TFG: Validación visual automática de biomarcadores mediante a técnica IHC en tecnoloxía farmacéutica

Este repositorio contén os programas creados como parte do meu Traballo de Fin de Grao (TFG) sobre a creación dunha ferramenta para a detección e clasificación de células tratadas con IHC en base á tinción das mesmas.

Índice

• Requisitos
• Información relevante
  • Recomendacións
  • Programas
    • Programas do directorio fonte
    • Programas do directorio da ferramenta
  • Ficheiros de configuración
• Uso
  • Creación do entorno
  • Uso da ferramenta
• Contacto

Requisitos

• Entorno: Python 3.8 ou superior empregando miniconda e o ficheiro de entorno environment.yml.

• Librarías:

  • Cellpose libraría principal do modelo de segmentación de imaxes empregado neste traballo.
  • Pytorch libraría principal do modelo de clasificación de imaxes empregado neste traballo.
  • Pycocotools libraría encargada de obter a información dos valores de referencia pertencentes ás anotacións gardadas en ficheiros JSON con formato COCO.
  • Numpy libraría obrigatoria para poder manexar os resultados do modelo de segmentación.
  • OpenCV libraría que contén todas as funcións empregadas no procesamento de imaxes.
  • Scikit-learn libraría da que se obteñen as función empregadas para avaliar o grao de precisión da clasificación de imaxes.
  • cuda libraría necesaria para que o entorno recoñeza a presenza da gráfica e permite aproveitar ao máxima as capacidades das GPUs de NVIDIA.

• Cuda toolkit: kit de ferramentas de CUDA, necesario para que o entorno recoñeza a gráfica e se poda usar na execución da ferramenta. A versión deste kit e a da libraría cuda do entorno deben coincidir. Neste caso empregouse a versión de cuda 12.6.

Información relevante

Recomendacións para a execución

Para o correcto funcionamento da ferramenta é aconsellable empregar unha computadora cunha tarxeta gráfica de NVIDIA, para que os modelos se poidan executar nela e así permitir que o porcesado de imaxes remate máis rápido.

En caso de querer empregar os modelos que se empregaron neste traballo é aconsellábel que a resolución das imaxes sexa de 648x486 píxeles ou resolucións similares. Esta resolución é a que se empregou no axuste do modelo cellpose e os valores dos parámetros axustados foron escollidos en relación con esta resolución. En caso de que as imaxes a analizar teñan unha resolución moi diferente á indicada anteriormente deberán modificarse os valores do ficheiro de configuración da ferramenta para que se axusten á nova resolución. O uso dunha resolución distinta da indicada pode afectar negativamente ao funcionamento da ferramenta.

O ficheiro CSV xerado reescribirá calquera ficheiro CSV co mesmo nome no directorio destino.

En caso de querer empregar o código do repositorio para adestrar un modelo de segmentación Cellpose distinto, hai que ter en conta que a función de avaliación do modelo de segmentación boundary_scores require unha gran cantidade de memoria durante a execución.

Programas

Os programas do traballos divídense en dos directorios con diferentes propósitos, o directorio fonte (src) e o directorio da ferramenta (ferramenta).

Programas do directorio fonte

No directorio fonte están recollidos os programas empregados para o cálculo das métricas e os adestramentos e axustes dos modelos, así como outros programas auxiliares empregados para o manexo das anotacións en formato COCO. Dentro desde directorio existen dous subdirectorios, o directorio cellpose e o directorio ihc. Os programas máis relevantes son:

