Browsing by Author "Sung, Di-En"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    不同深度學習演算法應用於細胞影像分割之比較與大腸桿菌質體分離實例分析
    (2022) 宋狄恩; Sung, Di-En
    活體細胞縮時攝影可以產生大量的數據，隨之而來的問題則是如何將影像中的細胞分割出來。在傳統影像處裡方面，Otsu演算法與分水嶺演算法 (Watershed Algorithm)是兩種常見的將影像二值化的方法。對於細胞影像分割，處在細胞較稠密或是緊鄰的狀態下，傳統影像處裡無法達到完美的細胞分割結果。因此，我們將深度學習中的電腦視覺應用於細胞影像分割，選擇了SuperSegger、Unet、Mask R-CNN這三種模型進行細胞分割的比較與分析。在這三種模型中，表現最出色的為Unet，並以此作為實例分析中影像處裡的基礎。在大腸桿菌質體分佈實例分析的部分，過去的研究顯示多套數質體並沒有類似低套數質體主動分離的機制，且有可能由轉錄或是轉譯所導致質體群聚的現象，因此多套數質體的穩定維持機制並不明確。我們以螢光抑制操作系統標記多套數的CoE1衍生質體，透過長時間的細胞縮時攝影實驗，搭配影像分割模型Unet，統計在有無抑制轉錄的情況下，子代細胞分配到親代細胞質體的比率。發現在抑制轉錄的情況下，質體分配的比率更集中在成功機率為1/2的二項分布寬度內。我們記錄了不同的養菌條件下，質體數量在細胞中成長的變化情形。盡管細胞在洋菜膠上仍然會分裂，但在細胞中質體數量比較多的情況時，細胞是傾向不消耗能量去複製質體。在細胞極性的統計實驗當中，我們發現新端細胞比舊端細胞有更容易獲得質體的趨勢，這個現象可能來自於細胞中類核在空間上的分布不均勻，且在第二次細胞分裂前，質體的聚集出現在靠近新端附近的頻率可能是比較高的，因此新端細胞會更有機會分配到較多的質體。