Learning to segment cell nuclei in phase-contrast microscopy from fluorescence images for drug discovery
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00362696" target="_blank" >RIV/68407700:21230/22:00362696 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989592:15110/22:73618881
Výsledek na webu
<a href="https://doi.org/10.1117/12.2607500" target="_blank" >https://doi.org/10.1117/12.2607500</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1117/12.2607500" target="_blank" >10.1117/12.2607500</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Learning to segment cell nuclei in phase-contrast microscopy from fluorescence images for drug discovery
Popis výsledku v původním jazyce
We describe a method for analyzing geometrical properties of cell nuclei from phase contrast microscopy images. This is useful in drug discovery for quantifying the effect of candidate chemical compounds, bypassing the need for fluorescence imaging. Fluorescence images are then only used for training our nuclei segmentation, avoiding the need for the time consuming expert annotations. Geometry based descriptors are calculated and aggregated and fed into a classifier to distinguish the different types of chemical treatments. The drug treatment can be distinguished from no treatment with accuracy better than 95% from fluorescence images and better than 77% from phase contrast images.
Název v anglickém jazyce
Learning to segment cell nuclei in phase-contrast microscopy from fluorescence images for drug discovery
Popis výsledku anglicky
We describe a method for analyzing geometrical properties of cell nuclei from phase contrast microscopy images. This is useful in drug discovery for quantifying the effect of candidate chemical compounds, bypassing the need for fluorescence imaging. Fluorescence images are then only used for training our nuclei segmentation, avoiding the need for the time consuming expert annotations. Geometry based descriptors are calculated and aggregated and fed into a classifier to distinguish the different types of chemical treatments. The drug treatment can be distinguished from no treatment with accuracy better than 95% from fluorescence images and better than 77% from phase contrast images.
Klasifikace
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)
Návaznosti výsledku
Projekt
<a href="/cs/project/EF16_019%2F0000765" target="_blank" >EF16_019/0000765: Výzkumné centrum informatiky</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proc. SPIE 12032: Medical Imaging 2022: Image Processing
ISBN
978-1-5106-4939-2
ISSN
1605-7422
e-ISSN
—
Počet stran výsledku
7
Strana od-do
—
Název nakladatele
SPIE
Místo vydání
Bellingham
Místo konání akce
San Diego
Datum konání akce
20. 2. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000836295600086