{"id":{"repo_id":"bielefeld","oai_identifier":"oai:pub.uni-bielefeld.de:2304068"},"canonical_url":"https://search.dev.ndltd.org/etd/bielefeld/oai:pub.uni-bielefeld.de:2304068","repository":{"repo_id":"bielefeld","name":"Universität Bielefeld","base_url":"https://pub.uni-bielefeld.de/oai"},"display":{"title":"A neural network-based system for high throughput fluorescence micrograph evaluation","abstract":"In dieser Arbeit wird ein System zur automatischen Auswertung von Mikroskopiebildern vorgestellt. Die Bilder werden mittels Fluoreszenzmikroskopie gewonnen und zeigen Zellen im Gewebe. Das System detektiert die Zellen und berechnet deren Konturen. Hierbei werden unterschiedliche Architekturen künstlicher neuronaler Netze eingesetzt. Neben der Detektion von Zellen werden auch lokal korrespondierende Fluoreszenzsignale in einer multi-Parameter-Aufnahme analysiert. Zur Bewertung der Detektionsgenauigkeit des Systems wird diese zuerst für menschliche Experten erfasst. Anschließend werden die menschlichen Ergebnisse bei der Zelldetektion mit den algorithmischen verglichen. Es stellt sich heraus, dass der Algorithmus ebenso genau die Zellen detektieren kann wie die weniger erfahrenen Experten. Mittels der Zelldetektionsergebnisse kann für jede Zelle ein Parametervektor gebildet werden, der das Oberflächenproteom der Zelle beschreibt. Es werden Visualisierungs- und Sonifikationsmethoden vorgestellt, mit denen die Analyse einer großen Menge von Mustern unterstützt werden kann. Das Gesamtsystem verarbeitet die Bilder in ausreichend kurzer Zeit und ausreichend genau. Treten Änderungen in der Bilddomäne auf (Vergrößerungsfaktor), so ist es zum großen Teil einfach zu adaptieren.","abstract_html":"In dieser Arbeit wird ein System zur automatischen Auswertung von Mikroskopiebildern vorgestellt. Die Bilder werden mittels Fluoreszenzmikroskopie gewonnen und zeigen Zellen im Gewebe. Das System detektiert die Zellen und berechnet deren Konturen. Hierbei werden unterschiedliche Architekturen künstlicher neuronaler Netze eingesetzt. Neben der Detektion von Zellen werden auch lokal korrespondierende Fluoreszenzsignale in einer multi-Parameter-Aufnahme analysiert. Zur Bewertung der Detektionsgenauigkeit des Systems wird diese zuerst für menschliche Experten erfasst. Anschließend werden die menschlichen Ergebnisse bei der Zelldetektion mit den algorithmischen verglichen. Es stellt sich heraus, dass der Algorithmus ebenso genau die Zellen detektieren kann wie die weniger erfahrenen Experten. Mittels der Zelldetektionsergebnisse kann für jede Zelle ein Parametervektor gebildet werden, der das Oberflächenproteom der Zelle beschreibt. Es werden Visualisierungs- und Sonifikationsmethoden vorgestellt, mit denen die Analyse einer großen Menge von Mustern unterstützt werden kann. Das Gesamtsystem verarbeitet die Bilder in ausreichend kurzer Zeit und ausreichend genau. Treten Änderungen in der Bilddomäne auf (Vergrößerungsfaktor), so ist es zum großen Teil einfach zu adaptieren.","abstract_has_math":false,"creators":["Nattkemper, Tim Wilhelm"],"institution":"Universität Bielefeld","degree_name":null,"degree_level":"thesis.doctoral","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2001,"date_issued":"2001-06-10","date_published":"2001-06-10","updated_at":"2026-07-27T18:49:52Z","subjects":[],"languages":[],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://pub.uni-bielefeld.de/record/2304068","outbound_label":"Repository record","outbound_source":"source_url"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Nattkemper, Tim Wilhelm"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:publisher","label":"Institution","values":["Universitätsbibliothek Bielefeld"]},{"key":"dc:type","label":"Dc Type","values":["doctoralThesis"]},{"key":"thesis:degree_level","label":"Degree Level","values":["thesis.doctoral"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Universität Bielefeld"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["In dieser Arbeit wird ein System zur automatischen Auswertung von Mikroskopiebildern vorgestellt. Die Bilder werden mittels Fluoreszenzmikroskopie gewonnen und zeigen Zellen im Gewebe. Das System detektiert die Zellen und berechnet deren Konturen. Hierbei werden unterschiedliche Architekturen künstlicher neuronaler Netze eingesetzt. Neben der Detektion von Zellen werden auch lokal korrespondierende Fluoreszenzsignale in einer multi-Parameter-Aufnahme analysiert. Zur Bewertung der Detektionsgenauigkeit des Systems wird diese zuerst für menschliche Experten erfasst. Anschließend werden die menschlichen Ergebnisse bei der Zelldetektion mit den algorithmischen verglichen. Es stellt sich heraus, dass der Algorithmus ebenso genau die Zellen detektieren kann wie die weniger erfahrenen Experten. Mittels der Zelldetektionsergebnisse kann für jede Zelle ein Parametervektor gebildet werden, der das Oberflächenproteom der Zelle beschreibt. Es werden Visualisierungs- und Sonifikationsmethoden vorgestellt, mit denen die Analyse einer großen Menge von Mustern unterstützt werden kann. Das Gesamtsystem verarbeitet die Bilder in ausreichend kurzer Zeit und ausreichend genau. Treten Änderungen in der Bilddomäne auf (Vergrößerungsfaktor), so ist es zum großen Teil einfach zu adaptieren."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/ps"]},{"key":"dc:title","label":"Title","values":["A neural network-based system for high throughput fluorescence micrograph evaluation"]}]}],"canonical_facts":{"dc:creator":["Nattkemper, Tim Wilhelm"],"dc:description.abstract":["In dieser Arbeit wird ein System zur automatischen Auswertung von Mikroskopiebildern vorgestellt. Die Bilder werden mittels Fluoreszenzmikroskopie gewonnen und zeigen Zellen im Gewebe. Das System detektiert die Zellen und berechnet deren Konturen. Hierbei werden unterschiedliche Architekturen künstlicher neuronaler Netze eingesetzt. Neben der Detektion von Zellen werden auch lokal korrespondierende Fluoreszenzsignale in einer multi-Parameter-Aufnahme analysiert. Zur Bewertung der Detektionsgenauigkeit des Systems wird diese zuerst für menschliche Experten erfasst. Anschließend werden die menschlichen Ergebnisse bei der Zelldetektion mit den algorithmischen verglichen. Es stellt sich heraus, dass der Algorithmus ebenso genau die Zellen detektieren kann wie die weniger erfahrenen Experten. Mittels der Zelldetektionsergebnisse kann für jede Zelle ein Parametervektor gebildet werden, der das Oberflächenproteom der Zelle beschreibt. Es werden Visualisierungs- und Sonifikationsmethoden vorgestellt, mit denen die Analyse einer großen Menge von Mustern unterstützt werden kann. Das Gesamtsystem verarbeitet die Bilder in ausreichend kurzer Zeit und ausreichend genau. Treten Änderungen in der Bilddomäne auf (Vergrößerungsfaktor), so ist es zum großen Teil einfach zu adaptieren."],"dc:format.medium":["application/ps"],"dc:publisher":["Universitätsbibliothek Bielefeld"],"dc:title":["A neural network-based system for high throughput fluorescence micrograph evaluation"],"dc:type":["doctoralThesis"],"thesis:degree_level":["thesis.doctoral"],"thesis:institution_name":["Universität Bielefeld"]},"updated_at":"2026-07-27T18:49:52Z"}