UNIVERSITA’ DEGLI STUDI DI TRIESTEFACOLTA’ 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”

RelatoreFelice Andrea Pellegrino

CorrelatoreWalter Vanzella

LaureandoPaolo Fabris

• Introduzione• Algoritmo• Benchmark• Conclusioni

Indice

• Introduzione• Algoritmo• Benchmark• Conclusioni

Indice

Obbiettivi:• Automatizzare la ricerca di nuclei cellulari in immagini

di microscopia a flurescenza

Vantaggi:• Riduzione del tempo richiesto per portare a termine le

indagini• Oggettività dei criteri (ripetibilità dei risultati)

Introduzione: obbiettivi del progetto

Introduzione: Microscopia a flurescenza

Introduzione: Microscopia a flurescenza

Introduzione: problemi da affrontare

Classificazione:• Oggetti molto diversi fra loro (per nuclei cellulari e

non)• Elevata soggettività nella classificazione manuale

(10.2273% di scostamento tra le classificazioni manuali)

Introduzione: problemi da affrontare

• Introduzione• Algoritmo• Benchmark• Conclusioni

Indice

Passi di elaborazione:• Rimozione della luminosità non uniforme• Estrazione delle ROI• Calcolo delle feature• Algoritmo d’apprendimento

Implementazione:• Ambiente MATLAB• mex libsvm (elaborazione parallela su CPU)• mex CUDA C (elaborazione parallela su GPU)

Algoritmo: strategia di fondo

Algoritmo: luminosità non uniforme

Algoritmo: distribuzione della luminosità

Algoritmo: luminosità uniforme

Strategia:• Filtraggio DOG• Sogliatura globale sull’immagine filtrata• Individuazione dei massimi locali

Vantaggi rispetto al filtro LOG:• Semplicità d’implementazione• Velocità di computazione• Buona approssimazione del filtro LOG per

Algoritmo: estrazione dei punti d’interesse

Algoritmo: estrazione dei punti d’interesse con sogliatura globale

Strategia:• 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: estrazione delle ROI

Prorpietà da garantire per le feature:• Invarianza alla traslazione (centro di massa)• Invarianza alla rotazione• Varianza per scala

Vantaggi:• Definizione accurata del modella della macchina

d’apprendimento dopo la fase di addestramento e minimizzazione dell’errore per separare opportunamente le osservazioni

Algoritmo: feature

Strategia:• 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 zero

Vantaggi:• Semplice da implementare• Veloce da computare• Molto efficace per individuare l’orientazione

dell’oggetto da analizzare nella ROI

Algoritmo: feature, invarianza per rotazione

Tipi di feature:• ShapeIntensity• Zernike• AFMT (approssimazioni discrete con FAFMT e DAFMT)• DCT

Algoritmo: feature

Vantaggi:• 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 overfitting

SVM:• Mappa le osservazioni in uno spazio multidimensionale• Individua l’iperpiano di separazione che massimizza il

margine (ridotto overfitting)

Algoritmo: macchina d’apprendimento SVM

Vantaggi:• Indipendenza delle curve alla variazione delle

proporzioni tra le distribuzioni delle due classi (osservazioni positive e negative) se le prestazioni effettive della macchina non cambiano

Matrice di confusione

Algoritmo: macchina d’apprendimento SVM, valutazione delle prestazioni con curve ROC

Golden testTest Classe 1 (ROI positiva) Classe 2 (ROI

negativa)

Y TP FPN 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

;

;

;

.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

False Positive Rate

Tru

e P

ositiv

e R

ate

ROC curve of ( AUC = 0.95862 )

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

• Introduzione• Algoritmo• Benchmark• Conclusioni

Indice

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

ShapeIntensity

Zernike

FAFMT

DAFMT

DCT

0.9 0.905 0.91 0.915 0.92 0.925 0.93 0.935 0.94 0.945 0.95

0.946700000000001

0.9165

0.9325

0.9295

0.9375

Kernel polinomiale

AUC

AUC

ShapeIntensity

Zernike

FAFMT

DAFMT

DCT

0.93 0.935 0.94 0.945 0.95 0.955 0.96 0.965

0.949600000000002

0.9404

0.958600000000003

0.9564

0.9475

Kernel RBF

AUC

AUC

ShapeIntensity

Zernike

FAFMT

DAFMT

DCT

0.895 0.9 0.905 0.91 0.915 0.92 0.925 0.93 0.935 0.94 0.945

0.9416

0.9109

0.9245

0.9385

0.9136

Kernel sigmoidale

AUC

AUC

Benchmark: migliori feature e kernel

ShapeIntensity

FAFMT

ShapeIntensity

Polin

omia

leRB

FSi

gmoi

dale

0.93 0.935 0.94 0.945 0.95 0.955 0.96 0.965

0.946700000000001

0.958600000000001

0.9416

Migliori feature e kernel

AUC

AUC

Benchmark: valutazione del conteggio

Data1 (3544)

dot 400 4 (821)

Dot100 (1450)

dots 200nm 1 (538)

t9_12 DAPI ctrl (738)

Data2 (1160)

ctrl 30 aprile 2010 (715)

ctrl2 30 aprile 2010 (736)

t9_12 DAPI 400nm (973)

Pillar100 (2220)

-10 -8 -6 -4 -2 0 2 4 6 8

3.4142

-7.06459999999998

1.3793

3.9033

0.677500000000002

2.931

6.2937

3.5326

-7.5026

-5.1351

Valutazione del conteggio

Errore nel conteggio

%

Benchmark: velocità di elaborazione

ExtractCircularBlob

ExtractDOGError

GetCircularSeed

BenchmarkUserSeeds

GetSeeds

AutomaticDOG

AutomaticDOGImproved

Mean

STDV

0 2 4 6 8 10 12 14

2.26

12.21

3.13

1.85

1.84

2.06

1.67

Incremento prestazionale su GPU

Incremento prestazionale su GPU

Incremento

• Introduzione• Soluzione proposta• Benchmark• Conclusioni

Conclusioni

• 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: osservazioni

• 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)

Conclusioni: sviluppi futuri

Grazie per l’attenzione