Semi-automated, machine-learning based segmentation and analysis of mouse brain stroked tissues
| datacite.contributor.RelatedPerson | Σγάρμπας, Κυριάκος | |
| datacite.contributor.RelatedPerson | Λυμπερόπουλος, Δημήτριος | |
| datacite.contributor.Supervisor | Μουστάκας, Κωνσταντίνος | |
| dc.contributor.author | Γέμου, Ιωάννα | |
| dc.contributor.other | Gemou, Ioanna | |
| dc.date.accessioned | 2023-07-05T12:14:38Z | |
| dc.date.available | 2023-07-05T12:14:38Z | |
| dc.date.issued | 2023-07-05 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | An unbiased, automated, fast, and reliable method for analyzing brain lesions after an ischemic stroke is currently lacking, with existing approaches being time-consuming, prone to human error, or overly simplistic. In this study, we developed an innovative tool that leverages deep-learning techniques to enable semi-automated stroke analysis in brain slices stained with the Nissl protocol. Our approach incorporates the use of the comprehensive Allen Mouse Brain Atlas, providing a standardized spatial framework for precise analysis. Accessible through a user-friendly web interface, our tool allows researchers and medical professionals to easily upload their brain slice images and obtain automated stroke analysis results. We employed an off-the-shelf image segmentation model and created a custom made dataset specifically for stroke lesion detection, in order to fine tune the model, enhancing the accuracy of our analysis. Additionally, image registration techniques were utilized to extract vital anatomical information. By aligning stained brain slices with a reference atlas, we ensured consistent spatial mapping of pathological regions, facilitating comprehensive analysis within a standardized anatomical context. Our tool has been extensively validated using a large dataset, demonstrating high accuracy and reliability. The semi-automated analysis accurately identifies and measures pathological regions, overcoming the constraints associated with manual analysis techniques. This innovative methodology represents a substantial progress in the examination of brain lesions following an ischemic stroke, offering an impartial and automated solution for researchers and medical professionals working with stained brain sections. | |
| dc.description.translatedabstract | Παρά την ύπαρξη πολλών τεχνικών επεξεργασίας και ανάλυσης βιοϊατρικών δεδομένων, δεν έχει ακόμη αναπτυχθεί ένα αντικειμενικό, γρήγορο και αυτόματο πλαίσιο για την ανάλυση εγκεφαλικών βλαβών σε τρωκτικά έπειτα από ισχαιμικό επεισόδιο. Συγκεκριμένα, η μέτρηση του μεγέθους των εγκεφαλικών βλαβών πραγματοποιείται είτε χειροκίνητα (με οπτική εκτίμηση) από ειδικούς, μια διαδικασία που είναι χρονοβόρα και επιρρεπής σε ανθρώπινο λάθος. Σε αυτήν την εργασία αναπτύξαμε μια νέα μέθοδο για την ημιαυτοματοποιημένη ανάλυση του οιδήματος του εμφράκτου σε εγκεφάλους ποντικών που έχουν βαφεί σύμφωνα με το πρωτόκολλο Nissl, βασισμένη σε τεχνικές μηχανικής μάθησης. Μέσω μιας φιλικής προς τον χρήστη διαδικτυακής διεπαφής, το εργαλείο μας παρέχει στους ερευνητές και τους επαγγελματίες του ιατρικού πεδίου τη δυνατότητα να λαμβάνουν αυτόματα αποτελέσματα ανάλυσης για εγκεφαλικά επεισόδια. Χρησιμοποιήσαμε ένα μοντέλο τμηματοποίησης εικόνων και δημιουργήσαμε ένα προσαρμοσμένο σύνολο δεδομένων ειδικά για την ανίχνευση εγκεφαλικών βλαβών, με σκοπό να βελτιστοποιήσουμε το μοντέλο και να βελτιώσουμε την ακρίβεια της ανάλυσης. Επιπλέον, χρησιμοποιήθηκαν τεχνικές ευθυγράμμισης εικόνας για την απόκτηση σημαντικών ανατομικών πληροφοριών. Με την ευθυγράμμιση των χρωματισμένων τομών του εγκεφάλου με τον Allen Mouse Brain Atlas, πετυχαίνουμε συνεκτική χωρική χαρτογράφηση παθολογικών περιοχών, προωθώντας μια ολοκληρωμένη ανάλυση μέσα σε ένα τυποποιημένο ανατομικό πλαίσιο. Μέσω επικύρωσης σε ένα σύνολο δεδομένων, το εργαλείο μας επέδειξε σημαντική ακρίβεια και αξιοπιστία. Η ημιαυτοματοποιημένη ανάλυση παρείχε ακριβή αναγνώριση και μέτρηση των παθολογικών περιοχών, ξεπερνώντας τα περιορισμένα επιπέδα των μεθόδων χειροκίνητης ανάλυσης. Αυτή η μεθοδολογία αντιπροσωπεύει ένα σημαντικό βήμα προόδου στην ανάλυση εγκεφαλικών βλαβών έπειτα από ισχαιμικό εγκεφαλικό επεισόδιο, παρέχοντας μια αμερόληπτη και αυτοματοποιημένη λύση για ερευνητές και ιατρικούς επαγγελματίες που εργάζονται με χρωματισμένες τομές εγκεφάλου. | |
| dc.identifier.uri | https://hdl.handle.net/10889/25368 | |
| dc.language.iso | en | |
| dc.rights | Attribution-NonCommercial 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/3.0/us/ | * |
| dc.subject | Machine learning | |
| dc.subject | Deep learning | |
| dc.subject | Mouse brain | |
| dc.subject | Ischemic stroke | |
| dc.subject | Stroke lesion segmentation | |
| dc.subject | Stroked region identificication | |
| dc.subject.alternative | Μηχανική μάθηση | |
| dc.subject.alternative | Βαθιά μάθηση | |
| dc.subject.alternative | Εγκέφαλος ποντικιού | |
| dc.subject.alternative | Ισχαιμικό εγκεφαλικό | |
| dc.subject.alternative | Τμηματοποίηση εγκεφαλικής βλάβης | |
| dc.subject.alternative | Εντοπισμός πληγέντων περιοχών | |
| dc.title | Semi-automated, machine-learning based segmentation and analysis of mouse brain stroked tissues | |
| dc.title.alternative | Ημιαυτοματοποιημένη τμηματοποίηση και ανάλυση εγκεφαλικών βλαβών σε ιστούς εγκεφάλων ποντικιών με μεθόδους μηχανικής μάθησης |