Πρόβλεψη της Εξέλιξης Κυτταρικών Καλλιεργειών
Caco-2 σε Διατάξεις Organ-On-Chip με χρήση
Τεχνικών Βαθιάς Μάθησης

Παπέλης, Στυλιανός Μιχαήλ; Papelis, Stylianos Michail

dc.contributor.author	Παπέλης, Στυλιανός Μιχαήλ	el
dc.contributor.author	Papelis, Stylianos Michail	en
dc.date.accessioned	2026-09-02T07:23:12Z
dc.date.available	2026-09-02T07:23:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/65670
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.33364
dc.rights	Default License
dc.subject	Βαθιά Μάθηση	el
dc.subject	Κυτταρικές Καλλιέργειες	el
dc.subject	Υπολογιστική Όραση	el
dc.subject	Deep Learning	en
dc.subject	Computer Vision	en
dc.subject	Cell culture	en
dc.title	Πρόβλεψη της Εξέλιξης Κυτταρικών Καλλιεργειών Caco-2 σε Διατάξεις Organ-On-Chip με χρήση Τεχνικών Βαθιάς Μάθησης	el
dc.contributor.department	Συστημάτων Μετάδοσης Πληροφορίας & Τεχνολογίας Υλικών	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική Μηχανική	el
heal.classification	Βιοϊατρική Μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-07-02
heal.abstract	Η παρούσα διπλωματική εργασία επικεντρώνεται στον σχεδιασμό και την ανάπτυξη ενός ολοκληρωμένου, αυτοματοποιημένου και μη επεμβατικού υπολογιστικού πλαισίου, το οποίο αποτελεί βασική συνιστώσα για την ανάπτυξη ενός ψηφιακού διδύμου των κυτταρικών καλλιεργειών της ανθρώπινης εντερικής σειράς Caco-2. Η προτεινόμενη μεθοδολογία αξιοποιεί προηγμένους αλγορίθμους Βαθιάς Μάθησης και Υπολογιστικής Όρασης, καλύπτοντας τόσο συμβατικές δισδιάστατες καλλιέργειες σε τρυβλία όσο και τρισδιάστατα δυναμικά μικρορευστονικά συστήματα «Όργανο-σε-τσιπ». Το υπολογιστικό αυτό σύστημα διαρθρώνεται σε τρεις διακριτούς άξονες παρακολούθησης και ανάλυσης. Αρχικά, υλοποιείται αγωγός αυτόματης κατάτμησης στιγμιοτύπου και εξαγωγής μορφολογικών δεικτών, όπως η συρροή, το πλήθος δομών, η κυκλικότητα και ο λόγος διαστάσεων. Ο αγωγός βασίζεται σε πρωτότυπη επαναληπτική σάρωση πολλαπλών κλιμάκων σε συνδυασμό με το μοντέλο Cellpose, αντιμετωπίζοντας το πρόβλημα της υπο-κατάτμησης σε συνθήκες υψηλού κυτταρικού συνωστισμού χωρίς ανάγκη χειροκίνητης επισημείωσης. Στη συνέχεια, αναπτύσσονται προγνωστικά μοντέλα για την έγκαιρη ταξινόμηση του ρυθμού ανάπτυξης της καλλιέργειας, αξιοποιώντας αποκλειστικά το οπτικό αποτύπωμα των πρώτων 48 ωρών από τη σπορά. Συνολικά αξιολογούνται 11 αρχιτεκτονικές, συμπεριλαμβανομένων στατικών CNNs, πολυτροπικών μοντέλων σύντηξης εικόνας-χρόνου και χωροχρονικών μοντέλων ακολουθιών. Τέλος, για την ανάλυση σε μικρορευστονικό περιβάλλον, αναπτύσσεται καθολικό μοντέλο UNet για τη σημασιολογική κατάτμηση και απομόνωση του μικροκαναλιού, ενώ εισάγεται η μετρική «Πυκνότητας Ωρίμανσης» για την ποσοτικοποίηση της τρισδιάστατης μορφογένεσης και την έγκαιρη ανίχνευση αποφρακτικής υπερανάπτυξης. Τα αποτελέσματα δείχνουν ότι τα χωροχρονικά μοντέλα με Αναδρομικά Νευρωνικά Δίκτυα επιτυγχάνουν την υψηλότερη επίδοση στην πρόγνωση της ανάπτυξης, με 100% ακρίβεια σε επίπεδο ανακαλλιέργειας και 99,4% σε επίπεδο ακολουθίας υπό LOGOCV επικύρωση. Παράλληλα, το καθολικό U-Net γενικεύει επιτυχώς σε άγνωστα τσιπ, επιτυγχάνοντας μέσο IoU 0,95 και Dice Coefficient 0,97. Οι αναπτυχθέντες αγωγοί ενσωματώνονται σε διαδραστική διαδικτυακή εφαρμογή, η οποία αυτοματοποιεί τη μαζική επεξεργασία χρονοσειρών υψηλής ανάλυσης και τη στατιστική σύγκριση πειραματικών ομάδων. Συνολικά, η εργασία μετατρέπει την οπτική αξιολόγηση των κυτταρικών καλλιεργειών από υποκειμενική και εμπειρική διαδικασία σε αντικειμενική, ποσοτικοποιήσιμη και αναπαραγώγιμη μεθοδολογία.	el
heal.abstract	This diploma thesis focuses on the design and development of an integrated, automated, and non- invasive computational framework, which constitutes a core component for the development of a digital twin of human intestinal Caco-2 cell cultures. The proposed methodology leverages advanced Deep Learning and Computer Vision algorithms, covering both conventional two- dimensional cultures in well plates and three-dimensional dynamic microfluidic Organ-on-Chip systems. The computational system is structured around three distinct axes of monitoring and analysis. First, an automated instance segmentation and morphological feature extraction pipeline is implemented, extracting indicators such as confluence, structure count, circularity, and aspect ratio. The pipeline is based on a novel multi-scale iterative scanning approach combined with the Cellpose model, addressing the problem of under-segmentation under high cell crowding conditions without requiring manual annotation. Subsequently, predictive models are developed for the early classification of culture growth rate, relying exclusively on the visual footprint of the first 48 hours after seeding. In total, 11 architectures are evaluated, including static CNNs, multimodal image-time fusion models, and spatiotemporal sequence models. Finally, for microfluidic environment analysis, a universal U-Net model is developed for semantic segmentation and microchannel isolation, while the “Maturation Density” metric is introduced to quantify three-dimensional morphogenesis and enable the early detection of obstructive tissue overgrowth. The results show that spatiotemporal models based on Recurrent Neural Networks achieve the highest performance in growth prediction, reaching 100% accuracy at the reculture level and 99.4% at the sequence level under LOGOCV validation. In addition, the universal U-Net model generalizes successfully to unseen chips, achieving an average IoU of 0.95 and a Dice Coefficient of 0.97. The developed pipelines are integrated into an interactive web-based application, which automates the bulk processing of high-resolution time-series and the statistical comparison of experimental groups. Overall, this work transforms the visual evaluation of cell cultures from a subjective and empirical process into an objective, quantifiable, and reproducible methodology.	en
heal.advisorName	Νικήτα, Κωνσταντίνα
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Δελής, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100
heal.fullTextAvailability	false