| Student: | Ruben Janssens |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | In de biologiesector worden EM en LM beelden veel gebruikt door wetenschappers, beide beeldtypen hebben hun eigen voordelen, dus is het normaal dat wetenschapper beide beeldtypen gebruiken voor projecten.
Het probleem is dat deze afbeeldingen niet op elkaar geregistreerd zijn.
Het is dus duidelijk dat we deze twee soorten afbeeldingen op elkaar willen registreren.
Beeld registratie is in het algemeen een groot universeel probleem, maar er is hiervoor geen universele oplossing.
In deze thesis stellen we een aanpak voor die op intensiteit gebaseerde registratie combineert met vier registratie punten om dit probleem op te lossen.
We laten zien dat deze methode de onderlinge mutual information score verhoogt met ~81% tegen over het gebruik van vier registratie punten.
Nadat het registratie probleem is opgelost, maken we een CLEM afbeelding.
Dit is een techniek die een EM afbeelding combineert met een LM afbeelding, deze combinatie heeft de voordelen van een EM en een LM afbeelding.
In deze thesis stellen we een aanpak voor die gebruik maakt van een guided filter.
We laten zien dat we met deze methode ~11% nauwkeurigere structuren van biologisch specimen kunnen detecteren. |
|---|
| Abstract (Eng): | In the biology sector EM and LM images are used a lot by scientist, both image types have their own benefits, so it’s common that scientist will use both image types for projects. The problem is that these images aren’t registered in default on each other. So, it’s obvious that we want to register these two types of images. Image registration is in general a universal problem, but there is no universal solution for this. In this thesis we propose an approach that combines intensity-based registration with four registration points to solve this issue. We show that this method increases the mutual information score by ~81% compared to manual registration using registration points.
After the registration problem is solved, we will create a CLEM image. This is a technique that will combine an EM image with a LM image, this combination has the benefits of an EM and a LM image. In this thesis we propose an approach that makes use of a guided filter. We show that with this method we will be able to detect ~11% more accurate structures of biological specimen.
|
|---|