Login
- Originaltitel:
- Deep learning methods for single cell morphometry in high-throughput microscopy
- Übersetzter Titel:
- Deep Learning-Methoden für die Einzelzellmorphometrie in der Hochdurchsatzmikroskopie
- Autor:
- Waibel, Dominik Jens Elias
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Life Sciences
- Betreuer:
- Theis, Fabian J. (Prof. Dr. Dr.)
- Gutachter:
- Theis, Fabian J. (Prof. Dr. Dr.); Schnabel, Julia (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- NAT Naturwissenschaften (allgemein)
- TU-Systematik:
- NAT 000
- Kurzfassung:
- Deep learning has become an indispensable tool for data analysis in fluorescent microscopy. The deep learning methods presented in this thesis extract previously inaccessible information from 3D microscopic images, allow for 3D shape prediction from 2D images, for tracking of single cells in 4D bright-field movies, and thereby pave the way towards microscopy-based, non-invasive, high-throughput single cell monitoring and image analysis.
- Übersetzte Kurzfassung:
- Deep Learning ist zu einem unverzichtbaren Werkzeug für die Datenanalyse in der Fluoreszenzmikroskopie geworden. Die in dieser Arbeit vorgestellten Deep-Learning-Methoden extrahieren bisher unzugängliche Informationen aus mikroskopischen 3D-Bildern, ermöglichen die Vorhersage von 3D-Formen aus 2D-Bildern, die Verfolgung einzelner Zellen in 4D Filmen, aufgenommen mit einem Hellfeldmikroskop und ebnen so den Weg für eine mikroskopiebasierte, nicht-invasive Einzelzellüberwachung und Bildanalyse mit... »
- WWW:
- https://mediatum.ub.tum.de/?id=1692806
- Eingereicht am:
- 05.12.2022
- Mündliche Prüfung:
- 28.06.2023
- Dateigröße:
- 27764980 bytes
- Seiten:
- 126
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230628-1692806-1-5
- Letzte Änderung:
- 21.07.2023
BibTeX