東華大學圖書館 |

Improving Super-Resolution Microscopy Data Reconstruction and Evaluation by Developing Advanced Processing Algorithms and Artifcial Neuronal Networks = = Verbesserung Von Datenrekonstruktion und -Auswertung in Der Super-resolution Mikroskopie Durch Die Entwicklung Von Fortgeschrittenen Verarbeitungsalgorithmen und Kunstlichen Neuronalen Netzen.

紀錄類型:	書目-電子資源 : Monograph/item
正題名/作者:	Improving Super-Resolution Microscopy Data Reconstruction and Evaluation by Developing Advanced Processing Algorithms and Artifcial Neuronal Networks =/
其他題名:	Verbesserung Von Datenrekonstruktion und -Auswertung in Der Super-resolution Mikroskopie Durch Die Entwicklung Von Fortgeschrittenen Verarbeitungsalgorithmen und Kunstlichen Neuronalen Netzen.
作者:	Reinhard, Sebastian.
出版者:	Ann Arbor : ProQuest Dissertations & Theses, : 2023,
面頁冊數:	132 p.
附註:	Source: Dissertations Abstracts International, Volume: 85-03, Section: B.
Contained By:	Dissertations Abstracts International85-03B.
標題:	User interface. -
電子資源:	https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=30591441
ISBN:	9798380267243

Improving Super-Resolution Microscopy Data Reconstruction and Evaluation by Developing Advanced Processing Algorithms and Artifcial Neuronal Networks = = Verbesserung Von Datenrekonstruktion und -Auswertung in Der Super-resolution Mikroskopie Durch Die Entwicklung Von Fortgeschrittenen Verarbeitungsalgorithmen und Kunstlichen Neuronalen Netzen.
Reinhard, Sebastian.

Improving Super-Resolution Microscopy Data Reconstruction and Evaluation by Developing Advanced Processing Algorithms and Artifcial Neuronal Networks =Verbesserung Von Datenrekonstruktion und -Auswertung in Der Super-resolution Mikroskopie Durch Die Entwicklung Von Fortgeschrittenen Verarbeitungsalgorithmen und Kunstlichen Neuronalen Netzen. - Ann Arbor : ProQuest Dissertations & Theses, 2023 - 132 p.

Source: Dissertations Abstracts International, Volume: 85-03, Section: B.

Thesis (Ph.D.)--Bayerische Julius-Maximilians-Universitaet Wuerzburg (Germany), 2023.

This item must not be sold to any third party vendors.