• train.py: programa do subdirectorio cellpose que contén as funcións necesarias para adestramento do modelo de segmentación.
• reducir_tam_imagenes_y_mascaras.py: programa do subdirectorio ihc empregado para reescalar as imaxes e as máscaras. O ficheiro de configuración é preprocesado.json.
• evaluar_segmentacion.py: programa do subdirectorio ihc empregado para calcular as métricas do modelo de segmentación. O ficheiro de configuración é modelo_cellpose.json.
• entrenamiento.py: programa do subdirectorio ihc que serve para adestrar o modelo de segmentación de Cellpose cyto3. O ficheiro de configuración é entrenamiento_segmentacion.json.
• clasificacion_empleando_red_neuronal.py: programa do subdirectorio ihc empregado para axustar o modelo de clasificación e comprobar as métricas do mesmo. O ficheiro de configuración é entrenamiento_clasificacion.json
• crear_mascaras_de_anotaciones_coco.py: programa do subdirectorio ihc que serve para crear as máscaras dun ficheiro de anotacións COCO. Existe outro ficheiro, chamado crear_mascaras_coloridas_de_anotaciones_coco.py, que xera as mesmas máscaras pero tinguidas para poder observar as distintas células anotadas. O ficheiro de configuración de ambos programas é anotaciones_coco.json.

Programas do directorio da ferramenta

No directorio da ferramenta están recollidos todos os programas necesarios para que se poda executar a ferramenta sen problemas. O ficheiro correspondente á ferramente é reconocimiento_y_clasificacion.py, que permite procesar todas as imaxes con extensión válida (png, jpg, jpeg, tif e tiff) dun directorio que se pasa como argumento. O ficheiro de configuración da ferramenta é reconocimiento_y_clasificacion.json. Este programa ten dous argumentos:

• -d ou --dir: argumento obrigatorio. Directorio a analizar que pode ser unha ruta absoluta ou relativa ao directorio onde se execute o comando.
• --output_dir: argumento opcional. Directorio de saída onde se gardará o ficheiro resultando da execución do programa. Ten que introducirse un directorio válido podendo ser unha ruta absoluta ou relativa ao directorio onde se execute o comando.

Ficheiros de configuración

Para poder poder facer un seguimento dos cambios que producen os distintos parámetros de configuración nas métricas creáronse os ficheiros de configuración, que se gardan no directorio config do directorio raíz. Os ficheiros de configuración existentes neste proxecto son:

Nome do programa	Descrición
anotaciones_coco.json	Afecta aos programas crear_mascaras_de_anotaciones_coco.py e crear_mascaras_coloridas_de_anotaciones_coco.py.
entrenamiento_clasificacion.json	Afecta ao programa clasificacion_empleando_red_neuronal.py.
entrenamiento_segmentacion.json	Afecta ao programa entrenamiento.py.
modelo_cellpose.json	Afecta ao programa evaluar_segmentacion.py.
preprocesado.json	Afecta ao programa reducir_tam_imagenes_y_mascaras.py.
reconocimiento_y_clasificacion.json	Afecta ao programa reconocimiento_y_clasificacion.py
umbrales_tincion.json	Afecta ao programa clasificar_umbrales_color.py.

As métricas froito das probas almacénanse no directorio resultados.

Uso

Creación do entorno

Para crear o entorno hai que situarse no directorio onde se almacene o ficheiro de entorno environment.yml e executar o comando:

    conda env create -f environment.yml

En caso de querer crear o entorno en Windows, debe empregarse o terminal que se descarga con miniconda.

Uso da ferramenta

1. Clonar o repositorio:

   git clone https://github.com/Espasante-XP/TFG-IHC-Iago_Barcon_Pineiro.git

2. Moverse á carpeta onde se atopa o programa:

   cd TFG-IHC-Iago_Barcon_Pineiro/ferramenta

3. Executar o programa:

   python reconocimiento_y_clasificacion.py --dir dir_analizar

Contacto

Para calquera dúbida ou suxerencia, por favor contacte conmigo a través de iago.b.pineiro@gmail.com.

---

Este traballo é parte do meu TFG na Universidade de Santiago de Compostela, supervisado por Xosé Manuel Pardo López como titor, e por Raquel Dosil Lago e Patricia Díaz Rodriguez, como co-titoras.