Hollandi Réka
Applications of deep learning in single-cell analysis.
[Thesis]
Preview |
PDF
(disszertáció)
Download (92MB) | Preview |
Preview |
PDF
(tézis)
Download (9MB) | Preview |
Preview |
PDF
(tézis)
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.
Actions (login required)
![]() |
View Item |