Strojové učenie pre optimalizáciu simulačných modelov toku krvi
Autor práce: Mgr. Katarína BuzákováŠkoliteľ: doc. RNDr. Katarína Bachratá, PhD.
Dátum obhajoby: 18.8.2021
Študijný program: aplikovaná informatika
Oponent 1: prof. RNDr. Vladimír Janiš, CSc.
Oponent 2: doc. Mgr. Ondrej Šuch, PhD.
Slovenský abstrakt:
BUZÁKOVÁ, Katarína: Strojové učenie pre optimalizáciu simulačných modelov toku
krvi. [Dizertačná práca] Žilinská Univerzita v Žiline. Fakulta riadenia a informatiky.
Katedra softvérových technológií. - Vedúci dizertačnej práce: doc. RNDr. Katarína
Bachratá, PhD.- Školitel’ špecialista: Ing. Michal Chovanec, PhD.- Žilina, FRI ŽU, 2021,
107 s.
Prúdením krvi alebo inej tekutiny v mikrofluidických zariadeniach sa v súčasnosti
zaoberajú mnohé biomedicínske výskumy. Vykonávanie laboratórnych experimentov s
týmito zariadeniami je náročné a nákladné. Preto sa na ich d’alšiu optimalizáciu vyvíjajú
pocítačové modely simulujúce tok kvapaliny. Ukazuje sa, že rovnako ako biologické
experimenty aj simulácie majú svoje obmedzenia. Údaje z oboch typov experimentov je
však možné d’alej spracovat’ metódami strojového učenia, čím ich môžeme vylepšit’ a
prispiet’ tak k optimalizácii mikrofluidických zariadení.
Táto dizertačná práca sa zaoberá optimalizáciou simulácií toku krvi pomocou strojového učenia. Vychádzajúc z doterajších aplikácií strojového učenia na simulačné dáta v
našom výskumnom tíme Cell in Fluid, používame neurónové siete pracujúce s výstupmi
zo simulácií na riešenie rôznych úloh. Jednou z nich je predpovedanie trajektórií červených krviniek. Možným využitím takéhoto predikčného modelu je napríklad virtuálne rozšírenie alebo vytvorenie úplne novej trajektórie krvinky, odhadnutie vplyvu pohybu
červenej krvinky na správanie rakovinových buniek vo všetkých skúmaných miestach v
kanáli, či zlepšenie trasovania červených krviniek pri spracovávaní videí z laboratórnych
experimentov. Popisujeme rôzne parametre a nastavenia tohto predikčného modelu, ktoré
sme vyskúšali a vyhodnocujeme úspešnost’ modelu pre jednotlivé nastavenia.
Ďalej sme sa zamerali na rozlišovanie zdravých a chorých červených krviniek v toku
krvi na základe ich pohybu. Dostatočne presný klasifikačný model dokáže nielen nájst’
choré bunky, ale aj určit’ ich množstvo v hematokrite. Vd’aka tomu je možné diagnostikovat’ nájdené choré bunky, určit’ závažnost’ ochorenia a následne aplikovat’ primeranú liečbu. Popisujeme vykonané klasifika ˇ čné experimenty a ich presnost’ vzhl’adom na
rôzne modifikácie modelu.
Kl’účové slová: Neurónové siete, predpovedanie trajektórií červených krviniek, klasifikácia krvných častíc, mikrofluidické zariadenia, simulačný experiment
Anglický abstrakt:
BUZÁKOVÁ, Katarína: Machine learning for optimization of blood flow simulation models. [Dissertation thesis] - University of Žilina. Faculty of Management Science and
Informatics. Department of Software Technology. - Supervisor: doc. RNDr. Katarína
Bachratá, PhD.- Supervisor specialist: Ing. Michal Chovanec, PhD.- Žilina, FRI ZU,
2021, 107 p.
Nowadays, the flow of blood or other fluid in microfluidic devices is investigated in many
biomedical researches. Implementation of laboratory experiments with these devices is
difficult and expensive. Therefore, computer models simulating fluid flow are being developed for their further optimization. It turns out, that as biological experiments, even the
simulations have limitations. However, data from both types of experiments can be further processed by machine learning methods in order to improve them and thus contribute
to the optimization of microfluidic devices.
This dissertation thesis deals with the optimization of blood flow simulations using
machine learning. Based on previous machine learning applications to simulation data in
our Cell in Fluid research team, we use neural networks working with simulation outputs
to solve various tasks. One of them is the prediction of red blood cell trajectories. Possible uses of such a prediction model are, for example, virtual extension or creation of a
completely new blood cell trajectory, estimating the effect of red blood cell movement on
cancer cell behaviour at all examined points in the channel, or improving red blood cells
tracking when processing videos of laboratory experiments. We describe the miscellaneous parameters and settings of this prediction model, which we tested and evaluate the
success of the model for each setting.
We also focused on distinguishing between healthy and diseased red blood cells in the
blood flow based on their movement. A sufficiently accurate classification model can not
only find damaged cells but also determine their amount in the hematocrit. As a result, the
diseased cells found can be diagnosed, the severity of the disease determined, and then
appropriate treatment applied. We describe the performed classification experiments and
their accuracy with respect to different model modifications.
Key words: Neural networks, red blood cells trajectory prediction, blood particles classification, microfluidic devices, simulation experiment
Autoreferát dizertačnej práce
Text práce