Abstract Wastewater treatment is facing challenges due to the stricter legislation and increasing variety in the quantity and quality of the influent. In addition, for economic reasons the use of resources should be efficient. Therefore new automated monitoring tools and methods along with intelligent use of the gathered data are required to increase knowledge on the treatment process and to receive predictive information on the quality of the effluent that can be used to assist in optimizing the process operation. Predicting the effluent quality is difficult, as the complex treatment process includes several simultaneous nonlinear mechanisms and the relevant continuous information on the floc morphology is commonly missing, even though the flocculation process holds the key role in efficient wastewater treatment. Automated optical monitoring is able to reveal new valuable information on wastewater continuously, fast, objectively, and with minimal labor contribution. The main aim of this research was to develop predictive models for the quality parameters of treated wastewater at two full-scale wastewater treatment processes utilizing optical monitoring results. The actual predictive information was enabled using the measurements from the beginning of the process in model development alone. The optimal subsets of the model variables were sought by variable selection methods. The research also shows how utilization of the process measurements and the optical monitoring variables separately and together affect the modeling accuracy. The quality of the effluent in municipal and industrial wastewater treatment processes can be predicted in varying operating conditions by utilizing optical monitoring and process measurements. The prediction accuracy is sufficient to reveal the level of and changes in effluent quality. Thus, process operation can be optimized, more efficiently purified wastewater can be achieved, and environmental damage, health-related risks, and economic losses can be minimized. / Tiivistelmä Jätevedenkäsittely kohtaa tulevaisuudessa haasteita tiukentuvan lainsäädännön sekä lisääntyvän jätevesimäärän ja laatuvaihteluiden vuoksi. Lisäksi taloudellisista syistä resurssien käytön pitäisi olla mahdollisimman tehokasta. Tämän vuoksi tarvitaan uusia automaattisia monitorointivälineitä ja -menetelmiä sekä kerätyn datan älykästä käyttöä lisäämään tietoa käsittelyprosessista ja ennustamaan käsitellyn jäteveden laatua prosessin ohjauksen optimoimiseksi. Käsitellyn jäteveden laadun ennustaminen on vaikeaa, sillä monimutkainen käsittelyprosessi sisältää useita yhtäaikaisia epälineaarisia mekanismeja ja olennainen jatkuva-aikainen tieto flokkien morfologiasta puuttuu, vaikka flokkausprosessi on keskeisessä asemassa jätevedenpuhdistuksen tehokkaan toiminnan kannalta. Automaattisen optisen monitoroinnin avulla saadaan uutta hyödyllistä tietoa jätevedestä jatkuva-aikaisesti, nopeasti, objektiivisesti ja vähäisellä työpanoksella. Tämän tutkimustyön päätavoite oli kehittää ennustemalleja kahden täysikokoisen jätevesilaitoksen käsitellyn jäteveden laatuparametreille hyödyntäen automaattista optista monitorointia. Malleissa käytettiin vain prosessin alkuosan mittauksia, jotta malleilla olisi todellinen kyky ennakoida käsitellyn jäteveden laatu. Mallien optimaaliset tulomuuttujat etsittiin muuttujavalinta-algoritmeilla. Tutkimus näyttää myös, miten prosessimittausten ja optisen monitoroinnin muuttujien hyödyntäminen yhdessä ja erikseen vaikuttaa mallien tarkkuuteen. Optisen monitoroinnin hyödyntäminen yhdessä prosessimittausten kanssa mahdollistaa käsitellyn jäteveden laadun ennustamisen vaihtelevissa olosuhteissa sekä teollisessa että kunnallisessa jätevedenkäsittelylaitoksessa. Mallinnustarkkuus on riittävä laatuparametrien tason ja muutosten esittämiseen ja käytettäväksi apuna prosessin ohjauksessa. Tällöin jäteveden puhdistusprosessi tehostuu ja ympäristövahingot, terveysriskit ja taloudelliset menetykset voidaan minimoida.

