but.defence	Student obhájil diplomovou práci a na položené dotazy v rámci diskuze odpověděl.	cs
but.jazyk	angličtina (English)
but.program	Elektrotechnika, elektronika, komunikační a řídicí technika	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Mehnen, Lars	en
dc.contributor.author	Mívalt, Filip	en
dc.contributor.referee	Taschner-Mandl,, Sabine	en
dc.date.accessioned	2022-09-19T23:00:24Z
dc.date.available	2022-09-20	cs
dc.date.available	2022-09-19T23:00:24Z
dc.date.created	2019	cs
dc.description.abstract	Technologie Multi-Epitope Ligand Cartography (MELC) umožňuje mikroskopickou vizualizaci více buněčných kompartmentů za pomocí více imunofluorescenčních barviv. Tato pipeline tudíž umožňuje charakterizaci fenotypu pro všechny buňky nacházející se ve vzorcích kostní dřeně u pacientů s neuroblastomem. Přiřazení protilátkového signálu k odpovídající plazmatické membráně jednotlivých buněk je založeno na segmentaci buněčného jádra a algoritmu region growing, jenomže tahle metoda skutečný tvar buňky pouze aproximuje. Tento přístup je mimořádně chybový, pokud je aplikován na překrývající se buňky kvůli nejednoznačnému přiřazení jednoho protilátkového signálu více buňkám. Následně se pak tato chyba dostává až do popisných parametrů charakterizujících každou buňku zvláště, čímž může být ovlivniněna navazující klasifikace nebo kvantifikace buněčného fenotypu. Z toho důvodu je vyžadována segmentace fázově kontrastních obrazů, které jsou pořízeny současně s každým fluorescenčním snímkem, a zobrazují celou buňku (včetně cytoplazmy a jádra). Tato segmentace poskytuje přesné segmentační masky reprezentující celou buňku. Implementovali jsme automatizovanou strategii pro segmentaci těchto fázově kontrastních obrazů využívajíce Mask R-CNN. Algoritmus dosáhl celkového F1 skóre (pro detekci objektů) 0.935 a F1 skóre (pro klasifikaci na úrovni pixelů) 0.868, přičemž byl trénován pouze s malým anotovaným datasetem. Natrénovaný model byl implementován do existující pipeline pro zpracování MELC dat. Kromě toho, poskytujeme anotovaný dataset čítající 54 fázově kontrastních obrazů Cytospin preparátů kostní dřeně obsahující celkově 1 940 buněk. Implementovaný model Mask R-CNN umožňuje studovat popisné parametry charakterizující každou buňku zvláště za použití segmentačních masek odvozených z fázově kontrastních obrazů, které reprezentující celou buňku a tímto tedy zlepšuje automatickou kvantitativní analýzu buněk nacházejících se v kostní dřeni ve výzkumu dětské rakoviny.	en
dc.description.abstract	The Multi-Epitope Ligand Cartography (MELC) technique enables microscopy-based visualisation of multiple cellular compartments by using immunofluorescence stains. A MELC data processing pipeline as previously established in-house within an ongoing research project, providing biologists with a tool for quantitative antibody signal analysis. The pipeline, therefore, allows phenotype characterisation of cells present in bone marrow aspirates from neuroblastoma patients. The antibody signal assignment to the plasma membrane of single cells is based on nuclear segmentation and region growing, but only approximates the real cellular shape. This approach is particularly error-prone when applied on touching or overlapping cells due to an ambiguous assignment of a single antibody signal to multiple cells. This error, subsequently, propagates to single-cell level features, thereby possibly influences ensuing phenotype classification or quantification. Hence, the segmentation of phase contrast images acquired simultaneously with each fluorescence image and visualising the whole cell (including cytoplasm and nucleus), is required to provide the pipeline with accurate segmentation masks representing the entire cell. We implemented an automated strategy employing a Mask R-CNN network to segment these phase contrast images. The algorithm achieved an overall object-level F1 score of 0.935 and a pixel-level F1 score of 0.868 when training with only a small annotated dataset. The trained model was implemented into the existing MELC data processing pipeline. Moreover, we provide an annotated dataset comprising 54 phase contrast images of bone marrow cytospin preparations containing an overall number of 1,940 cells. The implemented Mask RCNN model enables to study single cell-level features using segmentation masks representing cells predicted from phase contrast images and therefore improves an automated quantitative analysis of bone marrow samples for children’s cancer research.	cs
dc.description.mark	A	cs
dc.identifier.citation	MÍVALT, F. Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.	cs
dc.identifier.other	113972	cs
dc.identifier.uri	http://hdl.handle.net/11012/208431
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Přístup k plnému textu prostřednictvím internetu byl licenční smlouvou omezen na dobu 3 roku/let	cs
dc.subject	Deep learning	en
dc.subject	segmentace obrazu	en
dc.subject	Fázově kontrastní mikroskopie	en
dc.subject	Fluorescenční mikroskopie	en
dc.subject	MELC	en
dc.subject	Deep learning	cs
dc.subject	Image segmentation	cs
dc.subject	Phase contrast microscopy	cs
dc.subject	Fluorescence microscopy	cs
dc.subject	MELC	cs
dc.title	Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level	en
dc.title.alternative	Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2019-09-20	cs
dcterms.modified	2019-09-30-09:21:27	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	113972	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.09.20 01:00:24	en
sync.item.modts	2022.09.20 00:16:30	en
thesis.discipline	Biomedicínské a ekologické inženýrství	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrství	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Segmentation of phase contrast images in multi epitope ligand cartography (MELC) for image quantification at the single cell level

Files

Original bundle

Collections