Metody hlubokého učení pro segmentaci nádorových buněk
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Automatická segmentácia obrázkov, najmä mikroskopických obrázkov buniek, otvára nové príležitosti vo výskume rakoviny alebo v iných praktických aplikáciách. Nedávny pokrok v oblasti hlbokého učenia umožnil efektívnu segmentáciu buniek, automatická segmentácia sub-celulárnych oblastí je však stále náročná. Táto práca popisuje implementáciu neurónovej siete U-net na segmentáciu buniek a sub-celulárnych oblastí bez označenia na obrázkoch adherujúcich buniek rakoviny prostaty, konkrétne PC-3 a 22Rv1. Použitím prístupu s najlepším výkonom zo všetkých testovaných sa podarilo rozlíšiť medzi objektami a pozadím s priemernými Jaccard koeficientmi 0,71, 0,64 a 0,46 pre celé bunky, jadrá a jadierka. Ďalším bodom bola separácia jednotlivých objektov, teda buniek v obraze pomocou metódy povodia. Pri separovaní jednotlivých buniek sa podarilo dosiahnuť výsledky s hodnotou SEG 0,41 a podľa AP metriky 0,44.
Automatic segmentation of images, especially microscopic images of cells, opens up new opportunities in cancer research or other practical applications. Recent advances in deep learning have enabled efficient cell segmentation, but automatic segmentation of subcellular regions is still challenging. This work describes the implementation of the U-net neural network for segmentation of cells and subcellular regions without labeling in the pictures of adhering prostate cancer cells, specifically PC-3 and 22Rv1. Using the best-performing approach of all tested, it was possible to distinguish between objects and background with average Jaccard coefficients of 0.71, 0.64 and 0.46 for whole cells, nuclei and nucleoli. Another point was the separation of individual objects, i. e. cells, in the image using the Watershed method. The separation of individual cells resulted in SEG value of 0.41 and AP metric of 0.44.
Automatic segmentation of images, especially microscopic images of cells, opens up new opportunities in cancer research or other practical applications. Recent advances in deep learning have enabled efficient cell segmentation, but automatic segmentation of subcellular regions is still challenging. This work describes the implementation of the U-net neural network for segmentation of cells and subcellular regions without labeling in the pictures of adhering prostate cancer cells, specifically PC-3 and 22Rv1. Using the best-performing approach of all tested, it was possible to distinguish between objects and background with average Jaccard coefficients of 0.71, 0.64 and 0.46 for whole cells, nuclei and nucleoli. Another point was the separation of individual objects, i. e. cells, in the image using the Watershed method. The separation of individual cells resulted in SEG value of 0.41 and AP metric of 0.44.
Description
Citation
ŠPAČEK, M. Metody hlubokého učení pro segmentaci nádorových buněk [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
doc. Ing. Jana Kolářová, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Oto Janoušek, Ph.D. (člen)
Ing. Kateřina Jurečková (člen)
MUDr. Jaromír Gumulec, Ph.D. (člen)
Date of acceptance
2021-06-17
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Doc. Ing. Kolář, Ph.D. položil otázku: Mělo by smysl zkombinovat metody? Co považujete za nejobtížnější část začátku práce s neuronovými sítěmi?
Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení