Mohammed Abdulhameed Shaif Ali kaitseb doktoritööd „Deep Learning Methods for Cell Microscopy Image Analysis“

21. mail kell 10.15 kaitseb Mohammed Abdulhameed Shaif Ali informaatika erialal doktoritööd „Deep Learning Methods for Cell Microscopy Image Analysis“ („Sügavõppemeetodid rakumikroskoopia kujutise analüüsiks“). 

Juhendajad: 
lektor Dmytro Fishman, Tartu Ülikool
kaasprofessor Leopold Parts, Tartu Ülikool

Oponendid:
professor Carolina Wählby, Uppsala Ülikool ja SciLifeLab (Rootsi)
abiprofessor Mohammed Al-masni, Sejongi Ülikool (Lõuna-Korea)

Kokkuvõte
Kaasagse raku- ja molekulaarbioloogilise teadustöö asendamatu osa on rakumikroskoopia ja nende piltide analüüs, mis võimaldab teadlastel paremini mõista rakkude aktiivsust ja arendada välja ka uusi ravimeid. Modernsete mikroskoopide laialdase populaarsuse ja mikroskoopia andmemahtude suurenemise tulemusel on tekkinud ka vajadus automatiseeritud ja täpsete pildianalüüsi tehnikate järele. Piltide analüüsimise ja masinnägemise ülesannete (sealhulgas objektide tuvastamise ja segmenteerimise) lahendamisel on sügavõpe osutunud tõhusaimaks meetodiks. See doktoritöö võtab kokku uuringud milles arendati erinevaid rakumikroskoopia piltide analüüsimiseks mõeldud sügavõppe meetodeid ning hinnati nende kvaliteeti ja sobivust.

Esmalt keskenduti mikroskoopiapiltidel olevate rakutuumade segmenteerimisele, mis on sageli lahendust nõudev ülesanne, kusjuures eriti keeruline on helevälja mikroskoopiapiltide analüüs. Kõigepealt hindasime rakutuumade segmenteerimiseks mõeldud sügavõppemeetodeid. Antud probleemi lahendamiseks arendasime välja väiksemahuline PP-U-Net mudel, mis saavutab parimate segmenteerimismudelitega samaväärseid tulemusi, aga kasutab seejuures 20 korda vähem parameetreid. PP-U-Net mudeli segmenteerimisvigade analüüsi käigus selgus, et mikroskoopiapildid sisaldavad sageli anomaaliaid, mis mõjutavad märkimisväärselt edasise analüüsi kvaliteeti. Selle probleemi lahendamiseks töötati välja sügavõppe meetoditel põhinev tehnika ScoreCAM-U-Net, mis võimaldab minimaalse inimsekkumisega tuvastada ja seejärel eemaldada mikroskoopiapiltidel leiduvad anomaaliad. Antud tehnika saavutab käsitsi klassifitseeritud piltide alusel pikslitäpsusega segmentatsioone ning on kasutatav paljudes suuremahulistes mikroskoopiaekperimentides. Töö käigus saadud teadmisi ja arusaamu kasutati ka ravimikandidaatide sõelumismeetodi arendamisel. Doktoritöös väljatöötatud sügavõppemeetodid on juba leidnud rakendust nii tööstuses kui ka teaduses.