利用深度學習評估血小板活化狀態

A classifying system for analyzing platelet

摘要

本研究旨在利用Deformable U-Net與DeepLab v3+來達成血小板活化狀態的評估。血小板吸收凝血因子並產生形變的過程定義為血小板的活化過程,是凝血作用的一環,過程中血小板會逐漸伸出偽足至攤平並依照形態不同分成四個階段。而評估血小板的活化狀態可以應用於監控疾病活動(例如:腫瘤轉移、退化性神經疾病、心血管疾病),亦可監控含有會與血小板作用之化學物質的治療後反應,或者監控由鏈脲佐菌素誘導的糖尿病的傷口癒合情況。

然而現今辨識血小板的方式主要有「利用光學顯微鏡或是電子顯微鏡觀察,並由研究人員逐一計量」與「利用流式細胞術自動辨認與計數」。前者雖然可以評估血小板活化狀態卻極為耗時耗力;而受限於血小板活化過程中的變形,後者並無法完成評估血小板的活化狀態。

近年並無利用影像辨識進行血小板活化狀態評估的文獻,而在血球辨識相關文獻則有利用影像處理、Logistic回歸模型與各類的卷積神經網路,當中僅有卷積神經網路可以達成血小板活化狀態評估。然而選用的網路模型較為簡單,因而可預見的會造成無法精準辨認變形複雜的活化血小板。

因此本研究將使用語義分割能力更強的DeepLab v3+作為模型骨架,加入Pre-Trained Model與Deeply Supervision來幫助模型更好地擷取基本特徵與監督隱藏層的運作以達到更好的語義分割結果。由於血小板在活化過程會產生複雜的形變,而Deformable Convolution會在卷積時產生二維的偏移量,使卷積核的感受視野產生形變後適應物體在圖面上的幾何變化,因此本研究使用Deformable Convolution替換常規卷積,以期克服血小板的形態變化並達到更好的語義分割結果。

然而Deformable Convolution運算量龐大且會耗費大量記憶體,因此僅將Deformable Convolution分別加入Encoder的前幾層與最後幾層,並探討使用Deformable Convolution的位置對於結果的影響。另外,由於血小板影像資料不易收集,且U-Net適合使用較少的資料來進行訓練,因此亦使用U-Net與Deformable U-Net進行活化狀態血小板的語義分割。

最後,基於各階段血小板的語義分割結果,利用血小板預測面積除以平均血小板面積來計算預測的各階段血小板顆數。而對於血小板預測面積遠大於真實面積的情形,使用Accuracy與Intersection over Union (IoU)的比值將預測面積近似於真實面積的大小,而後再進行上述的顆數運算。

語義分割的結果顯示DeepLab v3+是最佳的模型,Accuracy分別在第一、二與四階段血小板達到0.97、0.99與0.9,而IoU則分別是0.26、0.451與0.786。由於第三階段血小板數量稀少,導致模型完全無法辨識第三階段血小板。在活化狀態血小板計量部分,DeepLab v3+語義分割結果的血小板預測顆數與真實顆數之誤差十分穩定,第一、二與四階段血小板的誤差率分別是-20%、9%與-8%,顯示DeepLab v3+的確能完成血小板活化狀態的評估。總結來說,除了第三階段血小板,使用DeepLab v3+與Pre-trained Model和Deeply supervision可以達到血小板活化狀態評估。 關鍵詞:深度學習、血小板、活化過程、語義分割、自動計量