Detekce a trasování pohybu spermií ve videu pomocí metod umělé inteligence

Abstract

Tato práce představuje novou metodiku založenou na strojovém učení pro automatickou detekci a sledování spermií v rámci mikroskopických videozáznamů, jejímž cílem je objasnit dynamiku a vzorce pohybu jednotlivých spermií a shlulku spermií. Metoda nejprve identifikuje jednotlivé spermie v po sobě jdoucích snímcích videosekvence, což usnadňuje rekonstrukci trajektorie každé buňky v čase. Následně nasazji klasifikační algoritmus, který rozlišuje mezi jednotlivými spermiemi, shluky sousedících buněk, shluků spermií a znečištením, čímž řeším mezeru ve stávajících metodikách. Nakonec používám tři konvenční metriky pro hodnocení rychlosti: Straight Line Velocity (VSL), Average Path Velocity (VAP), and Curvilinear velocity (VCL), aby bylo možné kvantifikovat rychlost pohybu jednotlivých spermií a shluků spermií. Tento přístup představuje významný pokrok v automatické analýze pohyblivosti a agregačních jevů spermií a poskytuje výzkumníkům robustní nástroj pro studium chování spermií s vyšší přesností a efektivitou. Bylo vytvořeno webové uživatelské rozhraní a nejnovější verze programu využívajícího tuto metodiku je veřejně dostupná na adrese https://apps.datalab.fit.cvut.cz/sperm_tracking/, přičemž zdrojový kód je k dispozici na gitlabu: https://gitlab.fit.cvut.cz/horenjak/sperm_cell_tracking_app/.

This thesis introduces a novel machine learning-based methodology for automated detection and tracking of sperm cells within microscopic video recordings, aiming to elucidate the dynamics and motion patterns of both individual sperm cells and sperm cell bundles. At first, the method identifies sperm cells across successive frames within a video sequence, facilitating the reconstruction of each cell's trajectory over time. Subsequently, I introduce a classification algorithm that distinguishes between single sperm cells, clusters of adjacent cells, sperm cell bundles, and clutter, addressing a gap in existing methodologies. Finally, I employ three conventional metrics for velocity assessment: Straight Line Velocity (VSL), Average Path Velocity (VAP), and Curvilinear velocity (VCL), to quantify the movement speed of both individual sperm cells and bundles. The approach represents a significant advancement in the automated analysis of sperm motility and aggregation phenomena, providing a robust tool for researchers to study sperm behavior with enhanced accuracy and efficiency. A web-based user interface has been created, and the latest version of the program utilizing this methodology is publicly available at https://apps.datalab.fit.cvut.cz/sperm_tracking/ with source code publicly available at gitlab: https://gitlab.fit.cvut.cz/horenjak/sperm_cell_tracking_app/.