En jämförande studie om maskininlärningsmodeller för automatisk klassificering av celltyper från digitalt rekonstruerade neuroner

For the last decade, the use of machine learning in neuroscientific research has become a popular topic. For instance, image recognition has been used together with machine learning to detect and also help improve the diagnostics of diseases. This study compares the accuracy of a Convolutional Neural Network (CNN), a support vector classifier and a random forest classifier to investigate which are better suited for classification of cell types based on digitally reconstructed images from mice. All models were trained on both a larger unbalanced dataset containing 49 different cell types and a smaller balanced dataset containing only 3 types. Each model was evaluated on how accurate they could classify all cell types but also their accuracy on individual cell types. The results showed that the convolutional neural network had the best mean accuracy, with 51 and 83 percent on respective datasets. When looking at classification of individual cell types, all the models had good accuracy on at least a few cell types, but still, the CNN had the best individual accuracy and also consistency. In conclusion, the results showcase that a convolutional neural network is probably better suited when classifying cell types from digitally reconstructed images, but the other methods could also perform well on some of the cell types. However, further research is needed to reach a higher accuracy and reliability of the results. Under det senaste decenniet har användningen av maskininlärning i neurovetenskaplig forskning blivit ett populärt ämne. Exempelvis har bildigenkänning med hjälp av maskininlärning använts för att upptäcka och även förbättra diagnostisering av sjukdomar. I denna studie jämförs noggrannheten i ett Convolutional Neural Network (CNN), en support vector classifier och en random forest classifier för att undersöka vilka som är bättre lämpade för klassificering av celltyper utifrån digitalt rekonstruerade bilder av hjärnceller från möss. Alla modeller tränades på både ett större obalanserad dataset som innehöll 49 olika celltyper och en mindre balanserat dataset som endast innehöll 3 typer. Varje modell utvärderades på hur väl de kunde klassificera alla celltyper men också deras noggrannhet på enskilda celltyper. Resultaten visade att CNN hade bästa medelprecision, med 51 och 83 procent på respektive datamängder. Vid klassificeringen av enskilda celltyper hade alla modeller god noggrannhet på åtminstone några celltyper, även här hade CNN den bästa individuella noggrannheten och var mer konsekvent. Sammanfattningsvis visar resultaten att ett convolutional neural network förmodligen är bättre lämpad vid klassificerar av celltyper från digitalt rekonstruerade bilder av hjärnceller, men även de andra metoderna kan vara lämpliga vid vissa celltyper. Vidare forskning inom ämnet är dock nödvändigt för att nå en högre precision och pålitlighet av resultatet