Segmentation of pancreatic islets and exocrine tissue from microscopic images using neural networks based approaches
Segmentation of pancreatic islets and exocrine tissue from microscopic images using neural networks based approaches
Typ dokumentu
diplomová prácemaster thesis
Autor
Petra Čurdová
Vedoucí práce
Kubant Jan
Oponent práce
Novák Jakub
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Úspěch transplantace pankreatických ostrůvků závisí na přesném odhadu množství beta buněk v jednotlivých ostrůvcích, které je primárně odhadováno na základě objemů ostrůvků získaných analýzou mikroskopických snímků vzorků izolovaných ostrůvků. Předchozí výzkum zkoumal aplikaci digitální obrazové analýzy pro získání binárních segmentačních masek ostrůvků následně použitých pro výpočet objemu. Cílem této práce je analýza a řešení nedostatků současného přístupu využívajícího sémantický segmentační model UNet k získání segmentačních masek ostrůvků z mikroskopických snímků. Analýza ukázala, že hlavním nedostatkem modelu je neschopnost rozlišit jednotlivé instance k sobě přiléhajících ostrůvků. To vede k nadhodnocení objemů ostrůvků a tím i množství beta buněk ve vzorku. Tato práce zkoumá modely segmentace instancí jako alternativu, která by mohla vyřešit nedostatky modelu UNet. Model navržený v této práci prokazuje potenciál tohoto přístupu pro použití v segmentaci pankreatických ostrůvků. Navržený model překonal UNet v přesnosti vymezení jednotlivých instancí ostrůvků a zároveň si zachoval porovnatelné celkové IoU skóre segmentací. The success of pancreatic islet transplantation relies on the accurate estimation of beta cells amount within individual islets, primarily determined by the estimation of islet volumes from microscopic images of isolated islets samples. Previous research has applied digital image analysis to generate segmentation masks of islets, subsequently used for volume calculation. This thesis aims to analyse and address the limitations of an existing approach using the semantic segmentation model UNet to obtain islets masks from microscopic images. The analysis showed that most significant limitation is the inability of the model to distinguish individual instances of adjacent islets, leading to an overestimation of islet volumes and thus the amount of beta cells within the sample. In response to this problem, this thesis investigates instance segmentation models as an alternative to address the drawbacks of the UNet model. The model proposed in this thesis demonstrates the potential of this approach in pancreatic islets segmentation. It outperforms the state-of-the-art model in accurately separating individual islets while maintaining a comparable overall IoU score of the segmentations.
Kolekce
- Diplomové práce - 18105 [164]