Virusneutralisaationäytteiden plakkilaskenta konenäön avulla
Karinen, Otto (2025)
2025
Tietotekniikan DI-ohjelma - Master's Programme in Information Technology
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2025-11-14
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-2025111310615
https://urn.fi/URN:NBN:fi:tuni-2025111310615
Tiivistelmä
Tässä työssä kehitetään sovellus, joka laskee sille syötetyn virusneutralisaationäytekuvan sisältämien näytteiden plakkimäärät konenäön avulla.
Plakkien lukumäärän selvittäminen, eli plakkilaskenta, on plakkien pienen koon takia varsin hidas ja työläs toimenpide, joka suoritetaan arvioimalla plakkien sijainnit silmämääräisesti suurennuslasin lävitse ja laskemalla niiden lukumäärä. Laskentaa hankaloittaa usein plakkien osittainen päällekkäisyys, eli eräänlaisiin rykelmiin syntyminen, joka voi tehdä plakkien toisistaan erottamisesta haastavaa. Näin ollen onkin hyvin todennäköistä, että plakkilaskentaa suorittavien henkilöiden laskelmissa ilmenee laskijakohtaisia eroavaisuuksia, jotka voivat heikentää tulosten luotettavuutta. Tavoitteena on siis kehittää työpöytäsovellus, joka tunnistaa sille syötetystä virusneutralisaationäytekuvasta näytekohtaiset plakit ja laskee niiden plakkimäärät, sekä visualisoi tulokset käyttäjälle piirtämällä ne syötetystä kuvasta luotuun kopioon.
Sovellus kehitettiin Python-ohjelmointikielellä ja sen konenäkötoiminnallisuus toteutettiin pääasiassa PyTorch-koneoppimissovelluskehyksen sekä OpenCV-kirjaston kuvaprosessointialgoritmien avulla. Plakkien tunnistamiseen käytettiin Faster R-CNN -objektintunnistinta, joka koulutettiin Tampereen yliopiston virologian tutkimusryhmän keräämistä virusneutralisaationäytekuvista muodostetulla 206 näytteen datajoukolla, joista annotoitiin yhteensä 8 157 plakkia.
Sovellus suoriutui plakkilaskennasta kohtalaisesti, sillä sen keskimääräiseksi tunnistustarkkuudeksi muodostui lopulta 81 %, mikä toisin sanoen tarkoittaa, että keskimäärin 19 % tehdyistä tunnistuksista sisälsi virheellisesti plakiksi tunnistettuja alueita ja/tai tunnistamatta jääneitä plakkeja. Sovelluksen keskimääräinen tunnistusherkkyys asettui hyvänä pidettävään 89 %:iin, eli se kykeni tunnistamaan esimerkiksi 100 plakkia sisältävästä näytteestä yhteensä 89 plakkia.
Työn tuloksena saatiin vähäiseen opetusdatamäärään nähden kohtalaisella 81 % tarkkuudella plakkeja laskeva sovellus, jonka suorituskykymittauksista kävi ilmi, että plakkilaskentaprosessin automatisointi on sovellusta eteenpäin kehittämällä hyvinkin mahdollista.
Plakkien lukumäärän selvittäminen, eli plakkilaskenta, on plakkien pienen koon takia varsin hidas ja työläs toimenpide, joka suoritetaan arvioimalla plakkien sijainnit silmämääräisesti suurennuslasin lävitse ja laskemalla niiden lukumäärä. Laskentaa hankaloittaa usein plakkien osittainen päällekkäisyys, eli eräänlaisiin rykelmiin syntyminen, joka voi tehdä plakkien toisistaan erottamisesta haastavaa. Näin ollen onkin hyvin todennäköistä, että plakkilaskentaa suorittavien henkilöiden laskelmissa ilmenee laskijakohtaisia eroavaisuuksia, jotka voivat heikentää tulosten luotettavuutta. Tavoitteena on siis kehittää työpöytäsovellus, joka tunnistaa sille syötetystä virusneutralisaationäytekuvasta näytekohtaiset plakit ja laskee niiden plakkimäärät, sekä visualisoi tulokset käyttäjälle piirtämällä ne syötetystä kuvasta luotuun kopioon.
Sovellus kehitettiin Python-ohjelmointikielellä ja sen konenäkötoiminnallisuus toteutettiin pääasiassa PyTorch-koneoppimissovelluskehyksen sekä OpenCV-kirjaston kuvaprosessointialgoritmien avulla. Plakkien tunnistamiseen käytettiin Faster R-CNN -objektintunnistinta, joka koulutettiin Tampereen yliopiston virologian tutkimusryhmän keräämistä virusneutralisaationäytekuvista muodostetulla 206 näytteen datajoukolla, joista annotoitiin yhteensä 8 157 plakkia.
Sovellus suoriutui plakkilaskennasta kohtalaisesti, sillä sen keskimääräiseksi tunnistustarkkuudeksi muodostui lopulta 81 %, mikä toisin sanoen tarkoittaa, että keskimäärin 19 % tehdyistä tunnistuksista sisälsi virheellisesti plakiksi tunnistettuja alueita ja/tai tunnistamatta jääneitä plakkeja. Sovelluksen keskimääräinen tunnistusherkkyys asettui hyvänä pidettävään 89 %:iin, eli se kykeni tunnistamaan esimerkiksi 100 plakkia sisältävästä näytteestä yhteensä 89 plakkia.
Työn tuloksena saatiin vähäiseen opetusdatamäärään nähden kohtalaisella 81 % tarkkuudella plakkeja laskeva sovellus, jonka suorituskykymittauksista kävi ilmi, että plakkilaskentaprosessin automatisointi on sovellusta eteenpäin kehittämällä hyvinkin mahdollista.