J 2009

Information Content Analysis in Automated Microscopy Imaging using an Adaptive Autofocus Algorithm for Multimodal Functions

BRÁZDILOVÁ, Silvie Luisa a Michal KOZUBEK

Základní údaje

Originální název

Information Content Analysis in Automated Microscopy Imaging using an Adaptive Autofocus Algorithm for Multimodal Functions

Název česky

Analýza informačního obsahu v automatizované mikroskopii pomocí adaptivního samozaostřovacího algoritmu pro multimodální fuknce

Autoři

BRÁZDILOVÁ, Silvie Luisa (203 Česká republika, domácí) a Michal KOZUBEK (203 Česká republika, garant, domácí)

Vydání

Journal of Microscopy, Oxford, Blackwell Science, 2009, 0022-2720

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

20200 2.2 Electrical engineering, Electronic engineering, Information engineering

Stát vydavatele

Velká Británie a Severní Irsko

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 1.612

Kód RIV

RIV/00216224:14330/09:00035554

Organizační jednotka

Fakulta informatiky

DOI

UT WoS

000271974200005

Klíčová slova anglicky

automated microscopy; information content analysis; autofocusing; normalized variance

Štítky

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 10. 3. 2018 16:43, prof. RNDr. Michal Kozubek, Ph.D.

Anotace

ORIG CZ

V originále

We present a new algorithm to analyse information content in images acquired using automated fluorescence microscopy. The algorithm belongs to the group of autofocusing methods, but differs from its predecessors in that it can handle thick specimens and operate also in confocal mode. It measures the information content in images using a "content function", which is essentially the same concept as a focus function. Unlike previously presented algorithms, this algorithm tries to find all significant axial positions in cases where the content function applied to real data is not unimodal, which is often the case. This requirement precludes using algorithms that rely on unimodality. Moreover, choosing a content function requires careful consideration, because some functions suppress local maxima. First, we test 19 content functions and evaluate their ability to show local maxima clearly. The results show that only six content functions succeed. To save time, the acquisition procedure needs to vary the step size adaptively, because a wide range of possible axial positions has to be passed so as not to miss a local maximum. The algorithm therefore has to assess the steepness of the content function on-line so that it can decide to use a bigger or smaller step size to acquire the next image. Therefore, the algorithm needs to know about typical behaviour of content functions. We show that for Normalized Variance, one of the most promising content functions, this knowledge can be obtained after normalizing with respect to the theoretical maximum of this function, and using hierarchical clustering. The resulting algorithm is more reliable and efficient than a simple procedure with constant steps.

Česky

Práce se věnuje analýze informačního obsahu v automatizované mikroskopii pomocí adaptivního samozaostřovacího algoritmu pro multimodální fuknce

Návaznosti

LC535, projekt VaV
Název: Dynamika a organizace chromosomů během buněčného cyklu v normě a patologii
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Dynamika a organizace chromosomů během buněčného cyklu v normě a patologii
MSM0021622419, záměr
Název: Vysoce paralelní a distribuované výpočetní systémy
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Vysoce paralelní a distribuované výpočetní systémy
2B06052, projekt VaV
Název: Vytipování markerů, screening a časná diagnostika nádorových onemocnění pomocí vysoce automatizovaného zpracování multidimenzionálních biomedicínských obrazů (Akronym: Biomarker)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Vytipování markerů, screening a časná diagnostika nádorových onemocnění pomocí vysoce automatizovaného zpracování multidimenzionálních biomedicínských obrazů