Fur die Weiterentwicklung der Wissenschaft wird es immer wichtiger, Methoden aus verschiedenen Gebieten zu kombinieren. Die kunstliche Intelligenz beruht beispielsweise auf dem Prinzip biologischer neuronaler Netze. Hier wird die Natur als Vorlage fur unsere technische Entwicklung genutzt. Diese Innovationen konnen dazu eingesetzt werden, die verbliebenen Ratsel der Biologie zu losen. Dazu gehoren insbesondere Prozesse, die sich auf mikroskopischer Ebene abspielen und nur mit hochentwickelten Techniken untersucht werden konnen. Die direkteStochastisch Optische Rekonstruktionsmikroskopie kombiniert Methoden der Chemie, Physik und Informatik, um biologische Prozesse auf molekularer Ebene sichtbar zu machen. Eine der Schlusselkomponenten ist die computergestutzte Rekonstruktion von hochaufgelosten Bildern. Die Verbesserung der zugrunde liegenden Algorithmen erhoht die Qualitat der erzeugten Daten und ermoglicht weitere Einblicke in unsere Biologie. Es muss jedoch sichergestellt werden, dass die kunstlich erstellten Bilder immer noch ein Abbild der Realitat sind und nicht auf zufalligen Artefakten beruhen.Expansionsmikroskopie vergrosert die Probe durch Einbettung in ein Hydrogel. Die Methode kann mit anderen hochauflosenden Techniken kombiniert werden, um die Auflosung noch weiter zu verbessern. Dieser Ansatz wurde an Mikrotubuli, einer bekannten filamentosen Referenzstruktur, verwendet, um verschiedene Protokolle und Markierungstechniken zu testen.Mit LineProfiler wurde ein objektives Werkzeug zur Datenerfassung entwickelt. Anstatt Linienprofile in kleinen Bereichen zu erfassen, wertet die Software das gesamte Bild aus. Dies verbessert die Datenmenge und Datenqualitat und verhindert eine voreingenommene Auswahl der ausgewerteten Regionen. Auf Grundlage der gesammelten Daten wurden theoretische Modelle fur die erwartete Intensitatsverteilung uber die Filamente erstellt. Daraus konnte geschlossen werden, dass die Markierung nach der Expansion den Markierungsfehler erheblich reduziert und somit die Qualitat der Daten verbessert. Die Software wurde auserdem zur Bestimmung des Expansionsfaktors und der Anordnung der Daten des synaptonemalen Komplexes verwendet.Automated Simple Elastix verwendet modernste Bildregistrierung, um Bilder vor und nach der Expansion zu vergleichen. Lineare Verzerrungen, die bei isotroper Expansion auftreten, werden korrigiert. Der strukturelle Expansionsfaktor wird berechnet und strukturelle Unstimmigkeiten werden in einer Verzerrungskarte hervorgehoben. Die Software wurde zur Bewertung expandierter Pilze und NK-Zellen eingesetzt. Dabei wurde festgestellt, dass der Expansionsfaktor fur die beiden Strukturen unterschiedlich ist und unter der Gesamtexpansion des Hydrogels liegt.Die Auswertung der Fluoreszenzlebensdauer von Emittern, die fur die direkte Stochastische Optische Rekonstruktionsmikroskopie eingesetzt werden, kann zusatzliche Informationen uber die molekulare Umgebung liefern oder Farbstoffe unterscheiden, die eine ahnliche Lichtwellenlange emittieren. Die entsprechenden Messungen erfordern eine konfokale Abtastung der Probe in Kombination mit dem fluoreszenten Schalten der zugrunde liegenden Emitter. Dies fuhrt zu nichtlinearen, unterbrochenen Punktspreizfunktionen. Die Software ReCSAI lost dieses Problem, indem sie den klassischen Algorithmus des Compressed Sensing mit modernen Methoden der kunstlichen Intelligenz kombiniert. Es wurden verschiedene Ansatze zur Kombination der Komponenten ausgewertet und festgestellt, dass die Integration von Compressed Sensing in die Netzwerkarchitektur die beste Performance in Bezug auf Rekonstruktionsgeschwindigkeit und -genauigkeit bringt. Neben einem tiefen Einblick in die Funktionsweise und das Lernen von kunstlicher Intelligenz in Kombination mit klassischen Algorithmen konnten die beschriebenen Nichtlinearitaten mit einer deutlich verbesserten Auflosung im Vergleich zu anderen modernen Architekturen rekonstruiert werden.

ISBN: 9798380267243Subjects--Topical Terms:

