Machine Learning on High-Throughput Bioparticles Image Recognition and Sizing - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Machine Learning on High-Throughput Bioparticles Image Recognition and Sizing

Apprentissage automatique sur la reconnaissance et le dimensionnement d'images de bioparticules à haut débit

Résumé

Imaging flow cytometry is a high-throughput tool widely used for bioparticle analysis in various applications. Nevertheless, the vast number of images generated by imaging flow cytometry imposes a great challenge for data analysis. Although various learning algorithms were optimized to achieve high predication accuracies, they did overlooked the trade-off between the speed and hardware requirements, causing a major hurdle for mass deployment of these learning algorithms to commercial devices for high-throughput bioparticle analysis due to its high cost and high-power consumption. In this thesis, we have developed an efficient neural network named MCellNet for a rapid, accurate and high-throughput approach for label-free bioparticle detection using imaging flow cytometry. MCellNet achieved a classification accuracy over 99.6% and a processing speed of 346+ images per second in embedded platforms, outperforming MobileNetV2 (251 frames per second) with similar classification accuracy. In addition, deep metric learning for rare bioparticle detection was also studied. Furthermore, a machine-learning-based pipeline is established for the high accuracy bioparticle sizing. The pipeline consisted of an image segmentation module for measuring the pixel size of the bioparticle and a machine learning model for accurate pixel-to-size conversion. The size algorithm showed significantly more accurate sizing capability and promised great potential for a wide range of bioparticle sizing applications. The proposed methods could also be potentially applied to other high-throughput and real-time bioparticle analysis for biomedical diagnosis and environmental monitoring
L'imagerie par cytométrie de flux est un outil à très haute cadence largement utilisé pour l'analyse des bioparticules. Néanmoins, le grand nombre d'images générées pose un grand défi pour l'analyse rapide des données. Bien que divers algorithmes d'apprentissage aient été optimisés pour atteindre une précision de prédiction élevée, ils ont négligé le compromis entre la vitesse et les exigences matérielles, ce qui a causé un obstacle majeur au déploiement de masse de ces algorithmes d'apprentissage sur des appareils commerciaux pour l'analyse des bioparticules à haut débit, ceci en raison de son coût et sa consommation d'énergie élevée. Dans cette thèse, nous avons développé un réseau neuronal efficace, appelé MCellNet, pour une approche rapide, précise et à haut débit pour la détection de bioparticules sans marquage fluorescent, adapté à la cytométrie de flux. MCellNet a atteint une précision de classification de plus de 99,6% et une vitesse de traitement de plus de 346 images par seconde dans les plates-formes intégrées, surpassant MobileNetV2 (251 images par seconde) avec une précision de classification similaire. En outre, l'apprentissage métrique profond pour la détection de bioparticules rares a également été étudié. En outre, un pipeline basé sur l'apprentissage automatique est établi pour la classification en taille et à haute précision des bioparticules. Le pipeline se compose d'un module de segmentation d'image pour mesurer la taille de pixel de la bioparticule et d'un modèle d'apprentissage automatique pour une conversion précise pixel-taille. L'algorithme a montré une capacité de classification en taille nettement plus précise et présente un grand potentiel pour une large gamme d'applications pour la détermination des tailles de bioparticules. Les méthodes proposées pourraient également être potentiellement appliquées à d'autres analyses de bioparticules à haut débit et en temps réel pour le diagnostic biomédical et la surveillance environnementale
Fichier principal
Vignette du fichier
TH2021UEFL2013.pdf (9.61 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03738133 , version 1 (25-07-2022)

Identifiants

  • HAL Id : tel-03738133 , version 1

Citer

Shaobo Luo. Machine Learning on High-Throughput Bioparticles Image Recognition and Sizing. Electronics. Université Gustave Eiffel, 2021. English. ⟨NNT : 2021UEFL2013⟩. ⟨tel-03738133⟩

Collections

STAR
74 Consultations
38 Téléchargements

Partager

Gmail Facebook X LinkedIn More