Název:
Analýza mikroskopických obrazů nádorových buněk
Překlad názvu:
Analysis of Microscopic Images of Cancer Cells
Autoři:
Vičar, Tomáš ; Matula,, Petr (oponent) ; Sladoje, Natasa (oponent) ; Kolář, Radim (vedoucí práce) Typ dokumentu: Disertační práce
Rok:
2022
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [eng][cze]
Tato disertační práce je zaměřena na analýzu různých forem mikroskopických obrazových dat nádorových buněk (statické 2D snímky, statické 3D obrazy, 2D časosběrné zobrazování živých buněk). Hlavní pozornost je věnována datům získaným koherencí řízeným holografickým mikroskopem, který je relativně novou modalitou schopnou kotrastních záznamů živých buněk bez barvení (label-free) a poskytuje kvantitativní informaci (kvantitativní fázové zobrazení - QPI). V práci je popsán základní postup analýzy těchto snímků a jsou vytvářeny nové metody a zdokonalovány metody pro jednotlivé kroky této analýzy. Největší část práce je věnována segmentaci buněk, kde jsou shrnuty klasické metody i metody založené na hlubokém učení. Jsou také vyvinuty nové metody vhodné právě pro QPI data. Část práce je také věnována segmentaci 3D fluorescenční jader a detekci DNA zlomů pomocí hlubokého učení. Práce se zabývá i dalším zpracování v podobě sledování buněk, extrakce příznaků a následné analýze, kde je detekována buněčná smrt a jsou vytvořeny vhodné interpretovatelné příznaky pro klasifikaci buněčné smrti na apoptickou a lytickou. Celkově tato práce přispívá k rozvoji jednotlivých kroků analýzy obrazu nádorových buněk a odráží současný pokrok v oblasti analýzy obrazu, zejména přístupy hlubokého učení, což je také demonstrováno na několika výzkumných aplikacích.
This dissertation focuses on the analysis of various forms of microscopic image data of cancer cells (static 2D images, static 3D stacks, 2D timelapse live cell imaging). The main focus is on data acquired with a~coherence controlled holographic microscope, which is a~relatively new modality capable of contrast imaging of live cells without staining (label-free) and provide quantitative information (Quantitative Phase Imaging - QPI). In this thesis, the basic procedure for the analysis of cell images is described, where new methods for the individual steps are developed and refined. The largest part of the thesis is devoted to cell segmentation, where classical and deep learning-based methods are summarized. New methods suitable specifically for QPI data are also developed. A~part of the thesis is devoted to the segmentation of 3D fluorescence nuclei and the detection of DNA breaks using deep learning. The thesis also deals with further processing in the form of cell tracking, feature extraction and subsequent analysis, where cell death is detected and suitable interpretable features are developed to classify cell death into apoptotic and lytic. Overall, this thesis contributes to the development of different steps of image analysis of cancer cells and reflects current advances in the image analysis field, deep learning approaches in particular, which is also demonstrated in several research applications.
Klíčová slova:
cancer cells; cell classification; cell death; Cell image analysis; cell segmentation; cell tracking; convolutional neural networks; deep learning; holographic microscopy; ionizing radiation-induced foci.; label-free; quantitative phase imaging; U-Net; Analýza obrazů buněk; buněčná smrt; hluboké učení; holografický mikroskop; klasifikace buněk; konvoluční neuronové sítě; kvantitativní fázové zobrazení; label-free; nádorové buňky; ohniska indikuvaná ionizujícím zářením.; segmentace buněk; sledování buněk; U-Net
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/208089