Metody hlubokého učení pro segmentaci nádorových buněk

Simple item page
but.committeedoc. Ing. Jana Kolářová, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Oto Janoušek, Ph.D. (člen) Ing. Kateřina Šabatová (člen) Doc. MUDr. Jaromír Gumulec, Ph.D. (člen)cs
but.defenceStudent 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.cs
but.jazykslovenština (Slovak)
but.programBiomedicínská technika a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorGumulec, Jaromírsk
dc.contributor.authorŠpaček, Michalsk
dc.contributor.refereeKolář, Radimsk
dc.date.created2021cs
dc.description.abstractAutomatická 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.sk
dc.description.abstractAutomatic 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.en
dc.description.markBcs
dc.identifier.citationŠPAČEK, M. Metody hlubokého učení pro segmentaci nádorových buněk [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other134379cs
dc.identifier.urihttp://hdl.handle.net/11012/198498
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectSegmentácia obrazusk
dc.subjecthlboké učeniesk
dc.subjectkonvolučná neurónová sieťsk
dc.subjectarchitektúra U-Netsk
dc.subjectkvantitatívne fázové snímaniesk
dc.subjectnádorové bunkysk
dc.subjectImage segmentationen
dc.subjectdeep learningen
dc.subjectconvolutional neural networken
dc.subjectU-Net architectureen
dc.subjectQuantitative phase imagingen
dc.subjecttumor cellsen
dc.titleMetody hlubokého učení pro segmentaci nádorových buněksk
dc.title.alternativeDeep-learning methods for tumor cell segmentationen
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2021-06-17cs
dcterms.modified2021-09-03-08:04:05cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid134379en
sync.item.dbtypeZPen
sync.item.insts2025.03.17 16:21:25en
sync.item.modts2025.01.15 12:01:30en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
17.91 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
1.1 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_134379.html
Size:
4.35 KB
Format:
Hypertext Markup Language
Description:
file review_134379.html
Download
Collections
2021