Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31215| Título: | Machine learning on correlation between phase contrast images of 3D bioprinted fibroblasts and cell proliferation |
| Título(s) alternativo(s): | Machine learning na correlação entre imagens de fase contrastadas de bioimpressão 3D de fibroblastros e proliferação celular |
| Autor(es): | Gueiber, Daniele Caroline |
| Orientador(es): | Corrêa, Fernanda Cristina |
| Palavras-chave: | Aprendizado do computador Imagem tridimensional Cultura de células Células - Proliferação Transferência de aprendizagem Machine learning Three-dimensional Imaging Cell culture Cell proliferation Transfer of training |
| Data do documento: | 16-Fev-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | GUEIBER, Daniele Caroline. Machine learning on correlation between phase contrast images of 3D bioprinted fibroblasts and cell proliferation. 2023. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2023. |
| Resumo: | A bioimpressão tridimensional (3D) é um campo cuja popularidade aumentou em todo o mundo, criando novas estratégias em muitas áreas, como transplante de órgãos e biomanufatura. Essa abordagem usa biomateriais como hidrogéis com células para construir estruturas 3D camada por camada. No entanto, existem alguns desafios, considerando que as estruturas bioimpressas não são transparentes, translúcidas e, em alguns casos, nem mesmo homogêneas. Isso torna a visualização complexa, pois, usando as técnicas atuais de microscopia óptica, pouco pode ser dito sobre as células dentro do gel, exigindo imunofluorescência para obter informações mais detalhadas. Felizmente, essas questões podem ser abordadas usando técnicas de machine learning, especificamente transfer learning, gerando um melhor compreensão ao extrair, enfatizar ou transformar os dados de microscopia disponíveis. Neste estudo in vitro, foi buscado identificar se existe uma possível correlação entre imagens de contraste de fase de fibroblastos 3D bioimpressos e a condição das células. Para isso, foi criada uma metodologia onde primeiro a estrutura foi desenvolvida e fibroblastos foram bioimpressos com diferentes condições de printabilidade com o objetivo de obter condições de viabilidade distintas entre as amostras. Uma arquitetura de rede neural foi desenvolvida baseada em transfer learning utilizando a base convolucional da rede VGG16 e um classificador Random Forest usado para classificar as imagens. Mesmo sem distinção visual entre as diferentes condições, o gel sem células apresentou-se mais estável durante a cultura celular, e as imagens de contraste de fase também mostraram linhas mais definidas. As imagens de microscópio de fluorescência apresentaram a coloração DAPI das células na borda do gel; as células supercentrifugadas tiveram menor taxa de proliferação; A duração da fotorreticulação UV e as células em proliferação expressando marcadores Ki67 são inversamente proporcionais independentemente de outras condições de impressão. As matrizes de confusão criadas funcionaram como uma representação visual das classificações feiras. Inicialmente, a rede classificou as fotos em todas as diferentes condições de printabilidade e obteve uma precisão variando entre 15% a 23%. Este valor aumentou para 33% a 41% agrupando as imagens por duração de fotorreticulação UV, para entre 75% a 80% agrupando as imagens como células sobrecentrifugadas, células impressas regularmente e sem células e, finalmente, 85% para 89% agrupando as imagens como gel com ou sem células. O modelo 3D projetado presente foi adequado para aplicações em machine learning e forneceu as primeiras indicações sobre associações entre características celulares e observações visuais de hidrogéis. A rede neural foi capaz de classificar imagens de microscopia de contraste de fase dependendo da quantidade de categorias presentes e, embora a precisão fosse baixa na classificação obtendo várias categorias, diminuir a especificidade da rede causou maior sensibilidade e consecutivamente maior precisão, mostrando que existem correlações identificáveis entre propriedades de bioimpressão 3D e imagens de contraste de fase. |
| Abstract: | Three-dimensional (3D) bioprinting is a field whose popularity has increased worldwide, creating new strategies in many areas, such as organ transplant and biomanufacturing. This approach uses biomaterials such as hydrogels with cells to build layer-by-layer 3D structures.However, some challenges are present as the bioprinted structures are not transparent, translucent, and in some cases, not even homogeneous. This makes the visualization complicated as, using the current optical microscopy techniques, little can be said about the cells inside the gel, requiring immunofluorescence for more detailed information.Fortunately, those issues can be addressed using machine learning approaches, specifically transfer learning, generating a better understanding by extracting, emphasizing, or transforming the available microscopy data. In this in vitro study, we aimed to identify if there is a possible correlation between phase contrast images of 3D bioprinted fibroblasts and the condition of the cells. For that, we created a methodology where we first designed the structure and 3D bioprinted fibroblasts with different printability conditions to obtain distinct viability conditions among the samples. We developed a neural network architecture based on transfer learning of the convolutional base of the VGG16 network and a Random Forest classifier used to classify the pictures.As a result, we could first observe that the UV photocrosslinking duration directly correlated to the samples’ stability. Even mainly without visual distinction between different conditions, the gel without cells appeared more stable during cell culture, and the phase contrast images also showed more defined lines.The fluorescence microscope images presented the DAPI staining of the cells at the border of the gel; over-centrifuged cells had a lower proliferation rate; UV photocrosslinking duration and proliferating cells expressing Ki67 markers are inversely proportional regardless of other printing conditions.The confusion matrices created worked as a visual representation of the predictions. Initially, the network classified the pictures into all the different conditions of printability and obtained an accuracy varying between 15% to 23%. This value increased to 33% to 41% grouping the images per UV photocrosslinking duration, to between 75% to 80% grouping the images as over centrifuged cells, regularly printed cells, and without cells, and finally 85% to 89% grouping the images as gel with our without cells.The 3D model designed present was suitable for machine learning applications and provided first hints on associations between cellular features and visual observations of hydrogels. The neural network was able to classify phase contrast microscopy images depending on how many categories were present, and even though the accuracy was low at classifying multiple categories, decreasing the specificity of the network caused higher sensibility and consecutively higher accuracy showing that there are identifiable correlations between 3D bioprinting properties and phase contrast images. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31215 |
| Aparece nas coleções: | PG - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| machinelearningoncorrelationbetweenphase.pdf | 22,43 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
