|
|
Detekce buněk ve snímcích zachycených pomocí mikroskopie
Hubálek, Michal ; Štursa, Dominik (oponent) ; Škrabánek, Pavel (vedoucí práce)
Cílem diplomové práce bylo vytvořit aplikaci automaticky detekující zdravé buňky kardiomyocytů ze snímků zachycených konfokálním mikroskopem. Práce vznikla na základě konkrétních potřeb výzkumníků ze Slovenské akademie věd, kterým usnadní práci a ušetří čas, protože doposud musejí snímky vyhodnocovat a hledat vhodné buňky ručně. Pro detekci je použita konvoluční neuronová síť RetinaNet, která byla implementována do uživatelsky přívětivé desktopové aplikace. Aplikace také automaticky zaznamenává a ukládá souřadnice detekovaných buněk využitelné pro snímání buněk ve vyšší obrazové kvalitě. Další výhodou vytvořené aplikace je univerzálnost, která umožňuje natrénovat detekci i na jiných datech, čímž je použitelná i na dalších detekčních projektech. Výsledkem práce je funkční, samostatně spustitelná a intuitivní aplikace, která je připravena k použití výzkumníky.
|
|
|
Hodnocení migrace značených buněk v tkáni
Solař, Jan ; Skopalík, Josef (oponent) ; Čmiel, Vratislav (vedoucí práce)
Tato diplomová práce se zabývá rozborem moderních detekčních metod vizualizace, sledování a kvantifikace buněk v 3D prostoru. První část práce se zabývá optickými metodami detekce buněk. Je zde detailní rozbor problematiky fluorescenčního značení buněk a jejich detekce na konfokálním mikroskopu. Je zde popis vyvinutého algoritmu pro kvantifikaci celého buněčného objemu z mikroskopického obrazu. Díky tomu se porovnal signál fluorescence buněk v čase a podle jejich tvaru. Dále došlo k optimalizaci vizualizace vyvinutých tkáňových fantomů. Porovnaly se možnosti detekce buněk v těchto fantomech pomocí konfokální mikroskopie a OCT. Byl rovněž implementován algoritmus pro kvantifikaci buněk z OCT obrazů. Kromě konfokálního mikroskopu a OCT se buňky rovněž analyzovaly dalšími metodami. V poslední části je konkluze výsledků a srovnání jednotlivých použitých metod.
|
|
|
Cell segmentation from wide-field light microscopy images using CNNs
GHAZNAVI, Ali
Image object segmentation allows localising the region of interest in the image (ROI) and separating the foreground from the background. Cell detection and segmentation are the primary and critical steps in microscopy image analysis. Analysing microscopy images allows us to extract vital information about the cells, including their morphology, size, and life cycle. On the other hand, living cell segmentation is challenging due to the complexity of these datasets. This research focused on developing Artificial Intelligence/Machine Learning methods of single- and multi-class segmentation of living cells. For this study, the Negroid cervical epithelioid carcinoma HeLa line was chosen as the oldest, immortal, and most widely used model cell line. Several time-lapse image series of living HeLa cells were captured using a high-resolved wide-field transmitted/reflected light microscope (custom-made for the Institute of Complex System, Nové Hrady, Czech Republic) to observe micro-objects and cells. Employing a telecentric objective with a high-resolution camera with a large sensor size allows us to achieve a high level of detail and sharper borders in large microscopy images. The collected time-lapse images were calibrated and denoised in the pre-processing step. The data sets collected under the transmission microscope setup were analyzed using a simple U-Net, Attention U-Net, and Residual Attention U-Net to achieve the best single-class semantic segmentation result. The data sets collected under the reflection microscope setup were analyzed using hybrid U-Net methods, including Vgg19-Unet, Inception-Unet, and ResNet34-Unet, to achieve the most precise multi-class segmentation result.
|
|
|
Detekce buněk ve snímcích zachycených pomocí mikroskopie
Hubálek, Michal ; Štursa, Dominik (oponent) ; Škrabánek, Pavel (vedoucí práce)
Cílem diplomové práce bylo vytvořit aplikaci automaticky detekující zdravé buňky kardiomyocytů ze snímků zachycených konfokálním mikroskopem. Práce vznikla na základě konkrétních potřeb výzkumníků ze Slovenské akademie věd, kterým usnadní práci a ušetří čas, protože doposud musejí snímky vyhodnocovat a hledat vhodné buňky ručně. Pro detekci je použita konvoluční neuronová síť RetinaNet, která byla implementována do uživatelsky přívětivé desktopové aplikace. Aplikace také automaticky zaznamenává a ukládá souřadnice detekovaných buněk využitelné pro snímání buněk ve vyšší obrazové kvalitě. Další výhodou vytvořené aplikace je univerzálnost, která umožňuje natrénovat detekci i na jiných datech, čímž je použitelná i na dalších detekčních projektech. Výsledkem práce je funkční, samostatně spustitelná a intuitivní aplikace, která je připravena k použití výzkumníky.
|
|
|
Cell Detection Methods For The Images From Holographic Microscope
Vičar, Tomáš
Microscopical cell image analysis is widely used for cell behavior and morphology study. In dense cell cultures precise detection (separation) of a single cell is challenging task and it is important step for automatic cell analysis methods. There are a variety of methods, but most of them are less accurate for non-circular cells. This paper describes the common approaches for cell detection applied on images from holographic microscope. Linear discriminant analysis is used for combining results of these methods to obtain new more precise and robust approach.
|
|
|
Hodnocení migrace značených buněk v tkáni
Solař, Jan ; Skopalík, Josef (oponent) ; Čmiel, Vratislav (vedoucí práce)
Tato diplomová práce se zabývá rozborem moderních detekčních metod vizualizace, sledování a kvantifikace buněk v 3D prostoru. První část práce se zabývá optickými metodami detekce buněk. Je zde detailní rozbor problematiky fluorescenčního značení buněk a jejich detekce na konfokálním mikroskopu. Je zde popis vyvinutého algoritmu pro kvantifikaci celého buněčného objemu z mikroskopického obrazu. Díky tomu se porovnal signál fluorescence buněk v čase a podle jejich tvaru. Dále došlo k optimalizaci vizualizace vyvinutých tkáňových fantomů. Porovnaly se možnosti detekce buněk v těchto fantomech pomocí konfokální mikroskopie a OCT. Byl rovněž implementován algoritmus pro kvantifikaci buněk z OCT obrazů. Kromě konfokálního mikroskopu a OCT se buňky rovněž analyzovaly dalšími metodami. V poslední části je konkluze výsledků a srovnání jednotlivých použitých metod.
|
host ::
RSS.