Login
- Original title:
- Deep learning methods for single cell morphometry in high-throughput microscopy
- Translated title:
- Deep Learning-Methoden für die Einzelzellmorphometrie in der Hochdurchsatzmikroskopie
- Author:
- Waibel, Dominik Jens Elias
- Year:
- 2023
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Life Sciences
- Advisor:
- Theis, Fabian J. (Prof. Dr. Dr.)
- Referee:
- Theis, Fabian J. (Prof. Dr. Dr.); Schnabel, Julia (Prof. Dr.)
- Language:
- en
- Subject group:
- NAT Naturwissenschaften (allgemein)
- TUM classification:
- NAT 000
- Abstract:
- 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.
- Translated abstract:
- 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
- Date of submission:
- 05.12.2022
- Oral examination:
- 28.06.2023
- File size:
- 27764980 bytes
- Pages:
- 126
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230628-1692806-1-5
- Last change:
- 21.07.2023
BibTeX