orientazione dell’oggetto (in base all’orientazione del vettore gradiente)• Rotazione del contenuto della ROI per portare l’oggetto a orientazione zeroVantaggi:• Semplice da implementare• Veloce da computare• Molto efficace per individuare l’orientazione dell’oggetto da analizzare nella ROI
    • Algoritmo: featureTipi di feature:• ShapeIntensity• Zernike• AFMT (approssimazioni discrete con FAFMT e DAFMT)• DCT
    • Algoritmo: macchina d’apprendimento SVMVantaggi:• Costo computazionale ridotto e nessun problema di convergenza• Compatta l’informazione nei vettori di supporto• Gestisce dati con molte caratteristiche descrittive• Complessità del classificatore binario legata ai vettori di supporto (no allo spazio delle feature) e ridotto overfittingSVM:• Mappa le osservazioni in uno spazio multidimensionale• Individua l’iperpiano di separazione che massimizza il margine (ridotto overfitting)
    • Algoritmo: macchina d’apprendimento SVM,valutazione delle prestazioni con curve ROCVantaggi:• Indipendenza delle curve alla variazione delle proporzioni tra le distribuzioni delle due classi (osservazioni positive e negative) se le prestazioni effettive della macchina non cambianoMatrice di confusione Golden test Test Classe 1 (ROI positiva) Classe 2 (ROI negativa) Y TP FP N FN TN
    • ;; Algoritmo: macchina d’apprendimento SVM,; valutazione delle prestazioni con curve ROC. Metriche comuni:
    • ;; Algoritmo: macchina d’apprendimento SVM,; valutazione delle prestazioni con curve ROC. ROC curve of ( AUC = 0.95862 ) 1 0.9 0.8 0.7 0.6 True Positive Rate 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 False Positive Rate
    • ;; Algoritmo: macchina d’apprendimento SVM,; valutazione delle prestazioni con curve ROC. AUC, capacità discriminante in un test (Swets): • AUC = 0.5 test non informativo • 0.5 < AUC <= 0.7 test poco accurato • 0.7 < AUC <= 0.9 test moderatamente accurato • 0.9 < AUC < 1.0 test altamente accurato • AUC = 1.0 test perfetto
    • Indice• Benchmark
    • Benchmark: considerazione• Si ha a disposizione un insieme di 132 immagini su cui calibrare il filtro DOG e addestrare la macchina d’apprendimento (4704 nuclei cellulari classificati manualmente)• Differenza nel caso di classificazione manuale tra gli esperti del 10.2273%• Nella calibrazione del filtro DOG si ha che con i parametri migliori non si rivelano 2.5751% landmark• Nei grafici seguenti si comparano le macchina d’apprendimento addestrate sul training set con i migliori parametri rilevati dall’algoritmo (AUC massima)
    • Benchmark: kernel polinomiale Kernel polinomiale Kernel RBF DCT 0.9375 DCT 0.9475 DAFMT 0.9295 DAFMT 0.9564 FAFMT 0.9325 FAFMT 0.9586 Zernike 0.9165 AUC Zernike 0.9404 AUCShapeIntensity 0.9467 ShapeIntensity 0.9496 0.9 0.91 0.92 0.93 0.94 0.95 0.93 0.935 0.94 0.945 0.95 0.955 0.96 AUC AUC Kernel sigmoidale DCT 0.9136 DAFMT 0.9385 FAFMT 0.9245 Zernike 0.9109 AUCShapeIntensity 0.9416 0.89 0.9 0.91 0.92 0.93 0.94 0.95 AUC
    • Benchmark: migliori feature e kernel Migliori feature e kernel Sigmoidale ShapeIntensity 0.9416 RBF FAFMT 0.9586 AUC Polinomial ShapeIntensity 0.9467 e 0.93 0.935 0.94 0.945 0.95 0.955 0.96 AUC
    • Benchmark: valutazione del conteggio Valutazione del conteggio -5.1351 Pillar100 (2220) -7.5026 t9_12 DAPI 400nm (973) ctrl2 30 aprile 2010 (736) 3.5326 ctrl 30 aprile 2010 (715) 6.2937 Data2 (1160) 2.931 t9_12 DAPI ctrl (738) 0.6775 Errore nel conteggio dots 200nm 1 (538) 3.9033 Dot100 (1450) 1.3793 -7.0646 dot 400 4 (821) Data1 (3544) 3.4142-10 -8 -6 -4 -2 0 2 4 6 8 %
    • Benchmark: velocità di elaborazione Incremento prestazionale su GPUAutomaticDOGImproved 1.67 AutomaticDOG 2.06 GetSeeds 1.84 BenchmarkUserSeeds 1.85 Incremento prestazionale su GPU GetCircularSeed 3.13 ExtractDOGError 12.21 ExtractCircularBlob 2.26 0 2 4 6 8 10 12 14 Incremento
    • Conclusioni• Conclusioni
    • Conclusioni: osservazioni• Con feature FAFMT e kernel RBF si hanno le prestazioni migliori nel rilevamento di nuclei cellulari• ShapeIntensity migliore per kernel polinomiale e sigmoidale; quasi migliore per RBF a dimostrazione del fatto che i descrittori impiegati mettono in risalto gli aspetti salienti degli oggetti• Nel caso peggiore si ha un errore nel conteggio di - 7.5026 (causa immagini troppo rumorose)• L’errore medio nel conteggio è di 4.1834% (buon comportamento dell’algoritmo nonostante il termine soggettivo non trascurabile in classificazione manuale)
    • Conclusioni: sviluppi futuri• Testare nuove feature, in particolare aggiungere nuovi descrittori alla ShapeIntensity• Impiegare una tecnica più efficace della funzione sigmoidale per rimuove gli oggetti indesiderati in una ROI• Libreria MKLAB che implementa libsvm per kernel RBF in CUDA C• Riscrivere eventualmente le mex CUDA C in OpenCL per rendere l’applicazione indipendente dal produttore della GPU (NVIDIA)
    • Grazie per l’attenzione