AI-Driven Analysis of Microscopy Data for Medical Decision Support

Abstract

Recent advances in deep learning have significantly expanded the possibilities of biomedical image analysis, particularly in automated and precise segmentation, classification, and tracking of cellular structures. This dissertation focuses on the computational analysis of microscopy image data acquired under real laboratory and diagnostic conditions. The analyzed datasets include both bright-field and fluorescence microscopy modalities, encompassing time-lapse imaging, low-contrast conditions, and complex biological environments.

The thesis proposes robust and interpretable methods for image data analysis aimed at cell detection, segmentation, classification, and counting—especially in challenging scenarios involving irregular cell shapes and high noise levels in the input data. It introduces a novel methodology for quantitative evaluation of wound-healing assays based on sector-wise spatial analysis and cell population tracking. Furthermore, it presents a comparative study of deep neural network architectures for the segmentation of chronic lymphocytic leukemia cells, a pipeline for automatic counting of fibroblasts and fibroblast-like cells in highly noisy bright-field microscopy images, and outlines future work focused on the application of hyperbolic neural networks for white blood cell classification from peripheral blood smears. This approach may contribute to faster and more accurate diagnostics of various hematological diseases, including leukemias.

Special emphasis is placed on fibroblast behavior during wound-healing assays. These cells exhibit heterogeneous morphology and migration patterns that require not only computational precision but also biological interpretability. By integrating deep learning techniques, classical image processing, and probabilistic modeling, the proposed approaches provide practical tools for cellular research and diagnostic applications. All proposed methods were validated on real microscopy data in collaboration with biomedical research institutions.

Pokroky v oblasti hlubokého učení významně rozšířily možnosti analýzy biomedicínských obrazových dat, zejména v oblasti automatizované a přesné segmentace, klasifikace a sledování buněčných struktur. Tato dizertační práce se zaměřuje na výpočetní analýzu mikroskopických obrazových dat získaných v reálných laboratorních a diagnostických podmínkách. Zpracovávaná data zahrnují modality světlého pole i fluorescenční mikroskopie, včetně časosběrného snímání, nízkého kontrastu a komplexního biologického prostředí.

Práce navrhuje robustní a interpretovatelné metody pro analýzu obrazových dat určené pro úkoly detekce, segmentace, klasifikace a počítání buněk – zejména v náročných scénářích s nepravidelnými tvary buněk a výrazným šumem ve vstupních datech. Je představena nová metodika kvantitativního hodnocení testů hojení ran založená na sektorové prostorové analýze a sledování buněčných populací. Dále je popsána srovnávací studie architektur hlubokých neuronových sítí pro segmentaci buněk chronické lymfocytární leukémie, navržen výpočetní postup pro automatické počítání fibroblastů a fibroblastům podobných buněk v silně zašuměných snímcích ze světelné mikroskopie a nastíněna budoucí práce, zaměřená na využití hyperbolických neuronových sítí pro klasifikaci bílých krvinek z krevních nátěrů. Tato metoda může přispět k urychlení a zpřesnění diagnostiky různých typů krevních onemocnění, včetně leukémií.

Zvláštní důraz je kladen na chování fibroblastů během testů hojení ran. Tyto buňky vykazují heterogenní morfologii a migrační vzorce, které vyžadují nejen výpočetní přesnost, ale i biologickou interpretovatelnost. Integrací metod hlubokého učení, tradičních metod zpracování obrazu a pravděpodobnostního modelování navržené přístupy přináší praktické nástroje pro buněčný výzkum i diagnostické aplikace. Všechny navržené metody byly ověřeny na reálných datech ve spolupráci s biomedicínskými institucemi.