23753

MAT2 691

كارشناسي ارشد

علوم كامپيوتر- محاسبات نرم و هوش مصنوعي

رياضي و آمار

1403/05/27

84

محسن علمبردار ميبدي , محمدرضا شمس

زهرا گلي

يولو , ميكروفلوئيديك قطره اي , تشخيص اشياء , داده هاي مصنوعي , شبكه ي مولد متخاصم

ناهمگني سلولي حتي در سلول هاي همسان تفاوت هايي در ويژگي هاي آنها نسبت به يكديگر ايجاد ميكند براي تحليل دقيق تر بايد هر سلول به طور جداگانه بررسي شود با اين حال جداسازي سلولهاي منفرد از يك جمعيت سلولي با استفاده از روشهاي آزمايشگاهي فعلي به دليل احتمال آسيب به سلولها، پيچيدگي هاي زيادي دارد فناوري ميكروفلوئيد يك قطره اي كپسوله سازي سلولها و تك سلولها را در قطرات جداگانه و بدون آسيب رساندن به آنها انجام ميدهد؛ اما رسوب و تجمع سلولها در كانالهاي ميكروفلوئيديك باعث كاهش كارايي كپسوله سازي ميگردد بنابراين استفاده از هوش مصنوعي و يادگيري عميق براي كنترل بلادرنگ شرايط كپسوله سازي ضروري است. اما از طرفي توليد داده هاي كافي براي آموزش مدلهاي يادگيري عميق به دليل انسداد در كانالهاي ميكروفلوئيديك و نادر بودن برخي از نمونه هاي سلولي چالش برانگيز است اين پژوهش با هدف بهبود كميت داده هاي آموزش با بهره گيري از يك شبكه ي مولد متخاصم، به منظور توليد داده هاي مصنوعي متنوع و با كيفيتي قابل قبول در جهت هوشمندسازي سامانه هاي ميكروفلوئيد يك قطره اي، دو رويكرد مهم را دنبال مي.كند در رويكرد ،اول ابتدا دادههاي مصنوعي با استفاده از يك شبكه ي مولد متخاصم توليد شدند سپس از تركيب اين داده ها با داده هاي واقعي مجموعه ي آموزشي با 67٪ داده ي مصنوعي ايجاد گرديد كه از آن براي آموزش مدل YOLOv8s به منظور تشخيص و دسته بندي خودكار قطرات ميكروفلوئيديك در تصاوير استفاده شد و در انتها دقت مدل به دست آمده با مدل آموزش ديده روي تصاوير حاصل از روشهاي مرسوم داده ،افزايي مقايسه گرديد در رويكرد دوم ،نيز، مجموعه ي آموزشي با ٪96 داده ي مصنوعي براي آموزش مدل YOLOv8s مورد استفاده قرار گرفت تحليل نتايج رويكرد اول نشان داد مدل حاصل از آموزش روي تركيب دادههاي واقعي و مصنوعي با mAP0.5 برابر با 98٪ دقت بالاتري نسبت به مدل آموزش ديده روي دادههاي حاصل از روشهاي مرسوم داده افزايي داشته و فرايند آموزش سريع تر و پايدارتري را طي كرده است. از طرفي استفاده از شبكه ي قدرتمند YOLOv8 با تشخيص حدود 2338 قطره در ثانيه سرعت پردازش بسيار بالايي نسبت به نسخه هاي قبل YOLO براي هر دو مدل به ارمغان آورده است. در رويكرد دوم ،نيز مدل حاصل با mAP0.5 برابر با 92 نشان داد كه استفاده از شبكه ي مولد متخاصم به منظور جبران كمبود بيش از حد داده ها بسيار موفقيت آميز عمل كرده است.

droplet Microfluidics , Object Detection , YOLO , Synthetic Data , Generative Adversarial Network

Automation of droplet Microfluidic Systems and Single-cell Analysis Technology Utilizing Deep Learning

رياضي كاربردي و علوم كامپيوتر

Cellular heterogeneity, even among identical cells, results in differences in their characteristics, necessitating the analysis of each cell individually for more accurate examination. However, isolating single cells from a cell population using current laboratory methods presents significant complexities due to the risk of cell damage. droplet microfluidic technology allows for the encapsulation of cells, including single cells, in separate droplets without causing harm. However, sedimentation and aggregation of cells in microfluidic channels reduce encapsulation efficiency. Consequently, the use of artificial intelligence and deep learning for real-time control of encapsulation conditions is crucial. However, producing sufficient data to train deep learning models is challenging due to clogging in microfluidic channels and the rarity of certain cell types. This research aims to enhance the quantity of training data by utilizing a Generative Adversarial Network (GAN) to produce diverse and high-quality synthetic data for the automation of droplet microfluidic systems. Two important approaches were followed. In the first approach, synthetic data were generated using a GAN. Subsequently, by combining these data with real data, a training set with 67% synthetic data was created, which was then used to train the YOLOv8s model for the automatic detection and classification of microfluidic droplets in images. Finally, the performance of the resulting model was compared with that of a model trained on images generated using conventional data augmentation methods. In the second approach, a training set with 96% synthetic data was used to train the YOLOv8s model. Analysis of the results from the first approach revealed that the model trained on a combination of real and synthetic data achieved higher performance with an mAP0.5 (mean Average Precision) of 98% compared to the model trained on data generated using conventional data augmentation methods. Additionally, the training process was faster and more stable. Furthermore, the powerful YOLOv8 network achieved a very high processing speed, detecting around 2,338 droplets per second, significantly outperforming previous YOLO versions for both models. In the second approach, the resulting model achieved an mAP0.5 of 92%, demonstrating that the use of a GAN to compensate for severe data scarcity was highly successful.Keywords: Autometrics algorithm, Adaptive lasso regression, Lasso regression, Least trimmed squares, Least median of squares, Lesat squares method, Ridge regression.

5

34522