Applications of deep learning in single-cell analysis

Hollandi Réka
Applications of deep learning in single-cell analysis.
Doctoral thesis (PhD), University of Szeged.
(2021)

[thumbnail of HollandiReka_thesis.pdf]
Preview
PDF (thesis)
Download (92MB) | Preview
[thumbnail of HollandiReka_booklet_EN.pdf]
Preview
PDF (booklet)
Download (9MB) | Preview
[thumbnail of HollandiReka_booklet_HU.pdf]
Preview
PDF (booklet)
Download (9MB) | Preview

Abstract in Hungarian

Egy mélytanulás alapú, annotálásra, tanításra és egysejt elemzésre alkalmas teljes munkafolyamatot mutatunk be ebben a disszertációban. Leírjuk, hogyan lehet megfelelően nagy méretű és megbízható minőségű annotált adathalmazokat könnyedén és gyorsan készíteni a javasolt mélytanulás alapú módszerrel, és ez az adat hogyan használható magas pontosságú szegmentáló hálózatok tanítására. Egy ilyen szegmentáló módszert is javaslunk, amely mélytanulás technikákat alkalmaz, többek közt a valódi mikroszkópos képekhez erősen hasonlító szintetikus képek automatikus generálását, így robusztus és nagyon pontos egysejt szegmentálás érhető el. A módszer képes ún. ground truth annotálások nélkül új képi modalitásokhoz alkalmazkodni. A bemutatott módszereket számos kutatási projektben alkalmazzuk.

Abstract in foreign language

A complete workflow of annotation, training and single-cell analysis using deep learning is proposed in this work. It is demonstrated how a sufficiently large annotation dataset of reliable quality may be created easily and quickly with the suggested deep learning-driven method, and how this data may be used to train segmentation networks capable of high accuracy. Such a segmentation method is also proposed, using deep learning techniques including the automatic generation of synthetic images closely resembling real microscopy images, resulting in robust and very precise single-cell segmentation. It can adapt to novel image domains without ground truth annotations. The presented methods are utilized in several research projects.

Item Type: Thesis (Doctoral thesis (PhD))
Creators: Hollandi Réka
Hungarian title: Mélytanulás alkalmazások az egysejt elemzésben
Supervisor(s):
Supervisor
Position, academic title, institution
MTMT author ID
Horváth Péter
intézetigazgató, kutatócsoport vezető, PhD, SZBK Biokémia Intézet
10030964
Subjects: 01. Natural sciences > 01.06. Biological sciences > 01.06.17. Biology (theoretical, mathematical, thermal, cryobiology, biological rhythm), evolutionary biology > 01.06.17.01. Computational biology
01. Natural sciences > 01.06. Biological sciences > 01.06.17. Biology (theoretical, mathematical, thermal, cryobiology, biological rhythm), evolutionary biology > 01.06.17.08. Bioinformatics
Divisions: Doctoral School of Interdisciplinary Sciences
Discipline: Medicine > Theoretical Medicine
Language: English
Date: 2021. July 13.
Uncontrolled Keywords: mélytanulás, egysejt elemzés, szegmentálás, mikroszkópia
Item ID: 10801
MTMT identifier of the thesis: 32854854
doi: https://doi.org/10.14232/phd.10801
Date Deposited: 2021. Mar. 02. 11:24
Last Modified: 2023. Jan. 13. 09:50
URI: https://doktori.bibl.u-szeged.hu/id/eprint/10801
Defence/Citable status: Defended.

Actions (login required)

View Item View Item