20.500.12556/RUL-176064 Vrednotenje globokih značilk za slike visoko zmogljivega mikroskopskega presejanja Evaluation of Deep Features in High-Content Screening Images Avtomatiziran zajem mikroskopskih slik celic omogoča zajem njihovih sprememb, ki so posledica vpliva različnih pogojev. Kvantitativno so spremembe zajete v širok nabor značilk imenovanih profili, ki so lahko pridobljeni na različne načine. V magistrskem delu smo uporabili profile pridobljene z globokim učenjem, ki so v primerjavi z ročno ustvarjenimi značilkami neintuitivni, in se osredotočili na izboljšanje njihove interpretabilnosti. Ročne značilke smo primerjali z globokimi značilkami, pridobljenimi iz zgodnjih, vmesnih in poznih slojev arhitekture globokega modela. S študijo ablacije, ki smo jo izvedli s povprečenjem posameznih kanalov vhodnih slik, smo raziskali, kako spremembe vhodnih podatkov vplivajo na končne profile. Takšna zasnova pokaže, da globoke značilke bolje zaznajo drobne razlike med obdelavami kot ročne, pri čemer sredinski sloji najzanesljiveje zajamejo morfološke razlike celic, poznejši sloji pa se bolj osredotočijo na razvrščanje in zato slabše pojasnjujejo splošne vzorce. Z ablacijsko analizo ugotovimo, da sta najbolj informativna kanala endoplazemskega retikuluma (ER) in mitohondrijev (Mito), saj njuno povprečenje povzroči največji padec natančnosti v klasifikacijskih in analitičnih nalogah. Automated acquisition of microscopic images of cells enables capturing their changes resulting from various conditions. These captured changes are quantitatively represented by a wide range of features called profiles, which can be obtained in different ways. In this master’s thesis we used profiles derived through deep learning, which, compared to hand-crafted features, are non-intuitive, and focused on improving their interpretability. We compared manual features with deep features extracted from the early, intermediate, and late layers of the deep model architecture. Through an ablation study, performed by averaging individual channels of the input images, we investigated how changes in the input data affect the resulting profiles. This design shows that deep features are better at detecting subtle differences between treatments than hand-crafted features, with intermediate layers most reliably capturing morphological differences of cells, while later layers focus more on classification and therefore explain general patterns less effectively. The ablation analysis reveals that the most informative channels are those of the endoplasmic reticulum (ER) and mitochondria (Mito), as averaging them causes the largest drop in accuracy across classification and analytical tasks. slikovno visoko zmogljivo presejanje globoko učenje profiliranje celic interpretacija značilk High-Content Screening deep learning cell profiling feature interpretation true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-11-20 12:55:02 2025-11-20 12:55:10 2025-12-30 06:00:21 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37862 263132419 Suc_Matic_-_Vrednotenje_globokih_znacilk_za_slike_visoko_zmogljivega_mikroskopskega_presejanja.pdf Suc_Matic_-_Vrednotenje_globokih_znacilk_za_slike_visoko_zmogljivega_mikroskopskega_presejanja.pdf 1 5FD79CD5FC8CE4337C0B68511731430C e34e4ee11bc85e3106f2099f4324321dd6903b8b51918fbe93501f9e45bcf139 6b81d993-c607-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=222145 Fakulteta za računalništvo in informatiko 0 0 0