Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Face Recognition from Multiple Stylistic Sketches: Scenarios, Datasets, and Evaluation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Deep Convolutional Neural Networks for Human Embryonic Cell Counting

verfasst von : Aisha Khan, Stephen Gould, Mathieu Salzmann

Erschienen in: Computer Vision – ECCV 2016 Workshops

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We address the problem of counting cells in time-lapse microscopy images of developing human embryos. Cell counting is considered as an important step in analyzing biological phenomenon such as embryo viability. Traditional approaches to counting cells rely on hand crafted features and cannot fully take advantage of the growth in data set sizes. In this paper, we propose a framework to automatically count the number of cells in developing human embryos. The framework employs a deep convolutional neural network model trained to count cells from raw microscopy images. We demonstrate the effectiveness of our approach on a data set of 265 human embryos. The results show that the proposed framework provides robust estimates of the number of cells in a developing embryo up to the 5-cell stage (i.e., 48 h post fertilization).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Poisson Point Processes for Solving Stochastic Inverse Problems in Fluorescence Microscopy
Nächstes Kapitel Robust Text Detection with Vertically-Regressed Proposal Network
Literatur
1.
Chen, T., Chefd’hotel, C.: Deep learning based automatic immune cell detection for immunohistochemistry images. In: Wu, G., Zhang, D., Zhou, L. (eds.) MLMI 2014. LNCS, vol. 8679, pp. 17–24. Springer, Heidelberg (2014)
2.
Cireşan, D.C., Meier, U., Gambardella, L.M., Schmidhuber, J.: Convolutional neural network committees for handwritten character classification. In ICDAR (2011)
3.
Ciresan, D.C., Meier, U., Masci, J., Gambardella, L.M., Schmidhuber, J.: Flexible, high performance convolutional neural networks for image classification. In IJCAI (2011)
4.
Cireşan, D.C., Giusti, A., Gambardella, L.M., Schmidhuber, J.: Mitosis detection in breast cancer histology images with deep neural networks. In: Mori, K., Sakuma, I., Sato, Y., Barillot, C., Navab, N. (eds.) MICCAI 2013, Part II. LNCS, vol. 8150, pp. 411–418. Springer, Heidelberg (2013)CrossRef
5.
Flaccavento, G., Lempitsky, V., Pope, I., Barber, P., Zisserman, A., Noble, J., Vojnovic, B., Learning to count cells: applications to lens-free imaging of large fields. Microscopic Image Analysis with Applications in Biology (2011)
6.
Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., Darrell, T. Caffe: convolutional architecture for fast feature embedding. In: Proceedings of the 22nd ACM international conference on Multimedia (2014)
7.
Khan, A., Gould, S., Salzmann, M.: A linear chain markov model for detection and localization of cells in early stage embryo development. In: WACV (2015)
8.
Khan, A., Gould, S., Salzmann, M.: Automated monitoring of human embryonic cells up to the 5-cell stage in time-lapse microscopy images. In: ISBI (2015)
9.
Khan, A., Gould, S., Salzmann, M.: Detecting abnormal cell division patterns in early stage human embryo development. In: Zhou, L., Wang, L., Wang, Q., Shi, Y. (eds.) MLMI 2015. LNCS, vol. 9352, pp. 161–169. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-24888-2_​20 CrossRef
10.
Khan, A., Gould, S., Salzmann, M.: Segmentation of developing human embryo in time-lapse microscopy. In: ISBI (2016)
11.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: NIPS (2012)
12.
LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W., Jackel, L.D.: Backpropagation applied to handwritten zip code recognition. Neural Comput. 1(4), 541–551 (1989)CrossRef
13.
Lempitsky, V., Zisserman, A.: Learning to count objects in images. In: Advances in Neural Information Processing Systems (2010)
14.
Meseguer, M., Herrero, J., Tejera, A., Hilligse, K.M., Ramsing, N.B., Jose, R.: The use of morphokinetics as a predictor of embryo implantation. Hum. Reprod. 26(10), 2658–2671 (2011)CrossRef
15.
Moussavi, F., Yu, W., Lorenzen, P., Oakley, J., Russakoff, D., Gould, S.: A unified graphical model framework for automated human embryo tracking. In: ISBI (2014)
16.
Seguí, S., Pujol, O., Vitria, J.: Learning to count with deep object features. In: CVPR Workshops (2015)
17.
Strigl, D., Kofler, K., Podlipnig, S.: Performance and scalability of GPU-based convolutional neural networks. In: PDP (2010)
18.
Wang, Y., Moussavi, F., Lorenzen, P.: Automated embryo stage classification in time-lapse microscopy video of early human embryo development. In: Mori, K., Sakuma, I., Sato, Y., Barillot, C., Navab, N. (eds.) MICCAI 2013. LNCS, vol. 8150, pp. 460–467. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-40763-5_​57 CrossRef
19.
Wong, C., Loewke, K., Bossert, N., Behr, B., Jonge, C.D., Baer, T., Pera, R.R.: Non-invasive imaging of human embryos before embryonic genome activation predicts development to the blastocyst stage. Nature Biotechnol. 28(10), 1115–1121 (2010)CrossRef
20.
Xie, W., Noble, J.A., Zisserman, A.: Microscopy cell counting with fully convolutional regression networks. In: DLMIA (2015)
21.
Zhang, C., Li, H., Wang, X., Yang, X.: Cross-scene crowd counting via deep convolutional neural networks. In: CVPR (2015)
Metadaten
Titel
Deep Convolutional Neural Networks for Human Embryonic Cell Counting
verfasst von
Aisha Khan
Stephen Gould
Mathieu Salzmann
Copyright-Jahr
2016
Buch
Computer Vision – ECCV 2016 Workshops

Print ISBN: 978-3-319-46603-3

Electronic ISBN: 978-3-319-46604-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46604-0_25