Odstranění nerovnoměrného pozadí ve snímcích z kvantitativní fázové mikroskopie pomocí hlubokého učení

Abstract

Tato bakalářská práce se zabývá problematikou zpracování obrazových dat získaných pomocí kvantitativní fázové mikroskopie. Cílem práce je návrh a implementace algoritmu, který využívá metody hlubokého učení k odstranění nehomogenního pozadí z fázových mikroskopických snímků. Teoretická část se věnuje principům kvantitativního fázového zobrazování, popisu konstrukce koherencí řízeného holografického mikroskopu, rešerši klasických přístupů k odstranění pozadí a metod založených na hlubokém učení. Praktická část práce se zaměřuje na návrh a implementaci algoritmu, jehož základ tvoří konvoluční neuronová síť typu U-Net určená pro segmentaci obrazových dat. Tato síť automaticky generuje binární masky, které slouží k detekci a oddělení oblastí obsahujících biologicky významné struktury od zbytku snímku.

This bachelor’s thesis focuses on the processing of image data acquired through quantitative phase microscopy. The aim of the work is to design and implement an algorithm that employs deep learning methods to remove inhomogeneous background from phase-contrast microscopic images. The theoretical part addresses the principles of quantitative phase imaging, describes the construction of a coherence-controlled holographic microscope, provides an overview of traditional background removal techniques and approaches based on deep learning. The practical part of the thesis is dedicated to the design and implementation of an algorithm based on a U-Net convolutional neural network for image segmentation. This network automatically generates binary masks that are used to identify and separate biologically relevant structures from the rest of the image.