Analýza mikroskopických obrazů nádorových buněk
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato disertační práce je zaměřena na analýzu různých forem mikroskopických obrazových dat nádorových buněk (statické 2D snímky, statické 3D obrazy, 2D časosběrné zobrazování živých buněk). Hlavní pozornost je věnována datům získaným koherencí řízeným holografickým mikroskopem, který je relativně novou modalitou schopnou kotrastních záznamů živých buněk bez barvení (label-free) a poskytuje kvantitativní informaci (kvantitativní fázové zobrazení - QPI). V práci je popsán základní postup analýzy těchto snímků a jsou vytvářeny nové metody a zdokonalovány metody pro jednotlivé kroky této analýzy. Největší část práce je věnována segmentaci buněk, kde jsou shrnuty klasické metody i metody založené na hlubokém učení. Jsou také vyvinuty nové metody vhodné právě pro QPI data. Část práce je také věnována segmentaci 3D fluorescenční jader a detekci DNA zlomů pomocí hlubokého učení. Práce se zabývá i dalším zpracování v podobě sledování buněk, extrakce příznaků a následné analýze, kde je detekována buněčná smrt a jsou vytvořeny vhodné interpretovatelné příznaky pro klasifikaci buněčné smrti na apoptickou a lytickou. Celkově tato práce přispívá k rozvoji jednotlivých kroků analýzy obrazu nádorových buněk a odráží současný pokrok v oblasti analýzy obrazu, zejména přístupy hlubokého učení, což je také demonstrováno na několika výzkumných aplikacích.
This dissertation focuses on the analysis of various forms of microscopic image data of cancer cells (static 2D images, static 3D stacks, 2D timelapse live cell imaging). The main focus is on data acquired with a~coherence controlled holographic microscope, which is a~relatively new modality capable of contrast imaging of live cells without staining (label-free) and provide quantitative information (Quantitative Phase Imaging - QPI). In this thesis, the basic procedure for the analysis of cell images is described, where new methods for the individual steps are developed and refined. The largest part of the thesis is devoted to cell segmentation, where classical and deep learning-based methods are summarized. New methods suitable specifically for QPI data are also developed. A~part of the thesis is devoted to the segmentation of 3D fluorescence nuclei and the detection of DNA breaks using deep learning. The thesis also deals with further processing in the form of cell tracking, feature extraction and subsequent analysis, where cell death is detected and suitable interpretable features are developed to classify cell death into apoptotic and lytic. Overall, this thesis contributes to the development of different steps of image analysis of cancer cells and reflects current advances in the image analysis field, deep learning approaches in particular, which is also demonstrated in several research applications.
This dissertation focuses on the analysis of various forms of microscopic image data of cancer cells (static 2D images, static 3D stacks, 2D timelapse live cell imaging). The main focus is on data acquired with a~coherence controlled holographic microscope, which is a~relatively new modality capable of contrast imaging of live cells without staining (label-free) and provide quantitative information (Quantitative Phase Imaging - QPI). In this thesis, the basic procedure for the analysis of cell images is described, where new methods for the individual steps are developed and refined. The largest part of the thesis is devoted to cell segmentation, where classical and deep learning-based methods are summarized. New methods suitable specifically for QPI data are also developed. A~part of the thesis is devoted to the segmentation of 3D fluorescence nuclei and the detection of DNA breaks using deep learning. The thesis also deals with further processing in the form of cell tracking, feature extraction and subsequent analysis, where cell death is detected and suitable interpretable features are developed to classify cell death into apoptotic and lytic. Overall, this thesis contributes to the development of different steps of image analysis of cancer cells and reflects current advances in the image analysis field, deep learning approaches in particular, which is also demonstrated in several research applications.
Description
Keywords
Analýza obrazů buněk, nádorové buňky, segmentace buněk, sledování buněk, klasifikace buněk, holografický mikroskop, kvantitativní fázové zobrazení, label-free, hluboké učení, konvoluční neuronové sítě, U-Net, buněčná smrt, ohniska indikuvaná ionizujícím zářením., Cell image analysis, cancer cells, cell segmentation, cell tracking, cell classification, holographic microscopy, quantitative phase imaging, label-free, deep learning, convolutional neural networks, U-Net, cell death, ionizing radiation-induced foci.
Citation
VIČAR, T. Analýza mikroskopických obrazů nádorových buněk [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
prof. Ing. Ivo Provazník, Ph.D. (předseda)
doc. RNDr. Petr Matula, Ph.D. - oponent (člen)
Prof. Natasa Sladoje - oponent (člen)
doc. Mgr. Petr Beneš, Ph.D. (člen)
prof. Ing. Martin Drahanský, Ph.D. (člen)
Ing. Martin Mézl, Ph.D. (člen)
Date of acceptance
2022-06-24
Defence
Student doktorského studia Tomáš Vičar uspokojivě zodpověděl dotazy oponentů i členů komise. Při obhajobě prokázal kvality v úrovni absolventa doktorského studia na VUT.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení