Detekce mikroskopických hub v klinickém materiálu

Abstract

Včasná detekce kvasinek a vláknitých hub v klinických vzorcích má zásadní význam pro léčbu pacientů náchylných k závažným infekcím způsobeným těmito organismy. Pacienti podstupují pravidelný screening a odebrané vzorky jsou manuálně vyšetřovány školeným personálem. Tato práce se zabývá využitím hlubokých neuronových sítí k detekci vláknitých hub a kvasinek v klinických vzorcích, za účelem zjednodušení práce lidské obsluhy tím, že se nejprve odfiltrují vzorky, které jsou jednoznačně negativní, a obsluze se následně předloží pouze vzorky s podezřením na obsah kontaminantů. Pro zmírnění nedostatku dat jsou v práci navrženy techniky rozšíření dat specifické pro tuto úlohu, které využívají Poissonovu úpravu obrazu a lokalizaci založenou na gradientu. Funkčnost modelu je následně srovnána s odborníky a začátečníky. K detekci kontaminantu jsou úspěšně použity state-of-the-art modely. Metoda dosahuje výsledků na úrovni člověka a teoreticky snižuje množství manuální práce o 86.9% při sensitivitě 99%.

Early detection of yeast and filamentous fungi in clinical samples is critical in treating patients predisposed to severe infections caused by these organisms. The patients undergo regular screening, and the gathered samples are manually examined by trained personnel. This thesis investigates the use of deep neural networks to detect filamentous fungi and yeast in the clinical samples to simplify the work of the human operator by filtering out samples that are clearly negative and presenting the operator with only samples suspected of containing the contaminant. Domain-specific data augmentation techniques utilizing Poisson image editing and gradient-based localization are proposed to alleviate the scarcity of the data, and the model performance is compared against expert and novice level humans. State-of-the-art models are successfully used to detect the contaminant. The method achieves human-level performance, theoretically reducing the amount of manual labor by 86.9%, given a true positive rate of 99%.