Stima interpretabile della densità cellulare su immagini dell'endotelio corneale usando deep learning

This thesis project was proposed by FBOV (Fondazione Banca degli Occhi del Veneto) and conducted during an internship at NIDEK Technologies Srl. as a feasibility study to develop a deep learning-based system for automating the estimation of cell density from images of the corneal endothelium. Cell counting in biological tissues is a critical operation for evaluating their health and preservation status. This is particularly important when assessing human corneas before transplants, as currently, most methods rely on operators manually identifying and annotating individual cells, a labor-intensive and error-prone process. The aim of this study is to design and implement an automated cell density estimation algorithm based on deep learning techniques to provide faster and more repeatable results, and assess its performance considering requirements suitable for workflows in laboratories. FBOV provided a dataset of approximately 3,000 images acquired using three different microscopes. These images show the corneal endothelium from explanted tissues and are annotated with markers identifying the regions of interest (ROIs) and the locations of cells within them. The data was used to train and compare multiple convolutional neural networks designed to both predict cell density and provide additional detection maps to increase results interpretability and trust. Experiments led to the development of a dual-purpose network, able to accurately estimate cell density from input images and generate detection maps that serve as a valuable tool for operators conducting analyses by providing visual information on cell location. Results are promising, demonstrating the potential of this approach in enhancing speed and consistency of cell density estimation in both clinical and research settings.

Questo progetto di tesi è stato proposto da FBOV (Fondazione Banca degli Occhi del Veneto) e condotto durante uno stage presso NIDEK Technologies Srl. come studio di fattibilità per sviluppare un sistema basato sul deep learning per automatizzare la stima della densità cellulare da immagini dell'endotelio corneale. Il conteggio delle cellule nei tessuti biologici è un'operazione fondamentale per valutare il loro stato di salute e conservazione. Questo risulta particolarmente importante nella valutazione delle cornee umane prima dei trapianti, poiché attualmente la maggior parte dei metodi si basa sull'identificazione e l'annotazione manuale delle singole cellule da parte degli operatori, un processo laborioso e soggetto a errori. L'obiettivo di questo studio è quello di progettare e implementare un algoritmo automatico di stima della densità cellulare basato su tecniche di deep learning per fornire risultati più rapidi e ripetibili, e di valutarne le prestazioni considerando requisiti adatti ai flussi di lavoro in laboratorio. FBOV ha fornito un dataset di circa 3.000 immagini acquisite con tre diversi microscopi. Queste immagini mostrano l'endotelio corneale di tessuti espiantati e sono annotate con regioni di interesse (ROI) e markers che identificano la posizione delle cellule al loro interno. I dati sono stati utilizzati per addestrare e confrontare più reti neurali convoluzionali progettate per predire la densità cellulare e fornire mappe di rilevamento per aumentare l'interpretabilità e l'affidabilità dei risultati. Gli esperimenti hanno portato allo sviluppo di una rete che svolge un duplice compito, in grado di stimare accuratamente la densità cellulare dalle immagini di input e di generare mappe di rilevamento che forniscono informazioni visive sulla posizione delle cellule agli operatori che conducono le analisi. I risultati sono promettenti, dimostrando il potenziale di questo approccio nel migliorare la velocità e la coerenza della stima della densità cellulare sia in ambito clinico che di ricerca.