Applications of deep learning in single-cell analysis

Előnézet	Szöveg (Disszertáció) Download (92MB) | Előnézet
Előnézet	Szöveg (Tézisfüzet) Download (9MB) | Előnézet
Előnézet	Szöveg (Tézisfüzet) Download (9MB) | Előnézet

Magyar nyelvű absztrakt

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.

Absztrakt (kivonat) idegen nyelven

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.

Tétel nézet