TUD Logo

TUD Home » ... » Faculty of Computer Science » Research » Academic Talks

Faculty of Computer Science

Academic Talks

Sichere und effiziente Netzwerkcodierung

PhD defence by Dipl.-Inf. Stefan Pfennig (Institut für Systemarchitektur, Datenschutz und Datensicherheit)

18th Dec 2018, 1.15 PM, APB 1004 (Ratssaal)


Untersuchung zur Kalibrierung von automatisierten Bildanalyseverfahren

Presentation of the Diploma thesis by Patrick Brösamle (ZIH)

18th Dec 2018, 4.30 PM, APB 1096

Lokal sowie international wächst der Bedarf in der Biomedizin an automatisierten Auswertungsverfahren von Mikroskopiedaten. Mit Machine-Learning-Methoden können aus Mikroskopiedaten Parameter wie Zelltypen, Zellformen und Zellbewegungsmuster quantifiziert werden. Für das Trainieren von Machine-Learning-Bildanalysemethoden ist aber eine sehr große Zahl von annotierten Mikroskopiedaten (Ground-Truth) nötig.

Ziel dieser Diplomarbeit ist es, den Engpass der manuellen Annotation von Mikroskopiedaten durch vorab realistisch simulierte und visualisierte Daten zu beheben. Mittels bestehender zell-basierter Modelle und der Simulationssoftware Morpheus sollen Simulationen erstellt und diese unter Verwendung von Deep-Learning-Methoden als realistische Mikroskopiebilder abgebildet werden. Durch die von Simulationsinstruktionen vorgegebenen Bildannotationen und die Bildtransformation ergeben sich generierte "Ground-Truth-Daten".

Es werden zwei Deep-Learning Methoden (Fully-Convolutional-Network - U-Net und conditional Generative Adversarial Networks - cGAN) implementiert, angepasst und evaluiert. Beide Methoden zeigen die Umsetzbarkeit der Transformation von simulierten Binärmasken zu realistisch aussehenden virtuellen Mikroskopiebildern, sowohl für Lichtfeld- als auch für Fluoreszenzbilder. Die Ergebnisse werden mittels Bildmetriken und Robustheitstests analysiert. Trotz bewusst klein gewählter Trainingsdaten kann die hier etablierte Methode auch in Extremsituationen, z.B. Randposition der Zelle welche nicht in den Trainingsdaten vorhanden ist, zufriedenstellende Ergebnisse liefern. Weiterhin werden die umgesetzten Deep-Learning-Methoden auf verschiedenen Hardware-Architekturen hinsichtlich der Trainingszeit evaluiert, wobei auf Google Cloud TPUs ein speed-up von 45 gegenüber single GPU NVIDIA K80 gemessen wurde. Diese Ergebnisse erlauben einerseits die Anwendung im Bereich biomedizinischer Bildanalyse und liefern andererseits neue Argumente für die Hardware-spezifische Einstellung der Hyperparameter von Deep-Learning-Methoden.



search in announcement archive


Subscribe to the talk announcements news feed: RSS

Last modified: 14th Dec 2018, 2.12 AM
Author: Webmaster