Zobrazit minimální záznam

Analýza mikroskopických snímků dělícího vřeténka, pořízených light-sheet mikroskopem
dc.contributor.advisorSchier, Jan
dc.creatorMikeštíková, Anna
dc.date.accessioned2023-07-24T14:46:51Z
dc.date.available2023-07-24T14:46:51Z
dc.date.issued2023
dc.identifier.urihttp://hdl.handle.net/20.500.11956/183093
dc.description.abstractAnalysis 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. 1en_US
dc.description.abstractAnalýza 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. 1cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectmeiotic spindle|microscopy imaging|image processing|image segmentation|machine learning|deep learning methodsen_US
dc.subjectdělící vřeténko|mikroskopické zobrazování|zpracování obrazu|segmentace obrazu|strojové učení|metody hlubokého učenícs_CZ
dc.titleAnalysis of meiotic spindle microscopy images captured with light-sheet microscopeen_US
dc.typebakalářská prácecs_CZ
dcterms.created2023
dcterms.dateAccepted2023-06-29
dc.description.departmentKatedra teoretické informatiky a matematické logikycs_CZ
dc.description.departmentDepartment of Theoretical Computer Science and Mathematical Logicen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId254703
dc.title.translatedAnalýza mikroskopických snímků dělícího vřeténka, pořízených light-sheet mikroskopemcs_CZ
dc.contributor.refereeZemčík, Pavel
thesis.degree.nameBc.
thesis.degree.levelbakalářskécs_CZ
thesis.degree.disciplineInformatika se specializací Umělá inteligencecs_CZ
thesis.degree.disciplineComputer Science with specialisation in Artificial Intelligenceen_US
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.thesis.typebakalářská prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra teoretické informatiky a matematické logikycs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Theoretical Computer Science and Mathematical Logicen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csInformatika se specializací Umělá inteligencecs_CZ
uk.degree-discipline.enComputer Science with specialisation in Artificial Intelligenceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csAnalýza 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. 1cs_CZ
uk.abstract.enAnalysis 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. 1en_US
uk.file-availabilityV
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra teoretické informatiky a matematické logikycs_CZ
thesis.grade.code1
uk.publication-placePrahacs_CZ
uk.thesis.defenceStatusO


Soubory tohoto záznamu

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

Tento záznam se objevuje v následujících sbírkách

Zobrazit minimální záznam


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV