Prihlásenie

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

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