Konvolutionale neuronale Netze (CNN) zur automatisierten Erkennung und quantitativen Auswertung der Morphologie von Zellen der Hämatopoese

Beschreibung

Hintergrund
In der klinischen Diagnostik und Klassifikation akuter myeloischer Leukämien (AML) spielt die Beurteilung der zytomorphologischen Eigenschaften der Leukämiezellen (Blasten) eine entscheidende Rolle (Döhner et al., 2017). Der in der Klinik angewandte diagnostische Standard ist dabei die Begutachtung von Ausstrichen des peripheren Blutes und von Knochenmarksaspiraten durch entsprechend ausgebildete Befunder im Lichtmikroskop. Dieses Verfahren hat sich in der klinischen Standarddiagnostik bewährt, ist jedoch hinsichtlich seiner statistischen Aussagekraft und quantitativen Verlässlichkeit begrenzt. Methodisch hat sich zur Auswertung von medizinischen Bilddaten unterschiedlicher Herkunft in den vergangenen Jahren das so genannte tiefe Lernen („Deep Learning“, DL) etabliert, bei dem künstliche neuronale Netze, bestehend aus mehreren („tiefen“) Schichten mit einer großen Anzahl an Daten trainiert werden (LeCun et al., 2015). Basierend auf diesem Ansatz wurde beispielsweise ein Algorithmus zur Lymphozytendetektion in histologischen Schnitten entwickelt (Chen and Chefd’hotel, 2014). Auch subzelluläre Eigenschaften können im Rahmen dieser Methodik erfasst werden, wie etwa ein DL-basierter automatischer Detektionsalgorithmus für Mitosen in Schnitten aus Mammakarzinomen zeigt (Cireşan et al., 2013). Gegenüber der gängigen Auswertung der Präparate durch ausgebildete menschliche Befunder ergibt sich der Vorteil, dass am Computer eine weitaus größere Zellzahl ausgewertet werden kann und so statistisch zuverlässigere Aussagen über die einzelnen Zellpopulationen möglich werden. Ergebnisse aus unserer Forschung haben gezeigt, dass eine Klassifikation von Leukozyten aus Blutausstrichen mit tiefem Lernen vielversprechende Ergebnisse produziert (Matek et al., 2019).

Ziel
Ziel des Forschungsvorhabens ist es, ein vertieftes Verständnis der Zellmorphologie im Krankheitsverlauf akuter Leukämien zu erreichen. Hierzu sollen konvolutionale neuronale Netze (CNN) zur automatisierten Erkennung und quantitativen Auswertung der Morphologie von Zellen der physiologischen und pathologischen Hämatopoese trainiert werden. Davon ausgehend soll die Entwicklung der Zellphänotypen und -morphologien im zeitlichen Verlauf der AML Erkrankung und unter Therapie untersucht und quantifiziert werden. Schließlich wollen wir die automatisierte Auswertung von Blutausstrichen auf Knochenmarksausstriche erweitern. Dazu arbeitet der Doktorand / die Doktorandin in engem Kontakt mit der klinischen Gruppe von Prof. Spiekermann und CM mit dem computational lab von Dr. Marr.

Milestones
● Einarbeitung in die Programmierung und Anwendung von neuronalen Netzen
● Einsatz von neuronalen Netzen zur Klassifizierung von Leukozyten und gesamten Ausstrichen
● Anwendung und Vergleich verschiedener Methoden des tiefen Lernens (e.g. self-supervised learning, multiple instance learning) auf unseren Daten
● Analyse der Blutdynamik und niedrigdimensionale Einbettung der Proben

Anforderungen
Bewerber sind interdisziplinär interessiert, beherrschen eine Programmiersprache, und besitzten ein grundlegendes Verständnis von Algorithmen. Zur Einarbeitung in die Thematik stellen wir gerne Kontakt zu medizinischen Doktoranden her, sowie Lehrmaterial bereit.

Referenzen
Chen, T., and Chefd’hotel, C. (2014). Deep Learning Based Automatic Immune Cell Detection for Immunohistochemistry Images. In Machine Learning in Medical Imaging, (Cham: Springer International Publishing), pp. 17–24.
Cireşan, D.C., Giusti, A., Gambardella, L.M., and Schmidhuber, J. (2013). Mitosis detection in breast cancer histology images with deep neural networks. Med. Image Comput. Comput. Assist. Interv. 16, 411–418.
Döhner, H., Estey, E., Grimwade, D., Amadori, S., Appelbaum, F.R., Büchner, T., Dombret, H., Ebert, B.L., Fenaux, P., Larson, R.A., et al. (2017). Diagnosis and management of AML in adults: 2017 ELN recommendations from an international expert panel. Blood 129, 424–447.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature 521, 436–444.
Matek, C., Schwarz, S., Spiekermann, K., and Marr, C. (2019). Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nat Mach Intell 1, 538–544.

Eigenschaften

Freisemester erwünscht Freisemester erwünscht
Geschätzte Dauer: 12 Monate

Kommentar

Kontakt

Prof. Dr. Karsten Spiekermann (Medizinische Klinik III, LMU-Klinikum Großhadern, [email protected])

Dr. Carsten Marr (Helmholtz Zentrum München, [email protected])

Kontakt