Video object segmentation in electron microscopy

Bc. Radek Jančík

Diplomová práce

Anotace:

Skenování objemu vzorků elektronovými mikroskopy (EM) ve vysoké kvalitě je zásadní pro výzkum v živých vědách. Jelikož skenování objemu EM ve vysoké kvalitě může být časově velmi náročné, je snaha urychlit snímání obrazu pomocí automatických akvizičních procesů. Tyto procesy ovšem potřebují nasměrování segmentačním algoritmem. Tato práce studuje metodu určenou pro segmentaci videa, Adaptive Feature Bank and Uncertain-Region Refinement (AFB-URR), a zkoumá její vhodnost pro segmentaci objemových dat z oblasti živých věd pořízených EM. Pro tato data práce dále navrhuje a testuje vylepšení metody AFB-URR. Metoda AFB-URR v originální verzi není považována za vhodnou pro segmentaci snímků z EM kvůli příliš vysoké míře falešně negativních výsledků segmentace (55,85 %). Skrz vylepšení původní metody snížila tato práce míru falešně negativních výsledků metody na 0,88 % za cenu zvýšení falešně pozitivních výsledků z 8,44 % na 32,49 %. Tento výsledek umožňuje využití vylepšené varianty AFB-URR v akvizičních procesech EM a má potenciál zrychlit výzkum v oblasti živých věd.

Abstract:

Scanning a 3D volume of samples with electron microscopes in high quality is essential for life-science research. Since high-quality scanning can be very time-consuming, automated acquisition processes aim at increasing the scanning speed. These processes, however, need the guidance of an automatic segmentation algorithm. This thesis studies the video object segmentation method Adaptive Feature Bank and Uncertain-Region Refinement (AFB-URR) and investigates its suitability for segmenting life-science 3D data acquired by electron microscopes. Further, the thesis suggests and evaluates improvements of the method for such data. Due to its high miss rate of 55.85% on life-science data, the original AFB-URR is not considered to be suitable for segmenting EM data. Through improvements of the method, this thesis decreases the miss rate of AFB-URR to 0.88% at the cost of increasing the false positive rate from 8.44% to 32.49%. Its low miss rate enables the use of the improved method in electron microscopy acquisition processes with the potential to accelerate future life-science research.

Keywords

Video Object Segmentation, Deep Learning, Electron Microscopy, Computer Vision, Image Analysis

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 13. 12. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 1. 2023
• Vedoucí: doc. RNDr. Petr Matula, Ph.D.
• Oponent: doc. RNDr. David Svoboda, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Strojové učení a umělá inteligence