|
|
Příznaky pro analýzu a klasifikaci buněk ve snímcích z holografického mikroskopu
Navrátilová, Markéta ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá problematikou příznaků používaných při analýze snímků buněk pořízených holografickým mikroskopem a pro jejich klasifikaci. Popisuje jednotlivé příznaky, stejně tak jako nástroje pro klasifikaci. Příznaky jsou extrahovány na dodaných nasegmentovaných buňkách v programovém prostředí Matlab. Na základě těchto příznaků jsou buňky klasifikovány s využitím metody podpůrných vektorů. Pomocí metod pro shlukování a redukci dimenzionality je analyzován výskyt různých buněčných typů. Zároveň je zhodnocena účinnost a využitelnost jednotlivých příznaků.
|
|
|
Detection of pathologies in retinal images
Mesíková, Klaudia ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
The goal of this thesis is to design and implement software for the detection of diabetes mellitus symptoms from the image of the human eye retina. Diabetic retinopathy is the most common disease affecting the retina. Pathologies connected with this disease can lead to partial or complete blindness. For the detection of pathological symptoms is important to correctly detect some parts of the eye retina such as optic disc and blood vessels. These can cause a problem with the identification of disease. After removing the optic disc and blood vessels, the pathology object is being detected.
|
|
|
Kvantitativní digitální holografická mikroskopie pomocí strojového učení
Duša, Martin ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Diplomová práce představuje metody strojového učení pro určení parametrů mikro a nano částic ze snímků digitální holografické mikroskopie. V teoretické části jsou přiblíženy principy snímaní hologramu, holografické mikroskopie a podobnost mezi Mie teorií a hologramem. Druhá část teoretické rešerše je věnována metodám strojového učení využitých při určování kvantitativních informací částic. Praktická část se věnuje návrhu postupu pro určení pozice, indexu lomu a poloměru pomocí architektury U-Net implementované v prostředí PyTorch a DeepTrack 2.1. V závěru práce jsou diskutovány výsledky navržených metodik.
|
|
|
Segmentace buněk pomocí konvolučních neuronových sítí
Hrdličková, Alžběta ; Chmelík, Jiří (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato práce zkoumá využití konvolučních neuronových sítí se zaměřením na sémantickou a instanční segmentaci buněk z mikroskopických snímků. Teoretická část obsahuje popis hlubokých neuronových sítí a shrnutí široce používaných konvolučních architektur pro segmentaci obrazu. Praktická část práce je věnována vytvoření modelu konvoluční neuronové sítě na základě architektury U-Net. Dále obsahuje segmentaci buněk predikovaných obrazů pomocí tří metod, a to prahování, metody rozvodí a metody náhodného chodce.
|
|
|
Detekce a rozměření elektronového svazku v obrazech z TEM
Polcer, Simon ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Diplomová práce se zabývá automatickou detekcí a rozměřením elektronového svazku ve snímcích z transmisního elektronového mikroskopu. V úvodní části práce je popsána konstrukce a nejdůležitější součástky elektronového mikroskopu. Dále jsou v teoretické části shrnuty módy osvětlení fluorescenčního stínítka, které vznikají při práci na mikroskopu. K automatické detekci elektronového svazku jsou použity metody strojového učení, konkrétně konvoluční neuronová síť U-Net. Následné rozměření elektronového svazku je provedeno na základě aproximace oblasti elektronového svazku elipsou, kde parametry elipsy udávají rozměry svazku. Jelikož při učení neuronových sítí je potřeba mít dostatečně rozsáhlou databázi snímků, jsou v práci popsány metody umělého rozšíření databáze. V práci je navržena vlastní augmentační metoda, která využívá geometrické transformace a aplikuje je na základě módu osvětlení fluorescenčního stínítka. V závěru práce jsou shrnuty a diskutovány dosažené výsledky. Úspěšnost algoritmu je zhodnocena na variabilní skupině snímků pokrývající jednotlivé módy osvětlení fluorescenčního stínítka. Celková úspěšnost dosahuje 0,815 hodnoty DICE koeficientu, který udává míru překryvu dvou oblastí. Práce je kompletně zpracována v programovém prostředí Python.
|
|
|
Sledování buněk v obrazech z holografického mikroskopu
Vičar, Tomáš ; Odstrčilík, Jan (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce se věnuje sledování buněk v obrazových sekvencích pořízených pomocí multimodálního holografického mikroskopu (MHM). Princip holografického mikroskopu je zde popsán společně s jeho aplikací pro záznam buněk. Hlavní část práce popisuje společný přístup pro segmentaci a sledování jednotlivých buněk v dlouhodobých záznamech. Navržený přístup je založen na modelu parametrických aktivních kontur se specifickými modifikacemi pro dosažení přiměřené přesnosti a robustnosti. Implementovaná metoda je zde detailně popsána včetně vyhodnocení a ukázky výsledků.
|
|
| |
|
|
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.
|
|
|
Detection of persons and evaluation of gender and age in image data
Dobiš, Lukáš ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
This master thesis describes an approach for automated human recognition by using convolutional neural networks (CNN) to perform facial analysis of persons face in image data. The predicted biometric indicators are following: age, gender, facial landmarks and facial expression. CNN architectures with pretrained weights for each task are described. Age estimation CNN has new weights trained and freezed, then has added new LSTM layers into its architecture. New LSTM layers are trained and tested on newly created video data set. Test results indicate improved age prediction accuracy. Solution for human recognition inference with single image and time series variants, in form of script with interconnected CNNs is explained, and its inference speed performance supports further proposed expansion plans for live video inference.
|
|
|
Analysis of Microscopic Images of Cancer Cells
Vičar, Tomáš ; Matula,, Petr (oponent) ; Sladoje, Natasa (oponent) ; Kolář, Radim (vedoucí práce)
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.
|
host ::
RSS.