Bacteria detection and tracking in lensless phase microscopy
Vartiainen, Ville (2022)
Vartiainen, Ville
2022
Tieto- ja sähkötekniikan kandidaattiohjelma - Bachelor's Programme in Computing and Electrical Engineering
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2022-02-01
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202112219490
https://urn.fi/URN:NBN:fi:tuni-202112219490
Tiivistelmä
When imaging transparent specimens (e.g., red blood cells, tissue, bacteria) using an ordinary light microscope, the captured images are low-contrast due to low light absorption. However, the light diffracts and its phase changes when passing through the specimen and this property can be used to determine the object. Since only the intensity of the light radiation can be measured, methods for reconstructing phase information from intensity values have been developed. A phase-retrieval algorithm is required alongside to get make use of the image signal.
Lenses are easy to manufacture today and they are very useful for controlling the path of light in optical systems. However, they introduce aberrations to the system, and compound lenses tend to make the systems rather bulky. This study discusses phase microscopy from the lensless imaging approach. A MATLAB program is developed for tracking bacteria movement on video as a part of an existing lensless phase retrieval system. The study also discusses various structural microscopy and imaging methods. Furthermore in this study different focus measures used in autofocus are compared.
The developed detection and tracking software is only usable in post-processing at its current state. In theory the same principles can be applied in a real-time processing. Machine learning and vision could be key to improving the performance of the software since this way using brute force could be avoided e.g. in autofocus. With the current approach, tracking in the depth direction is not feasible. For lateral tracking, finding only one focus distance is enough, which is a trade-off in terms of image sharpness, if the tracked object moves along the z-axis. Läpinäkyviä näytteitä (esim. punasoluja, kudosta, bakteereja) kuvannettaessa käyttäen tavallista valomikroskooppia ongelmana on, että otettujen kuvien kontrasti on heikko, koska näyte ei absorboi tarpeeksi valoa. Kuitenkin valo diffraktoituu ja sen vaihe muuttuu läpäistessään näytteen ja tätä ominaisuutta voidaan hyödyntää objektin määrittämisessä. Koska vain valosäteilyn intensiteettiä voidaan mitata, on kehitetty menetelmiä vaiheinformaation rekonstruoimiseksi intensiteettiarvoista. Kuvasignaalin hyödyntämiseksi, tarvitaan vielä lisäksi vaiheenhakualgoritmi (en. phase retrieval algorithm).
Linssejä on nykyään helppo valmistaa, ja ne ovat erittäin hyödyllisiä valon ohjaamisessa optisissa järjestelmissä. Ne aiheuttavat kuitenkin optisia aberraatioita järjestelmiin, ja yhdistelinssit (en. compound lens) tekevät optisista järjestelmistä melko kookkaita. Tässä työssä käsitellään vaihemikroskopiaa linssittömyyden näkökulmasta. Työssä kehitetään myös osaksi linssitöntä vaiheenhakujärjestelmää MATLAB-ohjelma, jolla seurataan bakteerien liikkumista videolla. Työssä käsitellään erilaisia rakennemikroskopia- ja kuvantamismenetelmiä. Lisäksi työssä vertaillaan erilaisia automaattitarkennuksessa käytettyjä tarkennusmittoja.
Tuotettu bakteerien havaitsemis- ja seurantaohjelma on nykyisessä tilassaan käytettävissä vain jälkiprosessoinnissa. Teoriassa samoja periaatteita voitaisiin soveltaa reaaliaikaiseen käsittelyyn. Koneoppiminen ja -näkö voivat olla avaimia ohjelman tehokkuuden parantamiseen, sillä näiden avulla on mahdollista välttää raa'an voiman (en. brute-force) tarvetta esimerkiksi kuvan tarkentamisessa. Nykyisellä lähestymistavalla syvyyssuntainen seuranta ei ole toteuttamiskelpoinen. Vaakasuuntaiseen seurantaan riittää löytää vain yksi tarkennusetäisyys, mikä on kuitenkin kompromissi kuvan terävyyden suhteen, jos seurattava objekti liikkuu z-akselilla.
Lenses are easy to manufacture today and they are very useful for controlling the path of light in optical systems. However, they introduce aberrations to the system, and compound lenses tend to make the systems rather bulky. This study discusses phase microscopy from the lensless imaging approach. A MATLAB program is developed for tracking bacteria movement on video as a part of an existing lensless phase retrieval system. The study also discusses various structural microscopy and imaging methods. Furthermore in this study different focus measures used in autofocus are compared.
The developed detection and tracking software is only usable in post-processing at its current state. In theory the same principles can be applied in a real-time processing. Machine learning and vision could be key to improving the performance of the software since this way using brute force could be avoided e.g. in autofocus. With the current approach, tracking in the depth direction is not feasible. For lateral tracking, finding only one focus distance is enough, which is a trade-off in terms of image sharpness, if the tracked object moves along the z-axis.
Linssejä on nykyään helppo valmistaa, ja ne ovat erittäin hyödyllisiä valon ohjaamisessa optisissa järjestelmissä. Ne aiheuttavat kuitenkin optisia aberraatioita järjestelmiin, ja yhdistelinssit (en. compound lens) tekevät optisista järjestelmistä melko kookkaita. Tässä työssä käsitellään vaihemikroskopiaa linssittömyyden näkökulmasta. Työssä kehitetään myös osaksi linssitöntä vaiheenhakujärjestelmää MATLAB-ohjelma, jolla seurataan bakteerien liikkumista videolla. Työssä käsitellään erilaisia rakennemikroskopia- ja kuvantamismenetelmiä. Lisäksi työssä vertaillaan erilaisia automaattitarkennuksessa käytettyjä tarkennusmittoja.
Tuotettu bakteerien havaitsemis- ja seurantaohjelma on nykyisessä tilassaan käytettävissä vain jälkiprosessoinnissa. Teoriassa samoja periaatteita voitaisiin soveltaa reaaliaikaiseen käsittelyyn. Koneoppiminen ja -näkö voivat olla avaimia ohjelman tehokkuuden parantamiseen, sillä näiden avulla on mahdollista välttää raa'an voiman (en. brute-force) tarvetta esimerkiksi kuvan tarkentamisessa. Nykyisellä lähestymistavalla syvyyssuntainen seuranta ei ole toteuttamiskelpoinen. Vaakasuuntaiseen seurantaan riittää löytää vain yksi tarkennusetäisyys, mikä on kuitenkin kompromissi kuvan terävyyden suhteen, jos seurattava objekti liikkuu z-akselilla.
Kokoelmat
- Kandidaatintutkielmat [8996]