Применение алгоритмов глубокого обучения для сегментирования одиночных клеток и фенотипического профилированияApplication of deep learning algorithms to single-cell segmentation and phenotypic profiling
Соискатель:
Мошков Никита Евгеньевич
Руководители
Хорват Питер (др. работы под рук-вом); Кайседо Хуан (др. работы под рук-вом); Кертес-Фаркаш Аттила (др. работы под рук-вом)
Члены комитета:
Паладь Калман (Университет Сегеда (Венгрия), DSc Habil, председатель комитета), Бенедек Чобо (Католический университет Петера Пазманя (Венгрия), DSc, член комитета), Вальтер Томас (Ecole des Mines de Paris (Франция), PhD, член комитета), Фодор Гергай (Университет Сегеда (Венгрия), PhD, член комитета), Хайгвер Флориан (Германский центр по изучению рака, PhD, член комитета)
Диссертация принята к предварительному рассмотрению:
6/23/2022
Диссертация принята к защите:
7/8/2022 (Протокол №11)
Дисс. совет:
Совет по компьютерным наукам
Дата защиты:
10/27/2022
Идея анализа отдельных клеток повлияла на понимание клеточных механизмов и оценку эффектов лекарств. Это стало возможным с появлением высокопроизводительных технологий секвенирования генома, протеомики, метаболомики и получения изображений. Изображения стали одним из основных источников данных о состоянии клеток, а методы глубинного обучения стали основой их анализа. В диссертации рассматриваются различные методы анализа одиночных клеток на основе изображений, а именно обзор текущих методов сегментирования одиночных клеток (или их ядер) на основе глубинного обучения, разработано ПО для аннотации клеточных ядер с помощью глубинного обучения, произведена оценка подхода аугментации в режиме тестирования (test-time augmentation) для задачи сегментирования клеточных ядер для двух наиболее популярных архитектур для сегментирования изображений. Для оценки фенотипов клеток описан и проанализирован подход для морфологического профилирования с помощью глубинного обучения со слабой разметкой и разработано ПО DeepProfiler. Кроме того, оценена предсказательная сила для трех источников данных: представления химических структур веществ, профилей экспрессии генов, и морфологических профилей на основе изображений (полученных помощью CellProfiler) для задачи предсказания активности веществ.
Диссертация [*.pdf, 14.04 Мб] (дата размещения 8/21/2022)
Резюме [*.pdf, 5.66 Мб] (дата размещения 8/21/2022)
Summary [*.pdf, 5.70 Мб] (дата размещения 8/21/2022)
Публикации, в которых излагаются основные результаты диссертации
Отзывы
Отзыв научного руководителя
- Отзыв научного руководителя (дата размещения 7/7/2022)
- Отзыв научного руководителя (дата размещения 7/7/2022)
- Отзыв научного руководителя (дата размещения 6/23/2022)
Сведения о результатах защиты:
Комитет по диссертации рекомендовал присудить ученую степень кандидата наук (протокол № 2 от 27.10.2022). Решением диссертационного совета (протокол № 21 от 31.10.2022) присуждена ученая степень кандидата компьютерных наук.
См. на ту же тему
Вычислительные методы для понимания крупномасштабных 3D-сцен на уровне частей объектовКандидатская диссертация
Соискатель: Ишимцев Владислав Игоревич
Руководитель: Бурнаев Евгений Владимирович
Дата защиты: 4/18/2023
Байесовский подход в глубинном обучении: улучшение дискриминативных и генеративных моделейКандидатская диссертация
Соискатель: Неклюдов Кирилл Олегович
Руководитель: Ветров Дмитрий Петрович
Дата защиты: 11/20/2020