Application of deep learning based methodology for the optimisation of monolayer classification and white blood cell localisation in avian blood samples
(2024) BMEM01 20241Department of Biomedical Engineering
- Abstract
- Current automated haematology systems lack the functionality of avian blood analysis using 10x magnification, which is an important feature as it allows for faster and more cost-effective blood analysis. The problem originates from the difference in red blood cell morphology in avian blood compared to mammalian blood, as the former are nucleated. The project was divided in two objectives, finding monolayers and localising white blood cells within them. For the first task, a convolutional neural network was optimised with particular focus on monolayer precision and the model’s ability to distinguish between classes. This was trained with a multiclass dataset using semi-supervised learning. The proposed model, including loss concentrating on... (More)
- Current automated haematology systems lack the functionality of avian blood analysis using 10x magnification, which is an important feature as it allows for faster and more cost-effective blood analysis. The problem originates from the difference in red blood cell morphology in avian blood compared to mammalian blood, as the former are nucleated. The project was divided in two objectives, finding monolayers and localising white blood cells within them. For the first task, a convolutional neural network was optimised with particular focus on monolayer precision and the model’s ability to distinguish between classes. This was trained with a multiclass dataset using semi-supervised learning. The proposed model, including loss concentrating on challenging instances, reported an overall accuracy of 95.1% as well as recall and precision values over 87%. Monolayers could be found with 79.9% precision. Future improvements could be expertbased dataset annotations as well as k-fold cross-validation to validate the robustness of the model. The second task deployed an object detection optimisation with varying augmentation settings for white blood cells in 333 samples. The best performing model showed an average precision of 13.7% and a slightly higher value of 48.6% with an overlap threshold of 50%. This signified that the model had difficulties with precise localisations of the white blood cells, which might be explained by the cells having too small relative areas. Future improvements could hence include alternative base models with more suitable architecture for distinguishing small objects in dense images as well as techniques to recreate higher resolution, mimicking images collected with higher magnification. (Less)
- Popular Abstract (Swedish)
- Användning av maskininlärning i veterinärmedicinsk blodanalys
Blodanalys är ett viktigt diagnostiskt verktyg inom både human- och veterinärmedicin tack vare den omfattande fysiologiska informationen blod kan förtälja. Idag finns det automatiska, digitala analysmetoder tillgängliga som möjliggör mer effektiv analys samt minskad variation mellan olika observatörer. Blod analyseras oftast i en region som bildar ett monolager, det vill säga där cellerna inte överlappar varandra och innehåller få deformationer. Däremot ser allt blod inte likadant ut, utan det kan finnas morfologiska skillnader mellan olika raser. Detta är fallet för exempelvis fåglar och däggdjur. Däggdjurs röda blodkroppar saknar kärnor och har en mer rund form jämfört med... (More) - Användning av maskininlärning i veterinärmedicinsk blodanalys
Blodanalys är ett viktigt diagnostiskt verktyg inom både human- och veterinärmedicin tack vare den omfattande fysiologiska informationen blod kan förtälja. Idag finns det automatiska, digitala analysmetoder tillgängliga som möjliggör mer effektiv analys samt minskad variation mellan olika observatörer. Blod analyseras oftast i en region som bildar ett monolager, det vill säga där cellerna inte överlappar varandra och innehåller få deformationer. Däremot ser allt blod inte likadant ut, utan det kan finnas morfologiska skillnader mellan olika raser. Detta är fallet för exempelvis fåglar och däggdjur. Däggdjurs röda blodkroppar saknar kärnor och har en mer rund form jämfört med fåglars ovala röda blodkroppar med kärnor. Detta medför ett problem då nuvarande system är optimerade för människor - och därmed runda blodkroppar utan kärnor. Denna svårighet är speciellt tydlig i analyser med lägre förstoringsgrad, som är att föredra för att optimera tidseffektiviteten, eftersom detta ger mer kompakta bilder och lägre upplösning på individuella celler och deras gräns mot varandra.
I det genomförda projektet applicerades maskininlärning till fågelblod i form av bilder tagna i låg förstoringsgrad med en automatisk analysator. Maskininlärning har många styrkor, men är speciellt bra på att lära sig olika mönster och anpassa sig till olika typer av data för att lösa komplexa problem. Genom att låta algoritmen lära sig specifika mönster som finns i fåglars blod, kan den därför anpassa sig för att hitta monolager i blodprovet som kan användas för att genomföra framtida blodanalyser. Ett speciellt fokus i detta steg var att hitta korrekta bilder framför att hitta alla bilder innehållande ett monolager, i syfte att minska risken för felaktigt funna bilder som ökar risken för en misslyckad analys. Algoritmen som togs fram lyckades framgångsrikt skilja den önskvärda regionen från områden med både för många och för få celler. Den kan vidare förbättras genom att öka kvaliteten på insamlad data med hjälp av expertkunskap.
En ytterligare funktion för att kunna genomföra blodanalys är att lokalisera de vita blodkropparna som finns i blodet. På grund av likheten mellan fåglars blodkroppar ökar svårigheten att skilja mellan dessa jämfört med däggdjur. Även här anpassades en maskininlärningsmetod till bilderna i syfte om att hitta specifika koordinater för de vita blodkropparna. Detta visade sig dock vara en svårare uppgift att lösa eftersom den låga förstoringsgraden gjorde det problematiskt att hitta de exakta lokalisationerna. Därmed kräver denna funktion vidare utveckling och forskning. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9151128
- author
- Andersdotter, Erica LU
- supervisor
- organization
- alternative title
- Tillämpning av djupinlärningsbaserad metodik för optimering av monolagersklassificering och lokalisering av vita blodkroppar i fåglars blodprov
- course
- BMEM01 20241
- year
- 2024
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Convolutional neural networks, Monolayer, Avian, Machine learning, Object localisation
- language
- English
- additional info
- 2024-07
- id
- 9151128
- date added to LUP
- 2024-04-29 11:13:13
- date last changed
- 2024-04-29 11:13:13
@misc{9151128,
abstract = {{Current automated haematology systems lack the functionality of avian blood analysis using 10x magnification, which is an important feature as it allows for faster and more cost-effective blood analysis. The problem originates from the difference in red blood cell morphology in avian blood compared to mammalian blood, as the former are nucleated. The project was divided in two objectives, finding monolayers and localising white blood cells within them. For the first task, a convolutional neural network was optimised with particular focus on monolayer precision and the model’s ability to distinguish between classes. This was trained with a multiclass dataset using semi-supervised learning. The proposed model, including loss concentrating on challenging instances, reported an overall accuracy of 95.1% as well as recall and precision values over 87%. Monolayers could be found with 79.9% precision. Future improvements could be expertbased dataset annotations as well as k-fold cross-validation to validate the robustness of the model. The second task deployed an object detection optimisation with varying augmentation settings for white blood cells in 333 samples. The best performing model showed an average precision of 13.7% and a slightly higher value of 48.6% with an overlap threshold of 50%. This signified that the model had difficulties with precise localisations of the white blood cells, which might be explained by the cells having too small relative areas. Future improvements could hence include alternative base models with more suitable architecture for distinguishing small objects in dense images as well as techniques to recreate higher resolution, mimicking images collected with higher magnification.}},
author = {{Andersdotter, Erica}},
language = {{eng}},
note = {{Student Paper}},
title = {{Application of deep learning based methodology for the optimisation of monolayer classification and white blood cell localisation in avian blood samples}},
year = {{2024}},
}