MARC

 008260126s2025        us                              c    eng  d
■001000017358163
■00520260202103653
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290626918
■035    ▼a(MiAaPQ)AAI32098759
■035    ▼a(MiAaPQ)Caltech16840
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a612
■1001  ▼aLiang,  Mingshu.
■24510▼aHarvesting  Insights  from  Advanced  Microscope  Acquisitions:  Techniques  and  Applications
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a149  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Yang,  Changhuei.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aSince  their  inception,  microscopes  have  evolved  significantly,  becoming  essential  tools  across  various  fields,  from  pathology  diagnosis  to  biological  studies.  Morphological  information  that  cannot  be  otherwise  observed  has  always  been  regarded  as  the  primary  data  a  microscope  could  deliver.  Yet  microscopy  data  embodies  further  valuable  information  worth  exploring.  This  thesis  demonstrates  extracting  three  types  of  information  beyond  morphology  by  modifying  microscope  systems,  incorporating  physical  models,  and  applying  image  processing:  1)  depth  information,  2)  object  size  information,  and  3)  object  developmental  information.The  first  part  of  the  thesis  describes  an  all-in-focus  technique  based  on  Fourier  Ptychographic  Microscopy  (FPM)  for  depth  information  extraction.  It  synthesizes  an  all-in-focus  image  and  depth  map  from  an  FPM-reconstructed  multi-focal  image  stack.  This  technique  benefits  thyroid  fine  needle  aspiration  samples,  relieving  pathologists  from  the  need  to  constantly  adjust  focal  planes,  enabling  convenient  data  transfer,  and  potentially  aiding  machine  learning  tasks  on  cytology  specimens.The  second  part  of  the  thesis  focuses  on  a  non-destructive  subvisible  particle  (SbVPs)  analyzer  for  estimating  size  and  concentrations  of  SbVPs  in  drug  products.  This  analyzer  aims  to  estimate  the  size  and  concentrations  of  SbVPs  within  a  drug  product  while  keeping  the  sample  intact.  Incorporating  a  light-sheet  microscope  with  custom  housings  to  compensate  for  container-induced  astigmatism,  it  uses  side-scattered  light  as  a  size  indicator  based  on  Mie  scattering  theory.  Its  functionality  is  demonstrated  on  polystyrene  beads  and  biological  drug  products.  Additionally,  a  new  metric  named  the  strip  density  is  discovered  from  the  same  microscope  images,  which  could  serve  as  a  more  precise  and  robust  size  indicator  beyond  scattering  light  intensity.  This  new  size  indicator  is  used  to  train  a  particle  detection  neural  network,  verifying  its  effectiveness  through  good  performance.For  the  final  part,  we  focus  on  an  embryo  sex  classification  project,  aiming  to  extract  subtle  developmental  differences  between  male  and  female  embryos  from  early  development  videos  taken  by  Embryoscope.  A  combined  convolutional  and  recurrent  neural  network  structure  is  employed.  While  the  prediction  accuracy  reaches  61%,  which  is  not  high,  the  deep  learning  model  outperforms  both  human  and  random  predictions,  demonstrating  its  ability  to  acquire  embryo  developmental  information  from  the  Embryoscope  videos  to  some  extent.
■590    ▼aSchool  code:  0037.
■650  4▼aGender  differences
■650  4▼aEmbryos
■650  4▼aDeep  learning
■650  4▼aScanners
■650  4▼aFourier  transforms
■650  4▼aMicroscopy
■650  4▼aSystems  development
■650  4▼aBiopsy
■650  4▼aParticle  size
■650  4▼aThyroid  gland
■650  4▼aBone  marrow
■650  4▼aAperture
■650  4▼aOptics
■690    ▼a0752
■71020▼aCalifornia  Institute  of  Technology▼bEngineering  and  Applied  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358163▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서