3681528
User interface.

Improving Super-Resolution Microscopy Data Reconstruction and Evaluation by Developing Advanced Processing Algorithms and Artifcial Neuronal Networks = = Verbesserung Von Datenrekonstruktion und -Auswertung in Der Super-resolution Mikroskopie Durch Die Entwicklung Von Fortgeschrittenen Verarbeitungsalgorithmen und Kunstlichen Neuronalen Netzen.
LDR:09007nmm a2200361 4500 001 2395746
005 20240517105007.5
006 m o d
007 cr#unu||||||||
008 251215s2023 ||||||||||||||||| ||eng d
020 $a 9798380267243
035 $a (MiAaPQ)AAI30591441
035 $a (MiAaPQ)JulisuMWuerzburg_31695
035 $a AAI30591441
040 $a MiAaPQ $c MiAaPQ
100 1 $a Reinhard, Sebastian. $3 3765254
245 1 0 $a Improving Super-Resolution Microscopy Data Reconstruction and Evaluation by Developing Advanced Processing Algorithms and Artifcial Neuronal Networks = $b Verbesserung Von Datenrekonstruktion und -Auswertung in Der Super-resolution Mikroskopie Durch Die Entwicklung Von Fortgeschrittenen Verarbeitungsalgorithmen und Kunstlichen Neuronalen Netzen.
260 1 $a Ann Arbor : $b ProQuest Dissertations & Theses, $c 2023
300 $a 132 p.
500 $a Source: Dissertations Abstracts International, Volume: 85-03, Section: B.
500 $a Advisor: Sauer, Markus;Kollmannsberger, Philip.
502 $a Thesis (Ph.D.)--Bayerische Julius-Maximilians-Universitaet Wuerzburg (Germany), 2023.
506 $a This item must not be sold to any third party vendors.
520 $a Fur die Weiterentwicklung der Wissenschaft wird es immer wichtiger, Methoden aus verschiedenen Gebieten zu kombinieren. Die kunstliche Intelligenz beruht beispielsweise auf dem Prinzip biologischer neuronaler Netze. Hier wird die Natur als Vorlage fur unsere technische Entwicklung genutzt. Diese Innovationen konnen dazu eingesetzt werden, die verbliebenen Ratsel der Biologie zu losen. Dazu gehoren insbesondere Prozesse, die sich auf mikroskopischer Ebene abspielen und nur mit hochentwickelten Techniken untersucht werden konnen. Die direkteStochastisch Optische Rekonstruktionsmikroskopie kombiniert Methoden der Chemie, Physik und Informatik, um biologische Prozesse auf molekularer Ebene sichtbar zu machen. Eine der Schlusselkomponenten ist die computergestutzte Rekonstruktion von hochaufgelosten Bildern. Die Verbesserung der zugrunde liegenden Algorithmen erhoht die Qualitat der erzeugten Daten und ermoglicht weitere Einblicke in unsere Biologie. Es muss jedoch sichergestellt werden, dass die kunstlich erstellten Bilder immer noch ein Abbild der Realitat sind und nicht auf zufalligen Artefakten beruhen.Expansionsmikroskopie vergrosert die Probe durch Einbettung in ein Hydrogel. Die Methode kann mit anderen hochauflosenden Techniken kombiniert werden, um die Auflosung noch weiter zu verbessern. Dieser Ansatz wurde an Mikrotubuli, einer bekannten filamentosen Referenzstruktur, verwendet, um verschiedene Protokolle und Markierungstechniken zu testen.Mit LineProfiler wurde ein objektives Werkzeug zur Datenerfassung entwickelt. Anstatt Linienprofile in kleinen Bereichen zu erfassen, wertet die Software das gesamte Bild aus. Dies verbessert die Datenmenge und Datenqualitat und verhindert eine voreingenommene Auswahl der ausgewerteten Regionen. Auf Grundlage der gesammelten Daten wurden theoretische Modelle fur die erwartete Intensitatsverteilung uber die Filamente erstellt. Daraus konnte geschlossen werden, dass die Markierung nach der Expansion den Markierungsfehler erheblich reduziert und somit die Qualitat der Daten verbessert. Die Software wurde auserdem zur Bestimmung des Expansionsfaktors und der Anordnung der Daten des synaptonemalen Komplexes verwendet.Automated Simple Elastix verwendet modernste Bildregistrierung, um Bilder vor und nach der Expansion zu vergleichen. Lineare Verzerrungen, die bei isotroper Expansion auftreten, werden korrigiert. Der strukturelle Expansionsfaktor wird berechnet und strukturelle Unstimmigkeiten werden in einer Verzerrungskarte hervorgehoben. Die Software wurde zur Bewertung expandierter Pilze und NK-Zellen eingesetzt. Dabei wurde festgestellt, dass der Expansionsfaktor fur die beiden Strukturen unterschiedlich ist und unter der Gesamtexpansion des Hydrogels liegt.Die Auswertung der Fluoreszenzlebensdauer von Emittern, die fur die direkte Stochastische Optische Rekonstruktionsmikroskopie eingesetzt werden, kann zusatzliche Informationen uber die molekulare Umgebung liefern oder Farbstoffe unterscheiden, die eine ahnliche Lichtwellenlange emittieren. Die entsprechenden Messungen erfordern eine konfokale Abtastung der Probe in Kombination mit dem fluoreszenten Schalten der zugrunde liegenden Emitter. Dies fuhrt zu nichtlinearen, unterbrochenen Punktspreizfunktionen. Die Software ReCSAI lost dieses Problem, indem sie den klassischen Algorithmus des Compressed Sensing mit modernen Methoden der kunstlichen Intelligenz kombiniert. Es wurden verschiedene Ansatze zur Kombination der Komponenten ausgewertet und festgestellt, dass die Integration von Compressed Sensing in die Netzwerkarchitektur die beste Performance in Bezug auf Rekonstruktionsgeschwindigkeit und -genauigkeit bringt. Neben einem tiefen Einblick in die Funktionsweise und das Lernen von kunstlicher Intelligenz in Kombination mit klassischen Algorithmen konnten die beschriebenen Nichtlinearitaten mit einer deutlich verbesserten Auflosung im Vergleich zu anderen modernen Architekturen rekonstruiert werden.
