|
|
Machine learning models for quantifying phenotypic signatures of cancer cells based on transcriptomic and epigenomic data
Koban, Martin ; PhD, Florian Halbritter, (referee) ; Mehnen, Lars (advisor)
S rozvojom techník pre efektívnu akvizíciu genomických dát sa jednou z kľúčových vedeckých výziev stala interpretácia výsledkov týchto experimentov v zmysluplnom biologickom kontexte. Táto práca sa zameriava na využitie informácií ukrytých v dobre charakterizovaných transkriptomických a epigenomických dátach z verejne dostupných zdrojov pre účely takejto interpretácie. Najskôr je vytvorený integrovaný súbor dát generovaných metódami DNase-seq a ATAC-seq, ktoré kvantifikujú chromatínovú dostupnosť. Tieto údaje sú doplnené verejne dostupnými výsledkami techniky RNA-seq pre kvantitatívne hodnotenie génovej expresie a vhodne predspracované pre ďalšiu analýzu. Pripravené dáta sú následne použité na trénovanie modelov strojového učenia (klasifikátorov) s dvomi základnými cieľmi. Po prvé za účelom augmentácie metadát prislúchajúcich k jednotlivým biologickým vzorkám v trénovacom dátovom súbore pomocou predikcie nedefinovaných anotácií. Po druhé pre anotáciu zle charakterizovaných testovacích dát (nepoužitých v trénovacej fáze) za účelom overenia generalizačnej schopnosti zostavených modelov. Dosiahnuté výsledky ukazujú, že natrénované klasifikátory sú schopné zachytiť biologicky relevantné informácie, zatiaľ čo vplyv technických artefaktov je minimalizovaný. Navrhnutý prístup je preto schopný prispieť k lepšiemu pochopeniu komplexných transkriptomických a epigenomických dát, predovšetkým v oblasti onkologického výskumu.
|
|
|
Segmentation of the cord canal and intervertebral discs in MRI data
Koban, Martin ; Odstrčilík, Jan (referee) ; Jakubíček, Roman (advisor)
The concern of this thesis is development of the method for the spinal canal and intervertebral discs segmentation in volume MRI data. The primary aim is to achieve the highest possible level of automation and accuracy allowing for reliable quantitative evaluation of the results. The algorithm is based on the random walk model in combination with a specific active contour method formulated through level set concept. The proposed approach is tested using a database of three-dimensional T2-weighted MR images, which also contains referential manual segmentation of intervertebral discs.
|
|
|
Machine learning models for quantifying phenotypic signatures of cancer cells based on transcriptomic and epigenomic data
Koban, Martin ; PhD, Florian Halbritter, (referee) ; Mehnen, Lars (advisor)
S rozvojom techník pre efektívnu akvizíciu genomických dát sa jednou z kľúčových vedeckých výziev stala interpretácia výsledkov týchto experimentov v zmysluplnom biologickom kontexte. Táto práca sa zameriava na využitie informácií ukrytých v dobre charakterizovaných transkriptomických a epigenomických dátach z verejne dostupných zdrojov pre účely takejto interpretácie. Najskôr je vytvorený integrovaný súbor dát generovaných metódami DNase-seq a ATAC-seq, ktoré kvantifikujú chromatínovú dostupnosť. Tieto údaje sú doplnené verejne dostupnými výsledkami techniky RNA-seq pre kvantitatívne hodnotenie génovej expresie a vhodne predspracované pre ďalšiu analýzu. Pripravené dáta sú následne použité na trénovanie modelov strojového učenia (klasifikátorov) s dvomi základnými cieľmi. Po prvé za účelom augmentácie metadát prislúchajúcich k jednotlivým biologickým vzorkám v trénovacom dátovom súbore pomocou predikcie nedefinovaných anotácií. Po druhé pre anotáciu zle charakterizovaných testovacích dát (nepoužitých v trénovacej fáze) za účelom overenia generalizačnej schopnosti zostavených modelov. Dosiahnuté výsledky ukazujú, že natrénované klasifikátory sú schopné zachytiť biologicky relevantné informácie, zatiaľ čo vplyv technických artefaktov je minimalizovaný. Navrhnutý prístup je preto schopný prispieť k lepšiemu pochopeniu komplexných transkriptomických a epigenomických dát, predovšetkým v oblasti onkologického výskumu.
|
|
|
3d Segmentation Of The Spinal Canal And Intervertebral Discs In Mri Data
Koban, Martin
The concern of this work is development of the method for the spinal canal and intervertebral discs (IVD) segmentation in volume MRI data. The primary aim is to achieve the highest possible level of automation and accuracy allowing for reliable quantitative evaluation of the results. The algorithm is based on the random walk model in combination with a specific active contour method formulated through level set concept. The proposed approach is tested using a database of 3D T2-weighted MR images, which also contains referential manual segmentation of IVD.
|
|
|
Segmentation of the cord canal and intervertebral discs in MRI data
Koban, Martin ; Odstrčilík, Jan (referee) ; Jakubíček, Roman (advisor)
The concern of this thesis is development of the method for the spinal canal and intervertebral discs segmentation in volume MRI data. The primary aim is to achieve the highest possible level of automation and accuracy allowing for reliable quantitative evaluation of the results. The algorithm is based on the random walk model in combination with a specific active contour method formulated through level set concept. The proposed approach is tested using a database of three-dimensional T2-weighted MR images, which also contains referential manual segmentation of intervertebral discs.
|
guest ::
