Geri Dön

Deep learning enhanced microscopy by training a convolutional neural network and a generative adversarial network with data collected using a line scanning confocal microscope

Başlık çevirisi mevcut değil.

  1. Tez No: 767783
  2. Yazar: AMIR MOHAMMAD KETABCHI
  3. Danışmanlar: PROF. DR. ALPER KİRAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Odak dışı arka planı ortadan kaldırması ile, geniş alan aydınlatma mikroskopiye göre konfokal mikroskopi, daha yüksek çözünürlüklü ve sinyal-gürültü oranına sahip görüntüler sağlar. Konfokal mikroskopideki ilerlemelerin yanı sıra, ışıklı levha mikroskopi, yapılandırılmış aydınlatma mikroskopi, çizgi taramalı konfokal mikroskopi ve derin öğrenme ile geliştirilmiş mikroskopi gibi yeni teknikler, daha yüksek görüntü alma hızları, daha iyi kontrast ve çözünürlük gibi avantajları ile beraber daha uygun maliyetli olması nedeniyle dikkat çekiyor. Bu çalışmada, ilk olarak, bir dijital ışık projektörü (DLP) ve rolling shutter'lı CMOS kamera kullanılarak geliştirilen bir çizgi taramalı konfokal mikroskobun çalışmasını gösteriyoruz. Bu yöntemde, odaklama objektifi ile DLP tarafından örnek üzerine bir dizi aydınlatma çizgisi yansıtılır (50X, NA=0.55). Yansıyan ışık, rolling shutter'lı CMOS kamera ile görüntüleniyor. Çizgi taramalı konfokal görüntüleme, aydınlatma çizgileri ile sensörün rolling shutter'ı ile üst üste bindirilerek elde edilir. Bu teknik kullanılarak görüntü kontrastında ve minimum özellik boyutunda önemli iyileştirmeler elde edilir. Daha sonra bu yöntem kullanılarak bir kağıt mendilin liflerinin görüntülenmesiyle elde edilen 500 çift görüntüyü içeren bir veri seti hazırlandı. Bu veri seti, derin öğrenme ile geliştirilmiş mikroskopi için bir Evrişimsel Sinir Ağı (CNN) ve Çekişmeli Üretici Ağlar (GAN) eğitimi için kullanılır. Bunun için 500 çift basit ve çizgi tarama modu görüntüsünü içeren bir veri seti kullanılmıştır. Bu miktarın %95'i ağın eğitimi için, kalan %5'i ise test için kullanılır. CNN ve GAN'ın çıktılarında, gerçek referrans görüntüleri ile karşılaştırılabilir önemli derecede kontrast iyileştirmesi elde edildi.

Özet (Çeviri)

Eliminating out-of-focus background, confocal microscopy provides images with a higher resolution and signal-to-noise ratio in comparison with wide-field illumination microscopy. Besides the advances in confocal microscopy, new techniques like light-sheet microscopy, structured illumination microscopy, line-scanning confocal microscopy, or deep learning enhanced microscopy draw attention due to their advantages, including higher image acquisition speeds, better contrast, and resolution, and are more cost-effective. In this work, we first demonstrate the operation of a line-scanning confocal microscope developed using a digital light projector (DLP) and CMOS camera with a rolling shutter. In this method, a series of illumination lines are projected on a sample by a DLP with a focusing objective (50X, NA=0.55). The reflected light is imaged with a rolling shutter CMOS camera. The line-scanning confocal imaging is achieved by overlapping the illumination lines and the rolling shutter of the sensor. Significant improvements in image contrast and minimum feature size are obtained using this technique. Then by using this method, a dataset including 500 pairs of images obtained by imaging fibers of a paper tissue was prepared. This dataset is employed for training a Convolutional Neural Network (CNN) and a Generative Adversarial Network (GAN) for deep learning enhanced microscopy. For this, a data set containing 500 pairs of simple and line scanning mode images of this dataset is utilized. 95% of this amount is used for the training of the network, while the remaining 5% is used for the testing. Significant contrast improvement is obtained in the output of the CNN and GAN, comparable to those obtained with the ground-truth images.

Benzer Tezler

  1. Denoising and enhancement in medical imaging modalities using deep learning

    Medikal görüntüleme sistemlerinde derin öğrenme ile gürültü azaltımı ve görüntü iyileştirme

    İREM LOÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. HAKAN ERKOL

    PROF. DR. MEHMET BURÇİN ÜNLÜ

  2. Radyolojik ileri görüntüleme tekniklerinin intrakranyal kitlelerin tanısına katkısının araştırılması

    Contribution of advanced radiological imaging techniques to the diagnosis of intracranial masses

    HÜSEYİN KASAP

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Radyoloji ve Nükleer TıpSelçuk Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. MEHMET ÖZTÜRK

  3. Deep compressıve mıcroendoscopy technology

    Derin şıkıştırılmış mikroendoskopi teknolojisi

    ZAFER ÇILGIN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Nörobilim Ana Bilim Dalı

    PROF. DR. ALPAN BEK

    DOÇ. DR. ŞEFİK EVREN ERDENER

  4. Akciğer ve kolon kanserinin histopatolojik görüntüler üzerinde derin öğrenme yöntemleri kullanılarak tespiti

    Detection of lung and colon cancer using deep learning methods on hystopathological images

    TÜRKAN BEYZA KARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET CEVAHİR ÇINAR

  5. Bazal ganglıonların mıkrocerrahı ve ak madde dıseksıyonu ıle 3 boyutlu anatomısı

    Başlık çevirisi yok

    AHMET YAPRAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    AnatomiSağlık Bakanlığı

    Beyin-Sinir ve Omurilik Cerrahisi Ana Bilim Dalı

    PROF. HÜSEYİN HAYRI KERTMEN