Abstract Colorectal cancer (CRC) is one of the most common malignancies and causes of cancer deaths in Finland. Increased number of tumor-infiltrating immune cells has been associated with improved survival in CRC. However, accurate, reproducible analysis methods, as well as better understanding of the interrelationships between different inflammatory markers would be important in order to establish a valuable prognostic and potentially predictive tool. In these studies, a computer-assisted method for the analysis of the densities of tumor-infiltrating immune cells and a quantitative method for the evaluation of CRC-associated lymphoid reaction (CLR) were adopted and validated. Utilizing the new methods, the inflammatory cell infiltration was characterized in independent groups of 418 (Cohort 1) and 149 (Cohort 2) CRC patients. Serum matrix metalloproteinase-8 (MMP-8) levels were measured in Cohort 2 and in a control group of 83 healthy age- and gender-matched controls. The automated cell counting method was found accurate and reproducible. In the tumor samples, there were high positive correlations between different types of immune cells, with the exception of mast cells and CD1a+ immature dendritic cells. High numbers of T cells predicted improved disease-free survival. High CLR density correlated with low tumor stage, but also with better survival regardless of stage. The median serum MMP-8 level of the patients was more than three times higher than that of the healthy controls. In conclusion, the present studies provide insight into the significance of various immune cell types and inflammatory markers in CRC and validate new methods for the analysis of immune cell infiltration in CRC. The results suggest that, especially, the densities of tumor-infiltrating T cells and CLR represent relevant prognostic indicators in CRC. Further studies are needed to evaluate the potential value of serum MMP-8 as an aid for CRC diagnostics, surveillance, or prognostication. / Tiivistelmä Kolorektaalisyöpä on yksi yleisimmistä pahanlaatuisista kasvaintaudeista ja syöpäkuolemien aiheuttajista Suomessa. Tulehdussolujen korkean määrän kasvainnäytteissä on havaittu olevan yhteydessä potilaiden parempaan ennusteeseen. Tarkat ja luotettavat analyysimenetelmät sekä tieto eri tulehdusmerkkiaineiden keskinäisistä yhteyksistä olisivat tärkeitä, jotta tulehdussolukon määritystä voitaisiin luotettavasti käyttää potilaiden ennusteen arviointiin. Tutkimuksessa otettiin käyttöön ja validoitiin uusi tietokonepohjainen menetelmä kasvaimen tulehdussolukon arviointiin sekä uusi menetelmä kolorektaalisyövän imukeräsreaktion arviointiin. Kasvainnäytteiden tulehdussolukon määrää ja laatua analysoitiin itsenäisissä 418 (Kohortti 1) ja 149 (Kohortti 2) kolorektaalisyöpäpotilaan aineistoissa uusia menetelmiä hyödyntäen. Lisäksi kohortilta 2 sekä 83 terveeltä ikä- ja sukupuolivalikoidulta verrokilta määritettiin seerumin matriksin metalloproteinaasi-8 (MMP-8) -taso. Tietokonepohjaisen kuva-analyysin tarkkuus ja toistettavuus todettiin erinomaiseksi. Kasvainnäytteistä analysoitujen tulehdussolutyyppien määrät olivat riippuvaisia toisistaan mast-soluja ja CD1a+ epäkypsiä dendriittisoluja lukuun ottamatta. T-solujen runsas määrä oli yhteydessä taudin vähäisempään uusiutumisriskiin. Korkea imukerästiheys kasvainnäytteissä oli yhteydessä matalaan levinneisyysasteeseen sekä potilaiden parempaan ennusteeseen levinneisyysasteesta riippumatta. Seerumin MMP-8-tason mediaani oli potilailla yli kolme kertaa korkeampi kuin terveillä verrokeilla. Tutkimus tuo lisätietoa eri tulehdussolutyyppien ja tulehdusmerkkiaineiden merkityksestä kolorektaalisyövässä, ja sen tuloksena validoitiin uusia tulehdussolukon analysointimenetelmiä. Tulosten perusteella erityisesti kasvaimen alueen T-solujen ja imukerästen tiheys tuovat hyödyllistä tietoa potilaiden ennusteesta. Lisätutkimuksia tarvitaan seerumin MMP-8:n mahdollisesta soveltuvuudesta kolorektaalisyövän diagnostiikan, seurannan tai ennusteen määrittämisen apuvälineeksi.

