Learning to segment cell nuclei in phase-contrast microscopy from fluorescence images for drug discovery

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>

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.

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/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)

Rok uplatnění

2022

Kód důvěrnosti údajů

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

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