Automatic quantification of microglial cells from brain images

Abstract

Microglia are a type of glial cell residing in the central nervous system and represent about 10 to 15% of the brain cell population. These cells don’t produce electrical impulses and are responsible for fundamental physiological and pathological processes, as they represent the first line of immune defence within the central nervous system. Thus, the quantification of these cells is essential in a clinical context, as it allows better monitoring and planning of treatments for different pathologies. Conventional cell counting involves a specific set of tools and devices developed for this purpose. This process is time-consuming and imprecise due to being heavily dependent on the operator. Currently, most processes are performed manually. However, other approaches have been studied and developed to improve the counting process, making it less time-consuming, more efficient and reduce the error associated with factors external to the counting. That said, the objective of this dissertation is to study the best approach to automate the quantification of microglial cells, ranging from classical to deep learning methodologies. Combined with the appropriate image processing and analysis techniques, the classical approach proves to be an adequate solution. However, in recent years, approaches based on deep learning have shown promising performance in various image analysis tasks, such as classification, detection and segmentation. The approaches developed to automate the quantification process were tested on a set of images built in partnership with researchers from the School of Medicine of the University of Minho. As for the classical methodology approach, a protocol was developed within ImageJ, which was combined with image processing techniques that allowed the automation of the counting process. Based on Convolutional Neural Networks, the classification problem referring to a deep learning methodology obtained an accuracy of 0.9021 and managed to classify the 661 images in 5 minutes and 44 seconds. The two approaches, considered optimal within each methodology, are competitive with the state-of-the-art methods, as they allowed for the automation of the quantification process, and showed a significant improvement in reproducibility, efficiency and reduced error associated with human factors.

A microglia é um tipo de célula glial residente no sistema nervoso central e representa cerca de 10 a 15% da população de células cerebrais. Estas células não produzem impulsos elétricos, são responsáveis por processos fisiológicos e patológicos fundamentais, e representam a primeira linha de defesa dentro do sistema nervoso central. Assim, a quantificação destas células é fundamental num contexto clínico, pois permite uma melhor monitorização e planeamento de tratamentos para diversas patologias. A contagem convencional de células envolve um conjunto específico de ferramentas e dispositivos desenvolvidos para esse fim. Este processo é demorado e impreciso devido a estar bastante dependente do operador. Atualmente, a maioria dos processos são feitos manualmente. No entanto, outras abordagens têm sido estudadas, com o intuito de melhorar o processo de contagem, para tornar o mesmo menos demorado, mais eficiente e reduzir o erro associado a fatores externos à contagem. Posto isto, o objetivo desta dissertação é o de estudar a melhor abordagem para automatizar a quantificação de células microgliais indo desde os métodos clássicos aos de deep learning. Combinado com as devidas técnicas de processamento e análise de imagem, a abordagem clássica mostra-se uma solução adequada. Contudo, nos últimos anos, abordagens baseadas em deep learning evidenciaram um desempenho promissor em várias tarefas de análise de imagens, como classificação, deteção e segmentação. As abordagens desenvolvidas para automatizar o processo de quantificação foram testadas num conjunto de imagens construído em parceria com elementos da Escola de Medicina da Universidade do Minho. Quanto à abordagem da metodologia clássica, foi desenvolvido um protocolo dentro do ImageJ, que aliado com técnicas de processamento de imagem permitiu automatizar o processo de contagem. Com base em redes neuronais convolucionais, o problema de classificação referente a uma metodologia de deep learning obteve uma accuracy de 0.9021 e conseguiu classificar as 661 imagens em 5 minutos e 44 segundos. As duas abordagens, consideradas ótimas dentro de cada metodologia, são competitivas com os métodos do estado da arte, pois permitiram automatizar o processo, mostraram uma significativa melhoria na reprodutibilidade e eficiência.