520 $a The fusion of methods from several disciplines is a crucial component of scientific development. Artificial Neural Networks, based on the principle of biological neuronal networks, demonstrate how nature provides the best templates for technological advancement. These innovations can then be employed to solve the remaining mysteries of biology, including, in particular, processes that take place on microscopic scales and can only be studied with sophisticated techniques. For instance, directStochastic Optical Reconstruction Microscopy combines tools from chemistry, physics, and computer science to visualize biological processes at the molecular level. One of the key components is the computer-aided reconstruction of super-resolved images. Improving the corresponding algorithms increases the quality of the generated data, providing further insights into our biology. It is important, however, to ensure that the heavily processed images are still a reflection of reality and do not originate in random artefacts.Expansion microscopy is expanding the sample by embedding it in a swellable hydrogel. The method can be combined with other super-resolution techniques to gain additional resolution. We tested this approach on microtubules, a well-known filamentous reference structure, to evaluate the performance of different protocols and labelling techniques.We developed LineProfiler an objective tool for data collection. Instead of collecting perpendicular profiles in small areas, the software gathers line profiles from filamentous structures of the entire image. This improves data quantity, quality and prevents a biased choice of the evaluated regions. On the basis of the collected data, we deployed theoretical models of the expected intensity distribution across the filaments. This led to the conclusion that post-expansion labelling significantly reduces the labelling error and thus, improves the data quality. The software was further used to determine the expansion factor and arrangement of synaptonemal complex data.Automated Simple Elastix uses state-of-the-art image alignment to compare preand post-expansion images. It corrects linear distortions occurring under isotropic expansion, calculates a structural expansion factor and highlights structural mismatches in a distortion map. We used the software to evaluate expanded fungi and NK cells. We found that the expansion factor differs for the two structures and is lower than the overall expansion of the hydrogel.Assessing the fluorescence lifetime of emitters used for direct Stochastic Optical Reconstruction Microscopy can reveal additional information about the molecular environment or distinguish dyes emitting with a similar wavelength. The corresponding measurements require a confocal scanning of the sample in combination with the fluorescent switching of the underlying emitters. This leads to non-linear, interrupted Point Spread Functions. The software ReCSAI targets this problem by combining the classical algorithm of compressed sensing with modern methods of artificial intelligence.We evaluated several different approaches to combine these components and found, that unrolling compressed sensing into the network architecture yields the best performance in terms of reconstruction speed and accuracy. In addition to a deep insight into the functioning and learning of artificial intelligence in combination with classical algorithms, we were able to reconstruct the described non-linearities with significantly improved resolution, in comparison to other state-of-the-art architectures.
590 $a School code: 0702.
650 4 $a User interface. $3 3681528
650 4 $a Software. $2 gtt. $3 619355
650 4 $a Wavelet transforms. $3 3681479
650 4 $a Fourier transforms. $3 3545926
650 4 $a Signal processing. $3 533904
650 4 $a Neural networks. $3 677449
650 4 $a Microscopy. $3 540544
650 4 $a Decomposition. $3 3561186
650 4 $a Hydrogels. $3 1305894
650 4 $a Electrical engineering. $3 649834
650 4 $a Mathematics. $3 515831
690 $a 0800
690 $a 0544
690 $a 0405
710 2 $a Bayerische Julius-Maximilians-Universitaet Wuerzburg (Germany). $3 3552067
773 0 $t Dissertations Abstracts International $g 85-03B.
790 $a 0702
791 $a Ph.D.
792 $a 2023
793 $a English
856 4 0 $u https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=30591441