Analýza 4D point cloudů k charakteristice morfogeneze tkání pomocí hlubokého učení

Abstract

Dynamické procesy buněk v embryu jsou důležité pro úspěšný vývoj organismu. Jejich studium pomáhá odhalit informace o tvorbě tkání, patologických stavech nebo mutacích. V posledních letech umožnil pokrok v rychlém mikroskopickém zobrazování studovat tyto pohyby buněk in vivo. Vzhledem k velkému množství dat se však jejich manuální analýza stává nepraktickou. Cílem této práce je vyvinout přístup založený na hlubokém učení pro klasifikaci pohybových vzorců v raných fázích vývoje ryb, konkrétně Danio rerio. Protože skutečná mračna bodů nejsou anotovány, byly simulovány syntetické pohyby buněk, aby se vytvořily trénovací a testovací data pro navržené architektury. Dvě neuronové sítě pro zpracování mračen bodů byly vyhodnoceny na úloze bodové klasifikace 3D+t mračen bodů a byly úspěšné pro simulovaná data obsahující syntetické pohyby. Následně byly obě sítě použity na stejnou úlohu pro skutečná embrya a přinesly velmi slibné výsledky, které bylo možné porovnat s embryogenetickými ději pozorovanými u skutečných embryí. Kromě toho bylo učiněno mnoho zajímavých pozorování, která potvrdila schopnost neuronových sítí přesně klasifikovat časově závislá 3D mračna bodů.

The dynamic processes of cells in the embryo are important for the successful development of the organism. Studying them helps uncover information about tissue formation, patological states, or mutant patterns. In recent years, advancements in fast miscroscopy imaging have made it possible to study these cell movements in vivo. However, due to the large amount of data, manual analysis of them becomes impractical. This thesis aims to develop a deep learning-based approach to classify movement patterns in the early stages of zebrafish development. Since real point clouds are not labeled, synthetic cell movements were simulated to create training and testing datasets for the proposed architectures. Two point cloud processing networks were evaluated on the point-wise classification task of 3D+t point clouds and were successful for the simulated dataset featuring synthesized movements. Subsequently, both networks were applied on the same task for real embryos, yielding very promising results that could be compared with the embryogenetic events observed in real embryos. Furthermore, many interesting observations were made, confirming the networks' ability to accurately classify time-resolved 3D point clouds.