|
| |
|
|
Analysis of Microscopic Images of Cancer Cells
Vičar, Tomáš ; Matula,, Petr (referee) ; Sladoje, Natasa (referee) ; Kolář, Radim (advisor)
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.
|
|
|
Analysis of Microscopic Images of Cancer Cells
Vičar, Tomáš ; Matula,, Petr (referee) ; Sladoje, Natasa (referee) ; Kolář, Radim (advisor)
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.
|
|
|
Cell And Sub-Cellular Segmentation In Quantitative Phase Imaging Using U-Net
Majerčík, Jakub ; Špaček, Michal
The ability to automatically segment images, especially microscopy images of cells, opensnew opportunities in cancer research or other practical applications. Recent advancements in deeplearning enabled for effective single-cell segmentation, however, automatic segmentation of subcellularregions is still challenging. This work describes an implementation of a U-net neural networkfor label-free segmentation of sub-cellular regions on images of adherent prostate cancer cells,specifically PC-3 and 22Rv1. Using the best performing approach, out of all that have been tested,we have managed to distinguish between objects and background with average dice coefficients of0.83, 0.78 and 0.63 for whole cells, nuclei and nucleoli respectively
|
|
| |
|
| |
guest ::
