Segmentation of Actin-Stained 3D Fluorescent Cells with Filopodial Protrusions using Convolutional Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F18%3A00100837" target="_blank" >RIV/00216224:14330/18:00100837 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ISBI.2018.8363605" target="_blank" >http://dx.doi.org/10.1109/ISBI.2018.8363605</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISBI.2018.8363605" target="_blank" >10.1109/ISBI.2018.8363605</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Segmentation of Actin-Stained 3D Fluorescent Cells with Filopodial Protrusions using Convolutional Neural Networks

Popis výsledku v původním jazyce

We present the architecture, training strategy and evaluation of a convolutional neural network (CNN) designed for the segmentation of actin-stained cells in 3D+t confocal microscopy image data. The segmentation performance of the CNN is evaluated using time-lapse sequences of lung adenocarcinoma cells with three genetically distinct variants of the tubulin adaptor protein, a key protein in the process of assembly of the cell cytoskeleton, displaying three different phenotypes in regards to the morphology of the cells and in particular, to the number and length of filopodial structures. We show that the CNN significantly outperforms a baseline method based on the minimization of the Chan-Vese model using graph cuts, and we discuss the inherent benefits of using the CNN over the baseline method.

Název v anglickém jazyce

Segmentation of Actin-Stained 3D Fluorescent Cells with Filopodial Protrusions using Convolutional Neural Networks

Popis výsledku anglicky

We present the architecture, training strategy and evaluation of a convolutional neural network (CNN) designed for the segmentation of actin-stained cells in 3D+t confocal microscopy image data. The segmentation performance of the CNN is evaluated using time-lapse sequences of lung adenocarcinoma cells with three genetically distinct variants of the tubulin adaptor protein, a key protein in the process of assembly of the cell cytoskeleton, displaying three different phenotypes in regards to the morphology of the cells and in particular, to the number and length of filopodial structures. We show that the CNN significantly outperforms a baseline method based on the minimization of the Chan-Vese model using graph cuts, and we discuss the inherent benefits of using the CNN over the baseline method.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GJ16-03909Y" target="_blank" >GJ16-03909Y: Vývoj spolehlivých metod pro automatizovanou kvantitativní charakterizaci buněčné motility ve fluorescenční mikroskopii</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

15th IEEE International Symposium on Biomedical Imaging

ISBN

9781538636367

ISSN

1945-7928

e-ISSN

—

Počet stran výsledku

5

Strana od-do

413-417

Název nakladatele

IEEE

Místo vydání

Washington

Místo konání akce

Washington, USA

Datum konání akce

1. 1. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000455045600094