Original title:
Detekce a lokalizace mikrobiálních kolonií pomocí algoritmů hlubokého učení
Translated title:
Detection and localization of microbial colonies by means of deep learning algorithms
Authors:
Čičatka, Michal ; Vičar, Tomáš (referee) ; Mézl, Martin (advisor) Document type: Master’s theses
Year:
2021
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Díky masivnímu rozšíření hmotnostní spektrometrie a neustálému zdražování lidské práce se v současné době nabízí otázka optimalizace přípravy mikrobiálních vzorků. Tato diplomová práce se věnuje návrhu a implementaci algoritmu strojového učení pro segmentaci obrazů mikrobiálních kolonií kultivovaných na Petriho miskách. Algoritmus bude použit v ovládacím software přístroje MBT Pathfinder společnosti Bruker s. r. o., jehož úkolem je automatizace procesu roztěru mikrobiálních vzorků na MALDI destičky. V rámci práce bylo implementováno několik modelů segmentačních neuronových sítí na bázi architektur UNet, UNet++ a ENet. Na základě množství experimentů zkoumajících různé konfigurace sítí a předzpracování trénovacího datasetu byl pro použití v produkčním prostředí vybrán model ENet s čtyřnásobným množstvím filtrů a přidaným konvolučním blokem enkodéru trénovaný na datasetu obrazů misek s aplikovanou kruhovou maskou.
Due to massive expansion of the mass spectrometry and constant price growth of the human labour the optimalisation of the microbial samples preparation comes into question. This master thesis deals with design and implementation of a machine learning algorithm for segmentation of images of microbial colonies cultivated on Petri dishes. This algorithm is going to be a part of a controlling software of a MBT Pathfinder device developed by the company Bruker s. r. o. that automates the process of smearing microbial colonies onto a MALDI target plates. In terms of this thesis a several models of neural networks based on the UNet, UNet++ and ENet architecture were implemented. Based on a number of experiments investigating various configurations of the networks and pre-processing of the training datatset there was chosen an ENet model with quadruplet filter count and additional convolutional block of the encoder trained on a dataset pre-processed with round mask.
Keywords:
ENet; image segmentation; machine learning; MALDI; mass spectrometry; microbial samples; Petri dish; UNet; UNet++; ENet; hmotnostní spektrometrie; MALDI; mikrobiální vzorky; Petriho miska; segmentace obrazu; strojové učení; UNet; UNet++
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/197019