Analysis of meiotic spindle microscopy images captured with light-sheet microscope
Analýza mikroskopických snímků dělícího vřeténka, pořízených light-sheet mikroskopem
bakalářská práce (OBHÁJENO)
![Náhled dokumentu](/bitstream/handle/20.500.11956/183093/thumbnail.png?sequence=7&isAllowed=y)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/183093Identifikátory
SIS: 254703
Kolekce
- Kvalifikační práce [11264]
Autor
Vedoucí práce
Oponent práce
Zemčík, Pavel
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Informatika se specializací Umělá inteligence
Katedra / ústav / klinika
Katedra teoretické informatiky a matematické logiky
Datum obhajoby
29. 6. 2023
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
dělící vřeténko|mikroskopické zobrazování|zpracování obrazu|segmentace obrazu|strojové učení|metody hlubokého učeníKlíčová slova (anglicky)
meiotic spindle|microscopy imaging|image processing|image segmentation|machine learning|deep learning methodsAnalýza dělícího vřeténka oocytů je nezbytná, avšak časově náročná součást výzkumu regulačních proteinů meiózy. V této práci se věnujeme návrhu metody pro automatické určení objemu vřeténka z mikroskopických snímků, která by mohla daný proces urychlit. Navrhovaná metoda je založena na konvolučních neuronových sítích a skládá se ze dvou fází: segmentace vřeténka na mikroskopickém snímku a výpočtu jeho objemu. Pro segmentaci je použita architektura 3D U-Net upravená pro naše potřeby a natrénovaná na augmentovaném datasetu volumetrických snímků. Volba architektury je podpořena důkladnou analýzou současných metod pro seg- mentaci obrazu se zaměřením na biomedicínské snímky a volumetrická data. Hyper- parametry jsou laděny pro nejlepší výkon na poskytnutých datech. Model je vyhodnocen na testovacím datasetu s ohledem na kvalitu segmentace a přes- nost odhadu objemu. Predikce modelu jsou kvalitní, proto navrhujeme zvážení použití této metody v praxi. 1
Analysis of the meiotic spindle is an essential but time-consuming step in the research of the effects of the oocyte-meiosis regulating proteins. In this thesis, we propose a method for automated computation of the spindle volume as a step towards a more efficient analysis pipeline. The proposed method is based on convolutional neural networks. It consists of two steps: segmentation of the spindle on a microscopic image and calculation of its volume. The segmentation is performed by a modified 3D U-Net architecture, which is trained on an augmented dataset of volumetric images. The choice of architecture is supported by an in-depth analysis of the current state-of- the-art methods for image segmentation with a focus on biomedical images and volumetric data. The hyperparameters are tuned for the best performance on the dataset. The model is evaluated on the testing dataset with respect to the segmentation qual- ity and the volume estimation accuracy. The results demonstrate the feasibility of the proposed approach. 1