Synthesis of microscopy images using neural networks

Bc. Martin Kozlovský

Bakalářská práce

Anotace:

Fluorescenční mikroskopie a fázový kontrast jsou dvě hojně používané metody pro monitoring buněk, každá se svými klady a zápory. Cíl této práce spočívá v implementaci několik modelů hlubokého učení, konkrétně konvolučních autoenkodérů a soupeřících sítí (GAN). Tyto modely mají za cíl naučit se převádět mezi mikroskopickými snímky pořízenými pomocí fázového kontrastu a pomocí fluorescenční mikroskopie, a to oběma směry.

Abstract:

Fluorescence and phase-contrast microscopy are both widely used methods for monitoring cells, each having its own advantages and disadvantages. The goal of this thesis is to implement several deep-learning models, namely Convolutional Autoencoders and Generative Adversarial Networks (GANs). The task of these models is to translate between microscopy images imaged using phase-contrast and fluorescence microscopy, and also vice versa.

Keywords

machine learning, deep learning, neural networks, GAN, fluorescent microscopy, phase-contrast microscopy, image synthesis

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 25. 5. 2021

Obhajoba závěrečné práce

• Obhajoba proběhla 28. 6. 2021
• Vedoucí: doc. RNDr. David Svoboda, Ph.D.
• Oponent: prof. RNDr. Michal Kozubek, Ph.D.

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Umělá inteligence a zpracování přirozeného jazyka