ErythrocytesRheologyAI

Описание

ErythrocytesRheologyAI — открытый репозиторий на платформе GitHub, содержащий коллекцию Jupyter-блокнотов для анализа реологических свойств эритроцитов с использованием методов машинного обучения. Репозиторий разработан в рамках магистерского исследования по изучению кинетики агрегации и деформируемости эритроцитов человека в потоке.

Размеченные датасеты можно скачать по ссылке: Яндекс.Диск

Основные возможности

• Автоматизированная сегментация эритроцитов с использованием Cellpose
• Сегментация агрегатов эритроцитов на основе Omnipose
• Классификация морфологических состояний с помощью EfficientNet
• Количественный анализ деформируемости и параметров агрегации
• Статистический анализ распределений

Структура репозитория

ErythrocytesRheologyAI/
├── Cellpose/                  # Сегментация отдельных эритроцитов
│   ├── deformability_analysis.ipynb
│   ├── cellpose_segmentation.ipynb
│   └── distribution_analysis.ipynb
├── Omnipose/                  # Анализ агрегации эритроцитов
│   ├── aggregation_kinetics.ipynb
│   ├── omnipose_segmentation.ipynb
│   └── aggregate_parameters.ipynb
├── Efficient net/             # Классификация с глубоким обучением
│   ├── efficientnet_training.ipynb
│   ├── classification_analysis.ipynb
│   └── explainability_analysis.ipynb
├── Additional notebooks/      # Дополнительные блокноты
│   ├── data_preprocessing.ipynb
│   ├── statistical_analysis.ipynb
│   └── correlation_analysis.ipynb
├── README.md
└── LICENSE

Научные результаты

Разработанные методы позволяют:

• Выявлять клеточную гетерогенность в образцах крови
• Обнаруживать малые фракции эритроцитов с измененной деформируемостью
• Классифицировать агрегаты с точностью >80%

Цитирование работы

Если вы используете код или методы из этого репозитория в своих исследованиях, пожалуйста, процитируйте нашу работу:

Формат BibTeX:

@mastersthesis{ladynin2025erythrocytes,
  title={Кинетика агрегации и деформируемости эритроцитов человека в потоке: исследование с применением методов машинного обучения in vitro},
  author={Ладынин, Александр Иванович},
  year={2025},
  school={Московский государственный университет имени М.В. Ломоносова, Физический факультет},
  address={Москва, Россия},
  type={Магистерская диссертация},
  supervisor={Сергеева, И.А. and Луговцов, А.Е.},
  url={https://github.com/Lannix/ErythrocytesRheologyAI}
}

Формат текстового цитирования:

Русский язык:

Ладынин А.И. Кинетика агрегации и деформируемости эритроцитов человека в потоке: исследование с применением методов машинного обучения in vitro. Магистерская диссертация. М.: МГУ имени М.В. Ломоносова, Физический факультет, 2025. URL: https://github.com/Lannix/ErythrocytesRheologyAI

English:

Kinetics of human red blood cell aggregation and deformability in flow conditions: a machine learning in vitro study. Master's thesis. Moscow: Lomonosov Moscow State University, Faculty of Physics, 2025. Available at: https://github.com/Lannix/ErythrocytesRheologyAI

Дополнительные ссылки:

При использовании конкретных методов также рекомендуется цитировать:

• Cellpose: Stringer, C., Wang, T., Michaelos, M., & Pachitariu, M. (2021). Cellpose: a generalist algorithm for cellular segmentation. Nature methods, 18(1), 100-106.
• Omnipose: Cutler, K. J., et al. (2022). Omnipose: a high-precision morphology-independent solution for bacterial cell segmentation. Nature methods, 19(11), 1438-1448.
• EfficientNet: Tan, M., & Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. International conference on machine learning.

Лицензия

Данный проект распространяется под лицензией Apache-2.0. См. файл LICENSE для подробностей.