Využití hlubokých neuronových sítí při optimalizaci detekce spermií snímaných pomocí počítačem řízené analýzy spermií (computer assisted sperm analysis)

Bc. Michala Malá

Master's thesis

Use Of the Deep Neuronal Network For Optimization of the Sperm Detection During Their Recording with Computer Assissted Sperm Analysis

Abstract:

Cílem diplomové práce bylo stanovit, zda existuje významný rozdíl mezi konvenční metodou prahování a detekce spermií pro analýzu jejich motility v softwaru CASA (computer assisted sperm analysis) a novým přístupem využívajícím algoritmy umělé inteligence. A tím poodhalit, zda je zde prostor pro zdokonalování tohoto softwaru pomocí této velmi aktuální IT technologie. CASA neboli počítačem řízená analýza spermií představuje praktický nástroj, který poskytuje rychlé a objektivní posouzení ejakulátu. V dnešní době je již běžně používán ve výzkumných i klinických laboratořích, ale stále zde existuje prostor pro vylepšení, především ve schopnosti detekovat spermie s vyšší přesností společně s reálnějším vykreslováním trajektorií. Možným řešením tohoto problému by mohla být implementace hlubokých neuronových sítí. Pro trénování neuronové sítě byl využit CASA software NIS-Elements (Laboratory Imaging s.r.o.). Pro vytvoření tréninkového datasetu pro supervised learning neuronové sítě typu U-Net byl použit standardně odebraný a zpracovaný ejakulát býků, kozlů a kohoutů. Na digitalizovaných snímcích byly manuálně označeny hlavičky spermií a následně byly takto zpracované soubory předloženy síti jako tréninkový vzor. Výsledkem byla natrénovaná síť, schopná identifikovat objekty a vypracovat jejich pohybovou analýzu.Výsledky práce ukázaly, že implementace umělé inteligence do CASA softwarů může být vhodným krokem vedoucím k relevantním modifikacím. Námi natrénovaná síť prokázala výborné výsledky především při segmentaci býčích spermií (ředěné Sp-TALP), kdy dokázala správně predikovat 92,48 % spermií, a výrazně tak předčila konvenční metodu prahování objektů. Při segmentaci koncentrovanějších vzorků kozlích a kohoutích spermií byla použita funkce NIS-Elements „Object separate bright“, která vylepšila schopnost sítě rozdělovat překrývající se spermie a měla pozitivní vliv na výsledek segmentace. Protože správná identifikace hlavičky spermie je zcela zásadní pro korektní výpočet koncentrace a vypracování pohybových analýz, měli by se vývojáři NIS-Elements do budoucna zaměřit na preciznost detekce kolidujících spermií a zdokonalit software tak, aby dokázal identifikovat spermie i v suboptimálních podmínkách (extrémně koncentrované vzorky, vysoký podíl kolizí, příměsi ve vzorcích, druhově odlišný tvar hlavičky spermie). Dalšími modifikacemi softwaru by mohlo být možné využívat systém pro preciznější analýzu hyperaktivace spermií v kapacitačních podmínkách nebo stanovení reakce spermií na cizorodé látky v rámci toxikologických výzkumů.

Abstract:

The aim of the Diploma thesis was to determine, if there is a significant difference between conventional method of threshold and detection of sperm for their motility analysis in CASA (computer assisted sperm analysis) software, and the new approach using algorithms of artificial intelligence. To expose, if there is a room for improvement of this software with this very upcoming IT technology. CASA (computer assisted sperm analysis) represents practical device, which provides fast and objective assessment of sperm. Nowadays, using of this device is common in research and clinical laboratories, but there is still space for improvement, especially, in detecting sperm with better accuracy together with more real reconstruction of trajectories. Solution for this problem could be the implementation of deep neuronal networks. For the training of neuronal networks CASA software NIS-Elements (Laboratory Imaging l.t.d.) was used. For creation of training dataset for supervised learning of the U-Net network standardly taken and processed ejaculate of bulls, goats and roosters was used. At digitalized screenings the heads of sperms were manually marked. Afterwards, processed files were submitted as training pattern. The result was trained neuronal network, which was able to identify objects and elaborate their movement analysis.The results of this thesis showed, that implementation of artificial intelligence to the CASA software could be the right step leading to relevant modifications. Network, trained by us, proved excellent results, especially with segmentation of bull sperm (diluted with Sp-TALP). Correct prediction of sperm was 92.48 %, which significantly exceeded conventional threshold method. During segmentation of more concentrated goat and rooster sperm, the NIS-Elements function „Object separate bright“ was used, which improved the ability of the network to separate covered sperms and has positive effect on the results of segmentation. Since, right identification of sperm head is really crucial for the assessment of concentration and movement analysis, in the future, developers of NIS-Elements should focus on accurate detection of colliding sperms and improve software to identify sperms also in aggravated conditions (extremely concentrated samples, high amount of collisions, admixtures in the samples, species-different shape of sperm head). With next modifications of the software could be possible to used the system for more accurate analysis of sperm hyperactivation in capacitation conditions or assessment of sperm reaction to heterogeneous substances within toxicology research.

Keywords

spermie, motilita, CASA, hluboké neuronové sítě, umělá inteligence

Keywords

sperm, motility, CASA, deep neuronal network, artificial intelligence

Language used: Czech

Date on which the thesis was submitted / produced: 24. 7. 2020

Thesis defence

• Supervisor: Ing. Ondřej Šimoník, Ph.D.

Czech University of Life Sciences Prague

Faculty of Agrobiology, Food and Natural Resources

Master programme / field:
Biotechnology / Reproduction Biotechnology