DIC Image Segmentation of Dense Cell Populations by Combining Deep Learning and Watershed

LUX, Filip a Petr MATULA. DIC Image Segmentation of Dense Cell Populations by Combining Deep Learning and Watershed. Online. In IEEE 16th International Symposium on Biomedical Imaging. Venice, Italy, Italy: IEEE 16th International Symposium on Biomedical Imaging, 2019, s. 236-239. ISBN 978-1-5386-3641-1. Dostupné z: https://doi.org/10.1109/ISBI.2019.8759594.

Základní údaje

Originální název

DIC Image Segmentation of Dense Cell Populations by Combining Deep Learning and Watershed

Autoři

LUX, Filip a Petr MATULA

Vydání

Venice, Italy, Italy, IEEE 16th International Symposium on Biomedical Imaging, od s. 236-239, 4 s. 2019

Nakladatel

IEEE 16th International Symposium on Biomedical Imaging

---

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10200 1.2 Computer and information sciences

Stát vydavatele

Spojené státy

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Odkazy

URL

Označené pro přenos do RIV

Ano

Kód RIV

RIV/00216224:14330/19:00107237

Organizační jednotka

Fakulta informatiky

ISBN

978-1-5386-3641-1

ISSN

DOI

https://doi.org/10.1109/ISBI.2019.8759594

UT WoS

000485040000055

EID Scopus

2-s2.0-85073889985

Klíčová slova česky

Segmentace obrazu; Differential Interface Contrast; Konvoluční neurální síť; Watershed

Klíčová slova anglicky

Image Segmentation; Differential Interface Contrast; Convolutional Neural Networks; Watershed

Štítky

cbia-web, convolutional neural network, CTC, firank_B, segmentation, watershed

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

Image segmentation of dense cell populations acquired using label-free optical microscopy techniques is a challenging problem. In this paper, we propose a novel approach based on a combination of deep learning and watershed transform to segment differential interference contrast (DIC) images with high accuracy. The main idea of our approach is to train a convolutional neural network to detect both cellular markers and cellular areas and based on these predictions to split the individual cells by using the watershed transform. The approach was developed based on the images of dense HeLa cell populations included in the Cell Tracking Challenge database. Our approach was ranked the best in segmentation, detection, as well as the overall performance as evaluated on the challenge datasets.

---

Návaznosti

GA17-05048S, projekt VaV	Název: Segmentace a trekování živých buněk v multimodálních obrazech Investor: Grantová agentura ČR, Segmentace a trekování živých buněk v multimodálních obrazech
MUNI/A/1018/2018, interní kód MU	Název: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VIII. Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VIII., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
MUNI/A/1040/2018, interní kód MU	Název: Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity 19 (Akronym: SKOMU) Investor: Masarykova univerzita, Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity 19, DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty

Přiložené soubory

ISBI_2019_Lux.v2.pdf

Požádat o autorskou verzi souboru

0570.pdf

Požádat o autorskou verzi souboru