Kvantifisering av histomorfologiske forandringer i hjertevev forårsaket av PMCV-infeksjon i Atlantisk laks - med bruk av bildeanalyseverktøy

Abstract

Muligheten for bruk av maskinlæring til å utarbeide en høyoppløsning av fenotypen til Atlantisk laks infisert av PMCV ble undersøkt. Problemstillingen ble vurdert til å omfatte et klassifiseringsproblem, og det ble derfor valgt å benytte en overvåket maskinlæringsmetode. Videre ble tre ulike maskinlæringsmetoder undersøk og vurdert.

Support Vector Machine er definert av et separabelt hyperplan, noe som medfører at SVM fortrinnsvis er designet for ikke-lineære og binære klassifiseringsproblemer. SVM som metode for å løse problemstillingen ble derfor forkastet. Tradisjonelle nevrale nettverk kan tenkes å fungere dårlig for klassifisering av bilder, da arkitekturen i nettverket medfører at antallet parametere raskt eskalerer, samt at tradisjonelle nettverk mangler invarians relatert til geometriske transformasjoner. ConvNets er en type nevrale nettverk designet for bildeanalyser, der den spesielle arkitekturen skal opprettholde invarians relatert til geometriske transformasjoner. På tross av at nyere studier har vist at ConvNets har lav robusthet mot støy og at invarians ikke alltid opprettholdes, ser det ut til at denne metoden er den mest optimale for å løse problemstillingen.

Det ble derfor utarbeidet et forslag til en ConvNet-modell, og modellen ble testet på et datasett bestående av manuelt klassifiserte bilder á syv klasser. Treningen av modellen gav liten suksess, årsaker til dette kan tenkes å være feil i programmeringen, og sannsynligvis ble ikke vektene initiert, noe som førte til at alle vektene startet med samme verdi. Dette medførte trolig at hverken gradienten eller vektene i modellen kunne oppdateres. Det kan også tenkes at modellen ble bygget for kompleks i forhold til datasettet som ble benyttet. Andre feilkilder kan være at bildene som ble klassifisert tenderte mot mye overlapp, manglende null-sentrering av input-data og dårlig oppløsning av input-data.

Implementering av maskinlæring som et kraftig verktøy for å løse problemstillingen i oppgaven ser ut til å være en reell mulighet. Likevel ser det ut til at det gjenstår både forskning og utvikling for å utarbeide en høy funksjonell maskinlæringsmodell, tilpasset den spesifikke histopatologien relatert til CMS. Det ble derfor utarbeidet flere forslag til veien videre, blant annet optimalisering og finstilling av nettverket, samt implementering av wavelets.

Use of machine learning as a tool for developing a high resolution phenotype of Atlantic Salmon infected with PMCV were investigated. The main problem was evaluated as a classification problem, therefor a supervised learning method were chosen. Further three different machine learning methods were investigated and evaluated.

Support vector Machine is by definition a separable hyperplane, and this type of model is primarily designed for non-linearity and binary classification problems. Use of SVM as a machine learning tool related to the issue in this thesis, were therefore rejected. Traditional neural networks seems to have problems related to image analysis, there the main reason seems to be the lack of invariance related to geometric transformations. ConvNets is a special case of neural network, specially designed for image analysis and object recognition, were the architecture maintain invariance by special features characteristic for ConvNets. Recent studies have revealed that ConvNets has low robustness for noise, and does not maintain the invariance at a high level. Despite this it seems like ConvNets is the best choice for solving the given issue.

Therefore a suggestion for a possible ConvNet model were developed. The model were tested on a dataset, consisting of histopathological images classified by seven classes. Training of the model gave little success. Probably because the weights weren’t initialized properly, something that may have caused problems with updating of the gradient. The cause can also be that the network were to complex compared to the dataset. Other causes may be that the images were prone to overlap, because of the little margin between the given classes, lack of zero-mean and poor resolution of the input-data.

Implementation of machine learning as a tool for solving the main problem seems to be a real probability. Still, it seems to remain some investigation and work before a high functional model - related to the specific histopathological lesions seen in PMCV injected Salmon. Therefore there were proposed several possibilities for further work, like optimalization and tuning of hyperparameters and implementation of wavelets.