Show simple item record

Cell segmentation in microscopy using a reference modality



dc.contributor.advisorKybic Jan
dc.contributor.authorHana Mertanová
dc.date.accessioned2021-06-17T22:53:29Z
dc.date.available2021-06-17T22:53:29Z
dc.date.issued2021-06-17
dc.identifierKOS-1064879698605
dc.identifier.urihttp://hdl.handle.net/10467/95477
dc.description.abstractMikroskopia nám umožňuje študovať a porozumieť biologickým procesom na bunkovej úrovni a pozorovať biologické štruktúry. V tejto práci sa zameriavame na pozorovanie vplyvu určitých látok na populáciu buniek. Naviac sa znažíme automatizovať pozorovanie kvôli veľkému množstvu buniek. Je žiaduce použiť fázovú kontrastnú mikroskopiu namiesto fluorescenčnej mikroskopie, pretože fluorescenčná mikroskopia je menej pracná a je možné ju používať in-vivo. Preto sa táto práca zameriava na segmentáciu vo fázovej kontrastnej mikroskopii. Bežný prístup je učiť sa pomocou dát anotovaných expertmi. My namiesto toho máme prístup ku korešpondujúcej fluorescenčnej mikroskopii. Preto vytvárame referenčnú segmentáciu automaticky a následne aplikujeme metódy hlbokého učenia. Využívame viacero architektúr neurónových sietí na segmentáciu, napríklad UNet (\cite{Unet}) a techniku 'image-to-image translation' \cite{pix2pix} (priamu techniku transformácie jednoho obrázku na druhý). Aby sme zlepšili segmentáciu, meníme rôzne nastavenia, ako napríklad stratovú funkciu a vyhodnocujeme problémy, ako napríklad nedostatočné farbenie v referenčnej modalite. Kvantitatívne analyzujeme výsledky a vyberáme najlepší model, dosahujúci senzitivitu $88.8\%$ a presnosť $88.5\%$. V závere vyhodnocujeme atribúty popisujúce tvar, množstvo a veľkosť buniek, aby sme identifikovali potenciálne zmeny spôsobené aplikáciou liečív. Tieto deskriptory slúžia ako vstup pre SVM klasifikátor. Nakoniec klasifikátor predikuje, či aplikácia liečiva ovplyvňuje vzhľad buniek.cze
dc.description.abstractMicroscopy allows us to study and understand biological processes on the cellular level and observe the biological structures. In this thesis, we aim to observe the drug effects on the cell population. Moreover, we attempt to automate the observation due to a large number of cells. It is desirable to use phase-contrast microscopy instead of fluorescence microscopy because the phase-contrast microscopy is less laborious and applicable in-vivo. Therefore, this thesis focuses on nuclei segmentation in phase-contrast microscopy images. The common approach is to learn from the data annotated by the experts. Instead, we have access to the corresponding fluorescence microscopy modality. We thus create the reference segmentation automatically and then apply the deep learning techniques. We exploit multiple network architectures for segmentation, including the UNet (\cite{Unet}) and the image-to-image translation technique (\cite{pix2pix}). We improve the segmentation by changing the settings such as loss function and inspect the problems such as insufficient coloring in the reference modality. We perform quantitative analysis and select the best performing model, achieving the sensitivity of $88.8\%$ and precision of $88.5\%$ . Finally, we evaluate the attributes describing the shape, amount, and size of the cells to identify the potential changes induced by the treatment. These descriptors serve as an input for an SVM classifier. Ultimately, the classifier predicts whether the treatment influences the cells' appearance.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA 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.htmleng
dc.rightsVysokoškolská 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.htmlcze
dc.subjectSegmentácia fázovej kontrasnej mikroskopiecze
dc.subjectHlboké učeniecze
dc.subjectNeurónové sietecze
dc.subjectKlasifikácia liečívcze
dc.subjectImage-to-image transláciacze
dc.subjectLokalizáciacze
dc.subjectSegmentácia bez expertných anotáciícze
dc.subjectPhase contrast microscopy segmentationeng
dc.subjectDeep learningeng
dc.subjectNeural networkseng
dc.subjectTreatment classificationeng
dc.subjectImage-to-image translationeng
dc.subjectLocalizationeng
dc.subjectSegmentation without expert annotationseng
dc.titleSegmentace buněk v mikroskopii za použití referenční modalitycze
dc.titleCell segmentation in microscopy using a reference modalityeng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeMatas Jiří
theses.degree.disciplineUmělá inteligencecze
theses.degree.grantorkatedra počítačůcze
theses.degree.programmeOtevřená informatikacze


Files in this item







This item appears in the following Collection(s)

Show simple item record