Level set clustering in a flow cytometry dataset |
|
Author: | Herrala, Sauli1 |
Organizations: |
1University of Oulu, Faculty of Science, Mathematics |
Format: | ebook |
Version: | published version |
Access: | open |
Online Access: | PDF Full Text (PDF, 0.8 MB) |
Pages: | 40 |
Persistent link: | http://urn.fi/URN:NBN:fi:oulu-201604191509 |
Language: | English |
Published: |
Oulu :
S. Herrala,
2016
|
Publish Date: | 2016-04-26 |
Thesis type: | Master's thesis |
Tutor: |
Holmström, Lasse |
Reviewer: |
Holmström, Lasse Klemelä, Jussi Sakari |
Description: |
Pro Gradu -työn tarkoituksena oli testata kuinka hyvin tasopuumenetelmä soveltuu virtaussytometria-aineiston klusterointiin, ja verrata sitä k-lähimmän naapurin menetelmään. Tasopuumenetelmää myös parannettiin lisäämällä Nelder-Mead (NM) -optimointimenetelmä yhteen työvaiheeseen, jotta laskenta-ajat pysyisivät hallinnassa.
Virtaussytometriassa mitataan yksittäisia soluja ja niiden ominaisuuksia, kun ne kulkevat laserin läpi. Ennen mittausta näyte on käsitelty fluerosoivalla aineella, jolloin solu hohtaa valon aallonpituuksia kulkiessaan laserin läpi. Nykyaikaiset laitteet pystyvät mittaamaan satoja tuhansia soluja ja kymmeniä aallonpituuksia kerralla. Tälläisen aineiston käsittely perinteisillä menetelmillä on erittäin raskasta.
FlowCAP-konsortio perustettiin testaamaan kuinka hyvin erilaiset klusterointi- ja luokittelumenetelmät soveltuvat sytometria-aineiston käsittelyyn. Tässä gradussa käytetään FlowCAP II -kisasta “akuutti myelooinen leukemia” -aineistoa, joka sisältää 43 sairastunutta ja 359 tervettä verrokkia. Henkilön luokitteleminen terveisiin ja sairaisiin tehtiin tukivektorikoneella tasopuumenetelmästä tai k-lähimmän naapurin menetelmästä saatuja klustereita hyödyntäen.
NM-menetelmällä saatiin selvä ajallinen hyöty ilman suurempaa menetystä tarkkuudessa, koska NM-menetelmä pääsi aina hyvin lähelle alkuperäisen algoritmin tulosta. Tasopuumenetelmä itsessään ei ollut k-lähimmän naapurin menetelmää parempi. Tämä johtui osaksi siitä, että variaatio tasopuumenetelmän tuloksien välillä oli hyvin suuri. Ero tasopuumenetelmän ja k-lähimmän naapurin menetelmän välillä oli kuitenkin pieni.
see all
|
Subjects: | |
Copyright information: |
© Sauli Herrala, 2016. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. |