Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
StemNet: A Temporally Trained Fully Convolutional Network for Segmentation of Muscular Stem Cells
KTH, School of Electrical Engineering (EES), Information Science and Engineering.
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

In biomedical research, time-lapse microscopy is an important tool to be able tostudy processes which are too slow for humans to observe. This technique ispowerful since it gives information about how parameters of single cells changeover time.The problem to be solved in this project is to segment MuSCs (Muscular Stem Cells)in images and to classify them. This is done by using a deep neural network trainedusing supervised learning. The network is inspired by the architecture of the U-net,but extended by using temporal data to see if it can increase its performance. Thenetwork is trained on images from the time-lapse sequence, where the temporalaspect is used to create a short-term memory for the network. The results arecompared to a network of the same architecture but without the temporal aspect inthe training.The temporal approach shows that the network learns faster what is roughly aMuSC and what is not, but in the end it gives a slightly higher and more accurateclassification of MuSCs by training the network without giving it a short-termmemory, for this task.

Abstract [sv]

Tidsförloppsmikroskopi är ett viktigt verktyg inom biomedicinsk forskning,framförallt om man vill studera processer som är för långsamma för en människa attobservera. Det är en kraftfull teknik eftersom den ger information om hurparametrar för enskilda celler ändras över tiden.Det problem som ska lösas i det här projektet är att segmentera muskelstamceller ibilder och klassificera dem. Tillvägagångssättet är att använda djupa neuralanätverk, tränade genom kontrollerad inlärning. Arkitekturen på nätverket ärinspirerat utav U-net, men med tillägget att det använder temporal data för att seifall den kan prestera bättre. Nätverket är tränat på bilder tagna från sekvenser avtidsförloppsmikroskopi, där den temporala aspekten i sekvenserna används för attskapa ett korttidsminne till nätverket. Resultatet utav nätverket jämförs medresultatet av ett nästan likadant nätverk, skillnaden är att det inte användertemporal data när det tränas.Nätverket som tränas med temporal data visar sig snabbare lära sig vad som grovtär en muskelstamcell i en bild och vad som inte är det. Men i slutändan visar det sigatt nätverket som tränas utan temporal data presterar lite bättre och har lite högreprecision än nätverket med ett korttidsminne.

Place, publisher, year, edition, pages
2017. , p. 64
Series
TRITA-EE, ISSN 1653-5146 ; 2017:128
National Category
Electrical Engineering, Electronic Engineering, Information Engineering
Identifiers
URN: urn:nbn:se:kth:diva-215198OAI: oai:DiVA.org:kth-215198DiVA, id: diva2:1146930
Educational program
Master of Science - Systems, Control and Robotics
Available from: 2017-10-04 Created: 2017-10-04 Last updated: 2017-10-04Bibliographically approved

Open Access in DiVA

fulltext(2718 kB)71 downloads
File information
File name FULLTEXT01.pdfFile size 2718 kBChecksum SHA-512
08c2bff4da10865061fe819af4e74bad2b2f8fd30d40bffc17e575c06e62c1af458ba84f3bf93f2b3f6340ff1b77faffd237b37ea761fe7aa84d12e707a1140c
Type fulltextMimetype application/pdf

By organisation
Information Science and Engineering
Electrical Engineering, Electronic Engineering, Information Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 71 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 143 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
v. 2.34-SNAPSHOT
|