Abstract Flocculation plays a critical role in the activated sludge process, where flocs are removed by settling and where unsatisfactory flocculation is resulting in poor effluent quality. Control and operation of the process is also challenging as it is sensitive to external and internal disturbances. Furthermore, stricter environmental demands are also being placed on wastewater treatment and discharge quality thus solutions are needed to improve the current systems. A novel optical monitoring method employing a tube flow and a CCD camera was developed to characterize the flocs and filaments of the sludge, and the method was tested on samples from full-scale activated sludge plants. An online device operating on the same principle was also developed and this was tested over a period of eight months at municipal wastewater treatment plant. Optical monitoring was employed in the laboratory to study the breakage of activated sludge flocs. Based on the image analysis data, in the industrial plant the major breakage process was large-scale fragmentation. In the two municipal plants, it was surface erosion. The flocs had more filaments and were more irregular in shape in the industrial plant, which could be the reason for the large-scale fragmentation. The effect of floc morphology on the effluent clarity of the activated sludge process was studied in the industrial and municipal activated sludge plants by optical monitoring over periods of three months and eight months, respectively. The changes in floc morphology took place slowly in both plants. Four major factors that correlated with the purification results were the size and shape of the flocs and the quantities of small particles and filaments. The image analysis results suggested that the settling problem that occurred during the test periods in the industrial plant was caused by dispersed growth, whereas that in the municipal plant was caused by filamentous bulking. In conclusion, it is possible to use the developed method online in order to analyse the state of flocculation. Thus the method could be useful when developing online monitoring applications for quantifying floc characteristics and for diagnosing the causes of settling problems in the wastewater treatment plants. / Tiivistelmä Aktiivilieteprosessissa flokkulaatiolla on merkittävä rooli, sillä muodostuneet flokit poistetaan prosessista laskeutuksen avulla. Siten huono flokkulaatio johtaa puhdistetun jäteveden kiintoainemäärän lisääntymiseen. Prosessin säätö ja operointi on kuitenkin hankalaa, sillä aktiivilieteprosessi on herkkä ulkoisille ja sisäisille häiriöille. Jätevedenpuhdistukseen liittyvät ympäristövaatimukset ja päästöehdot vesistöihin ovat myös tiukentuneet, joten uusia menetelmiä tarvitaan parantamaan nykyisiä prosesseja. Tässä työssä kehitettiin uusi, optinen kuvantamismenetelmä karakterisoimaan flokkeja ja rihmoja. Menetelmä hyödyntää putkivirtausta ja CCD-kameraa ja sitä testattiin aktiivilietelaitosten näytteillä. Lisäksi kehitettiin samaa periaatetta noudattava online-laitteisto, jota testattiin kahdeksan kuukauden ajan. Optista kuvantamista testattiin laboratoriossa flokkien hajoamistutkimuksessa. Kuva-analyysitulosten perusteella kahden kunnallisen aktiivilietelaitoksen flokit hajosivat pintaeroosioon perustuvan mallin mukaan ja teollisen aktiivilietelaitoksen flokit hajosivat fragmentaatiomallin mukaan. Teollisen aktiivilietelaitoksen flokeissa oli enemmän rihmoja ja ne olivat epäsäännöllisemmän muotoisia, mikä voi olla syynä flokkien fragmentaatioon. Flokkien morfologian vaikutus jäteveden puhdistustuloksiin tutkittiin teollisessa (kolmen kuukauden ajan) ja kunnallisessa (kahdeksan kuukauden ajan) aktiivilietelaitoksessa optisella kuvantamismenetelmällä. Molemmissa laitoksessa muutokset flokkien morfologiassa tapahtuivat hitaasti. Neljä tärkeintä tekijää, jotka korreloivat puhdistustulosten kanssa, olivat flokkien koko ja muoto sekä pienten partikkelien ja rihmojen määrä. Kuva-analyysitulosten perusteella laskeutumisongelma teollisessa jätevesilaitoksessa johtui flokinmuodostajabakteerien liian pienestä määrästä ja kunnallisessa jätevesilaitoksessa rihmamaisten bakteerien liikakasvusta. Yhteenvetona voidaan todeta, että kehitettyä menetelmää on mahdollista käyttää online-mittarina sekä sen avulla voidaan arvioida flokkulaation tilannetta. Siten menetelmää on mahdollista hyödyntää flokkien ominaisuuksien karakterisoinnissa ja arvioidessa jätevedenkäsittelylaitoksen laskeutumisongelmien aiheuttajaa.

Abstract Biology and medicine rely heavily on images to understand how the body functions, for diagnosing diseases and to test the effects of treatments. In recent decades, microscopy has experienced rapid improvements, enabling imaging of fixed and living cells at higher resolutions and frame rates, and deeper inside the biological samples. This has led to rapid growth in the image data. Automated methods are needed to quantitatively analyze these huge datasets and find statistically valid patterns. Cell segmentation and tracking is critical for automated analysis, yet it is a challenging problem due to large variations in cell shapes and appearances caused by various factors, including cell type, sample preparation and imaging setup. This thesis proposes novel methods for segmentation and tracking of cells, which rely