umu.sePublications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Classifying the rotation of bacteria using neural networks
Umeå University, Faculty of Science and Technology, Department of Physics. (Biophysics and Biophotonics)
2019 (English)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesisAlternative title
Rotationsklassificering av bakterier med neurala nätverk (Swedish)
Abstract [en]

Bacteria can quickly spread throughout the human body, making certain diseases hard or impossible to cure. In order to understand how the bacteria can initiate and develop into an infection, microfluidic chambers in a lab environment are used as a template of how bacteria reacts to different types of flows. However, accurately tracking the movement of bacteria is a difficult task, where small objects has to be captured with a high resolution and digitally analysed with computationally heavy methods. Popular imaging methods utilise digital holographic microscopy, where three-dimensional movement is captured in two-dimensional images by numerical reconstruction of the diffraction of light. Since numerical reconstructions become computationally heavy when a good accuracy is required, this master's thesis work focus on evaluating the possibility of using convolutional neural networks to quickly and accurately determine the spatial properties of bacteria. By thorough testing and analysis of state of the art and old networks a new network design is presented, designed to eliminate as many imaging issues as possible. We found that there are certain network design choices that help with reducing the overall error of the system, and with a well chosen training set with sensible augmentations, some networks were able to reach a 60% classification accuracy when determining the vertical rotation of the bacteria. Unfortunately, due to the lack of experimental data where the ground-truth is known, not much experimental testing could be performed. However, a few tests showed that images of high quality could be classified within the expected range of vertical rotation.

Abstract [sv]

Bakterier kan snabbt sprida sig genom människokroppen, vilket försvårar starkt möjligheterna att kurera vissa sjukdomar. För att få en inblick i hur bakterier kan initiera och utvecklas till en infektion används som mall laborativa uppställningar med vätskekanaler i mikroskala när man söker förstå hur bakterier reagerar på olika typer av flöden. Att spåra dessa rörelser med god säkerhet är dock en utmaning, då man experimentellt söker fånga små skalor med hög upplösning, som sedan ska analyseras med datorintensiva metoder. Populära avbildningsmetoder använder sig utav digital holografisk mikroskopi, där tredimensionella rörelser kan fångas med hjälp av tvådimensionella bilder genom att numeriskt återskapa ljusets brytningsmönster mot objekten. Eftersom dessa metoder blir beräkningstunga när god säkerhet krävs så utforskar detta examensarbete möjligheterna att utnyttja faltningsnätverk för att snabbt och säkert bestämma vertikalrotationen hos bakterier avbildade med holografi. Genom nogranna tester av moderna samt äldre nätverk så presenteras en ny nätverksdesign, utvecklad i mål med att eliminera så många avbildningsproblem som möjligt. Vi fann att vissa designval vid nätverksutvecklingen kan hjälpa med att reducera klassificeringsfelen givet vårt system, och med en väl utvald träningsmängd med lämpliga justeringar så lyckades vi nå en klassificeringssäkerhet på över 60% med vissa nätverk. På grund av bristande experimentellt data där de riktiga värdena är kända så har ingen utförlig experimentell analys utförts, men några tester på experimentella bilder i god kvalité har visats ge resultat som tyder på en korrekt analys inom den förväntade vertikalrotationen.

Place, publisher, year, edition, pages
2019. , p. 53
National Category
Computer Vision and Robotics (Autonomous Systems) Biophysics Other Physics Topics Atom and Molecular Physics and Optics
Identifiers
URN: urn:nbn:se:umu:diva-160518OAI: oai:DiVA.org:umu-160518DiVA, id: diva2:1327460
Subject / course
Examensarbete i teknisk fysik
Educational program
Master of Science Programme in Engineering Physics
Presentation
2019-06-10, Naturvetarhuset, NA332, Umeå, 12:00 (English)
Supervisors
Examiners
Available from: 2019-06-19 Created: 2019-06-19 Last updated: 2019-06-19Bibliographically approved

Open Access in DiVA

fulltext(5637 kB)41 downloads
File information
File name FULLTEXT01.pdfFile size 5637 kBChecksum SHA-512
f339cd98dabf6dbea92db8cb2fa326f16f063b5982288720ce3e134dd02d41ac86bb640e5a3d42b9336d9e08652129b64c6e25692b97d7a7a1d9858aefa3dcdd
Type fulltextMimetype application/pdf

By organisation
Department of Physics
Computer Vision and Robotics (Autonomous Systems)BiophysicsOther Physics TopicsAtom and Molecular Physics and Optics

Search outside of DiVA

GoogleGoogle Scholar
Total: 41 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 289 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf