Deep Learning-Based Human Chromosome Classification: Data Augmentation and Ensemble

Object classification is a crucial task in deep learning, which involves the identification and categorization of objects in images or videos. Although humans can easily recognize common objects, such as cars, animals, or plants, performing this task on a large scale can be time-consuming and error-prone. Therefore, automating this process using neural networks can save time and effort while achieving higher accuracy. Our study focuses on the classification step of human chromosome karyotyping, an important medical procedure that helps diagnose genetic disorders. Traditionally, this task is performed manually by expert cytologists, which is a time-consuming process that requires specialized medical skills. Therefore, automating it through deep learning can be immensely useful. To accomplish this, we implemented and adapted existing preprocessing and data augmentation techniques to prepare the chromosome images for classification. We used ResNet-50 convolutional neural network, and Swin Transformer, coupled with an ensemble approach to classify the chromosomes, obtaining state-of-the-art performance in the tested dataset.

La classificazione di oggetti è un compito cruciale nel campo del deep learning, che ne comporta l'identificazione e la categorizzazione in immagini o video. Sebbene gli esseri umani possano facilmente riconoscere oggetti comuni, come automobili, animali o piante, svolgere questo compito su larga scala può essere dispendioso in termini di tempo e soggetto ad errori. Pertanto, automatizzare questo processo utilizzando le reti neurali può far risparmiare tempo e fatica, garantendo al contempo una maggiore precisione. Il nostro studio si concentra sulla fase di classificazione del cariotipo umano, un'importante procedura medica che aiuta a diagnosticare disturbi genetici. Tradizionalmente, questo compito viene svolto manualmente da citologi esperti, un processo che richiede molto tempo e competenze mediche specifiche. Pertanto, automatizzarlo attraverso il deep learning può essere estremamente utile. Per raggiungere questo obiettivo, abbiamo implementato e adattato tecniche esistenti di pre-elaborazione e di aumento dei dati in modo da preparare le immagini dei cromosomi per la classificazione. Quindi, abbiamo utilizzato reti neurali convoluzionali di tipo ResNet-50 e lo Swin Transformer, assieme a tecniche di ensemble per classificare i cromosomi, ottenendo risultati all'avanguardia sul dataset utilizzato.