Glubokoe obuchenie dlya trekinga mul'tipotentnykh stvolovykh kletok v testirovanii materialov biomeditsinskogo naznacheniya

Abstract

Full Text

Введение. Современные материалы биомедицинского назначения не являются универсальными, поэтому создание и адаптация конструкций на их основе требует дополнительного тестирования, что является одним из приоритетных направлений регенеративной медицины. Известным методом тестирования новых биоматериалов является отслеживание и анализ общих трендов движения и жизнеспособности клеток макроорганизма при сокультивировании с исследуемыми материалами. Однако существующие способы обработки данных движения клеток не адаптированы под трекинг использованных в работе мультипотентных мезенхимальных стро-мальных клеток (ММСК). Таким образом, целью данного исследования явилась разработка алгоритма автоматического анализа трендов движения ММСК в рамках тестирования материалов биомедицинского назначения. Материалы и методы. Материалом исследования служили изображения, полученные с помощью системы визуализации Cell-IQ, предоставленные Базовой лабораторией иммунологии и клеточных биотехнологий БФУ им. И. Канта. Размеченные изображения использовались для дообучения нейронной сети Faster-RCNN-Inception-V2 с по мощьюTensorflowobjectdetectionAPI. Обученная нейросеть на каждом изображении детектировала клетки, движение которых отслеживалось трекером на основе расстояний центроид. Данные о подвижности ММСК позволили оценить биосовместимость исследуемых материалов. Результаты. В результате работы был построен алгоритм автоматического анализа трендов движения ММСК для длительных экспериментов в тестировании новых биомедицинских материалов. Полученный алгоритм работает в сотни раз быстрее человека: на разметку 3000 изображений требуется не более 4х часов на стационарном компьютере. Качество детекции отдельных клеток составляет свыше 90% верно присвоенных меток. Выводы. Современные подходы к анализу изображений позволяют оптимизировать и ускорить процесс тестирования биоматериалов. В дальнейшем планируется улучшение качества детекции и трекинга клеток на изображениях, а также точное определение размеров каждой клетки.