Applications of Machine Learning for Detecting and Counting Objects in Cell Biology

Abstract

Modern biological research generates large amounts of data, which require automation for efficient analysis. Lately, machine learning solutions are being developed for many of the problems in this field. This thesis focuses on applications of machine learning for image analysis, such as detecting cells in microscopy images and classifying them based on their phenotype. After a brief introduction to machine learning concepts, eight published methods are presented, which employ machine learning for either detecting and classifying, or counting objects in biological images. Five open-source software tools for biological image analysis, which employ some of the methods mentioned above, are introduced. A new project is also described, which aims to create a convolutional neural network for counting bacterial colonies in images of agar plates. The results of this project are discussed. Keywords: machine learning, neural network, pattern recognition, cell biology, segmentation

Současný biologický výzkum vytváří velké množství dat, která vyžadují automatizaci pro efektivní analýzu. V poslední době vznikají pro mnohé z těchto problémů řešení využívající strojové učení. Tato práce se zaměřuje na aplikace strojového učení pro analýzu obrazu, například detekci buněk v mikroskopickém snímku a jejich klasifikaci dle fenotypu. Po krátkém úvodu do strojového učení obecně bude představeno osm publikovaných metod využívajících strojové učení pro detekci nebo klasifikaci objektů v biologických snímcích. Dále bude uvedeno pět open-sourcových softwarových nástrojů pro obrazovou analýzu v biologii, které využívají některé z metod zmíněných výš. Dále je popsán nový project, jehož cílem je vytvořit konvoluční neuronovou síť na počítání bakteriálních kolonií na agarových plotnách. Na závěr jsou diskutovány výsledky tohoto projektu. Klíčová slova: strojové učení, neuronová síť, rozpoznávání objektů, buněčná biologie, segmentace