Applications of deep learning in single-cell analysis

Hollandi Réka
Applications of deep learning in single-cell analysis.
Doktori értekezés, Szegedi Tudományegyetem (2000-).
(2021)

[thumbnail of HollandiReka_thesis.pdf]
Előnézet
PDF (disszertáció)
Download (92MB) | Előnézet
[thumbnail of HollandiReka_booklet_EN.pdf]
Előnézet
PDF (tézisfüzet)
Download (9MB) | Előnézet
[thumbnail of HollandiReka_booklet_HU.pdf]
Előnézet
PDF (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.

Mű típusa: Disszertáció (Doktori értekezés)
Publikációban használt név: Hollandi Réka
Magyar cím: Mélytanulás alkalmazások az egysejt elemzésben
Témavezető(k):
Témavezető neve
Beosztás, tudományos fokozat, intézmény
MTMT szerző azonosító
Horváth Péter
intézetigazgató, kutatócsoport vezető, PhD, SZBK Biokémia Intézet
10030964
Szakterület: 01. Természettudományok > 01.06. Biológiai tudományok > 01.06.17. Biológia (elméleti, matematikai, hőbiológia, kriobiológia, biológiai ritmus), evolúciós biológia > 01.06.17.01. Számítási biológia
01. Természettudományok > 01.06. Biológiai tudományok > 01.06.17. Biológia (elméleti, matematikai, hőbiológia, kriobiológia, biológiai ritmus), evolúciós biológia > 01.06.17.08. Bioinformatika
Doktori iskola: Interdiszciplináris Orvostudományok Doktori Iskola
Tudományterület / tudományág: Orvostudományok > Elméleti orvostudományok
Nyelv: angol
Védés dátuma: 2021. július 13.
Kulcsszavak: mélytanulás, egysejt elemzés, szegmentálás, mikroszkópia
EPrint azonosító (ID): 10801
A mű MTMT azonosítója: 32854854
doi: https://doi.org/10.14232/phd.10801
A feltöltés ideje: 2021. márc. 02. 11:24
Utolsó módosítás: 2023. jan. 13. 09:50
URI: https://doktori.bibl.u-szeged.hu/id/eprint/10801
Védés állapota: védett

Actions (login required)

Tétel nézet Tétel nézet

Letöltések

Letöltések havi bontásban az elmúlt egy évben

Year
ápr 20245
máj 20248
jún 20248
júl 20242
aug 20243
szept 20247
okt 20241
nov 20242
dec 20246
jan 20255
feb 20258
márc 20253
ápr 20250