Volltextdatei(en) in REPOSIT vorhanden Open Access
DC ElementWertSprache
dc.contributor.advisorAnspach, Birger-
dc.contributor.authorGünther, Florian-
dc.date.accessioned2023-11-06T14:35:04Z-
dc.date.available2023-11-06T14:35:04Z-
dc.date.created2023-05-22-
dc.date.issued2023-11-06-
dc.identifier.urihttp://hdl.handle.net/20.500.12738/14318-
dc.description.abstractIn der biotechnologischen Bachelorarbeit von J. Böhm wurde eine Methode etabliert, mit der man die intrazelluläre Lokalisation von GFP quantitativ ermitteln kann. Sie stellte fest, dass zwischen einer Auswertung der kompletten Zelle und der Auswertung mithilfe der Region of Interest (ROI)-Methode keine signifikanten Unterschiede bestehen. Aufgrund des Auswählens der zu vermessenden Regionen per Hand war die Anzahl der untersuchten Zellen im niedrigen bis mittleren zweistelligen Bereich pro vermessenem eGFP-Multimer. Schon die Aufnahmen der Zellen unterscheiden sich. J. Böhm musste jeden Farbkanal einzeln aufnehmen und die Einzelaufnahmen mithilfe von ImageJ zusammenführen. Zudem wurden die überlagerten Farbkanäle mit RGBFarben abgespeichert. Mit dem aktuellen Mikroskop (Olympus IX83 P2ZF) ist es nun möglich, große Bereiche einer Kammer des Präparates in einem Stück aufzunehmen. Dabei werden die Filter automatisch getauscht und die Fluoreszenz mit einer 16-Bit Graustufenkamera aufgenommen. Es sind somit viel feinere Farbunterschiede darstellbar. Die so entstandenen Aufnahmen sind hingegen nicht mit ImageJ verarbeitbar. Auch ein entsprechendes Add-on von Olympus ermöglicht dies nicht, da die aufgenommenen Bilder zu groß sind. Eine Auswertung per Hand wäre zudem auch mit der ROI-Methode zeitlich nicht darstellbar. Daher ist der Ansatz zur Auswahl etwaiger Zellen, Deep Learning zu verwenden.de
dc.language.isodeen_US
dc.subjectEGFP-Fluoreszenzintensitäten_US
dc.subjectZellkernen_US
dc.subjectZytoplasmaen_US
dc.subjectDeep Learningen_US
dc.subject.ddc570: Biowissenschaften, Biologieen_US
dc.subject.ddc610: Medizinen_US
dc.titleBestimmung der EGFP-Fluoreszenzintensität in Zellkern und Zytoplasma mittels Deep Learningde
dc.typeThesisen_US
openaire.rightsinfo:eu-repo/semantics/openAccessen_US
thesis.grantor.departmentDepartment Biotechnologieen_US
thesis.grantor.universityOrInstitutionHochschule für Angewandte Wissenschaften Hamburgen_US
tuhh.contributor.refereeNalaskowski, Marcus-
tuhh.identifier.urnurn:nbn:de:gbv:18302-reposit-164515-
tuhh.oai.showtrueen_US
tuhh.publication.instituteDepartment Biotechnologieen_US
tuhh.publication.instituteFakultät Life Sciencesen_US
tuhh.type.opusBachelor Thesis-
dc.type.casraiSupervised Student Publication-
dc.type.dinibachelorThesis-
dc.type.driverbachelorThesis-
dc.type.statusinfo:eu-repo/semantics/publishedVersionen_US
dc.type.thesisbachelorThesisen_US
dcterms.DCMITypeText-
tuhh.dnb.statusdomainen_US
item.advisorGNDAnspach, Birger-
item.creatorGNDGünther, Florian-
item.languageiso639-1de-
item.cerifentitytypePublications-
item.openairecristypehttp://purl.org/coar/resource_type/c_46ec-
item.creatorOrcidGünther, Florian-
item.fulltextWith Fulltext-
item.grantfulltextopen-
item.openairetypeThesis-
Enthalten in den Sammlungen:Theses
Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat
BA_Guenther_geschwärzt.pdf10.06 MBAdobe PDFÖffnen/Anzeigen
Zur Kurzanzeige

Seitenansichten

180
checked on 27.11.2024

Download(s)

86
checked on 27.11.2024

Google ScholarTM

Prüfe

HAW Katalog

Prüfe

Feedback zu diesem Datensatz


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.