on machine learning based approaches to improve the performance, generalization and reusability of automated methods. Cell proposals are used to efficiently exploit spatial and temporal context for resolving detection ambiguities in high-cell-density regions, caused by weak boundaries and deformable shapes of cells. This thesis presents two cell proposal methods: the first method uses multiple blob-like filter banks for detecting candidates for round cells, while the second method, Cell Proposal Network (CPN), uses convolutional neural networks to learn the cell shapes and appearances, and can propose candidates for cells in a wide variety of microscopy images. CPN first regresses cell candidate bounding boxes and their scores, then, it segments the regions inside the top ranked boxes to obtain cell candidate masks. CPN can be used as a general cell detector, as is demonstrated by training a single model to segment images from histology, fluorescence and phase-contrast microscopy. This work poses segmentation and tracking as proposal selection problems, which are solved optimally using integer linear programming or approximately using iterative shortest cost path search and non-maximum suppression. Additionally, this thesis presents a method which utilizes graph-cuts and an off-the-shelf edge detector to accurately segment highly deformable cells. The main contribution of this thesis is a cell tracking method which uses CPN to propose cell candidates, represents alternative tracking hypotheses using a graphical model, and selects the globally optimal sub-graph providing cell tracks. It achieves state-of-the-art tracking performance on multiple public benchmark datasets from both phase-contrast and fluorescence microscopy containing cells of various shapes and appearances. / Tiivistelmä Biologia ja lääketiede nojaavat vahvasti kuvatietoon solujen ja kehon toimintojen ymmärtämiseksi sairauksien diagnostiikassa ja hoitojen vaikutusten seuraamisessa. Viime vuosikymmeninä mikroskopiassa on tapahtunut nopeaa teknistä kehitystä, mikä on mahdollistanut elävien solujen kuvantamisen tarkemmin, nopeammin sekä syvemmältä automatisoidusti useasta näytteestä. Tämä taas on johtanut kuvadatan nopeaan kasvuun ja suurempaan määrään biologisia kysymyksiä, joihin voidaan vastata. Kuvadatan räjähdysmäisen kasvun vuoksi kaikkia tuloksia ei voida enää tulkita pelkästään ihmistyövoimaa käyttämällä, mikä on johtanut tarpeeseen kehittää automaattisia menetelmiä analysoimaan kvantitatiivisesti suuria datajoukkoja ja löytämään tilastollisesti kelvollisia malleja. Solujen erottaminen niiden ympäristöstä ja toisista soluista (segmentointi) ja solujen seuranta ovat kriittisiä alkuvaiheen osia onnistuneessa automaattisessa analyysissä. Automaattisten menetelmien kehittämisessä solusegmentointi on kuitenkin osoittautunut hyvin haastavaksi ongelmaksi solujen muodon ja ulkonäön suurten muutosten vuoksi solutyypistä, näytteen valmistelusta ja kuvantamisjärjestelmästä johtuen. Tämä väitöskirja esittää uusia menetelmiä solujen segmentointiin ja seurantaan keskittyen koneoppimiseen perustuviin lähestymistapoihin, jotka parantavat automaattisten menetelmien suorituskykyä ja uudelleenkäytettävyyttä. Spatiaalista ja ajallista kontekstia tehokkaasti hyödyntäviä soluehdotelmia käytetään ratkaisemaan solujen heikosti erottuvista reunoista ja joustavista muodoista johtuvaa solujen muodon monitulkintaisuutta erityisesti silloin kun tutkittava solutiheys on suuri. Tämä väitöskirja esittää kaksi menetelmää soluehdotelmille; ensimmäinen menetelmä käyttää useita läikkätyyppisiä suodatinpankkeja ilmaisemaan kandidaatteja pyöreänmuotoisille soluille, kun taas toinen menetelmä nimeltään soluehdotelmaverkko (Cell Proposal Network, CPN) käyttää konvoluutionaalisia neuroverkkoja oppiakseen tunnistamaan solut niiden muodon sekä ulkonäön perusteella erityyppisissä mikroskooppikuvissa. CPN regressoi ensin solukandidaatteja ympäröivät suorakaiteet ja niiden pistemäärän, jonka jälkeen se segmentoi alueet parhaiten sijoittuneiden suorakaiteiden joukosta tuottaen solukandidaattimaskit. CPN:ää voidaan mahdollisesti käyttää yleisenä soluilmaisimena erityyppisilla kuvantamistekniikoilla tuotetuissa kuvissa mukaan lukien histologisen valo-, fluoresenssi- ja vaihekontrastimikroskooppian. Väitöskirja esittää solujen segmentoinnin ja seurannan soluehdotelmien valintaongelmina, mitkä ratkaistaan joko optimaalisesti käyttämällä kokonaislukuoptimointia tai likimääräisesti käyttämällä iteratiivista lyhimmän kustannuspolun hakua sekä ei-maksimien vaimennusta. Tämä väitöskirja esittää myös verkon leikkaukseen (graph cut) perustuvan menetelmän, mikä hyödyntää valmiiksi saatavilla olevaa reunanilmaisinta segmentoimaan tarkasti muotoaan voimakkaasti muuttavia soluja. Väitöskirjatutkimuksen keskeinen tulos on uusi solujen seurantamenetelmä, mikä käyttää CPN:ää solukandidaattien ehdottamiseen, esittää vaihtoehtoiset seurantahypoteesit verkkomallia hyödyntämällä, ja valitsee globaalisti optimaalisen aliverkon solujen kulkemille reitille. Verrattuna useisiin muihin julkisesti saatavilla oleviin kuva-analyysiohjelmistoihin tässä väitöskirjassa kehitetyt menetelmät olivat suorituskyvyltään parhaita vaihekontrasti- ja fluoresenssimikroskopialla tuotettujen kuva-aineistojen analyyseissa, joissa solujen ulkomuoto oli hyvin vaihteleva.