Fishman, Dmytro, juhendajaZeynalli, AliTartu Ülikool. Loodus- ja täppisteaduste valdkondTartu Ülikool. Arvutiteaduse instituut2025-10-282025-10-282025https://hdl.handle.net/10062/117136Accurate classification of cell cycle phases is essential for cancer research and drug discovery. While fluorescence microscopy provides high-contrast, biomarker-specific signals that support precise classification, it relies on staining protocols that limit scalability and compromise cell viability. In contrast, bright-field microscopy offers a label-free, cost-effective alternative but poses challenges due to its lower contrast. This study compares five computational strategies for cell cycle phase classification using fluorescence and bright-field microscopy: traditional feature-based classification, segmentation-based classification, mask-guided classification via segmentation, nuclei patch classification, and nuclei patch classification via segmentation. Results show that fluorescence images support near-perfect classification performance across all methods. For bright-field images, the highest balanced accuracy of 0.770 was achieved using a nuclei patch classification approach with a ResNet-50 backbone, followed closely by mask-guided classification. These findings highlight the potential of deep learning models for accurate cell cycle classification in bright-field microscopy, advancing the potential for scalable applications in biomedical research.Rakutsükli faaside täpne klassifitseerimine on oluline vähiuuringutes ja ravimite arendamises. Kuigi fluorestsentsmikroskoopia on täpne klassifitseerimismeetod kõrge kontrastsuse ja biomarkeripõhiste signaalide tõttu, tugineb see värvimisprotokollidele, mis piiravad meetodi edasiarengut ja võivad kahjustada rakkude elujõulisust. Seevastu heleda välja mikroskoopia on märgistusevaba ja kuluefektiivne alternatiiv, kuid siiski esineb väljakutseid tema madalama kontrastsuse tõttu. Käesolev uuring võrdleb viit arvutuslikku strateegiat rakutsükli faaside klassifitseerimiseks fluorestsents- ja heleda välja mikroskoopia abil: traditsiooniline tunnusepõhine klassifitseerimine, segmentatsioonipõhine klassifitseerimine, segmentatsioonimaski põhine klassifitseerimine, rakutuumaosade põhine klassifitseerimine ning rakutuumaosade põhine klassifitseerimine segmentatsiooni kaudu. Tulemused näitavad, et fluorestsentspildid võimaldavad peaaegu täiuslikku klassifitseerimist kõikide meetoditega. Heleda välja piltide puhul saavutati kõrgeimaks tasakaalustatud täpsuseks 0.770, milleks kasutati ResNet-50 põhist rakutuumaosade klassifitseerimismeetodit. Tulemuselt järgmine oli segmentatsioonimaski põhine klassifitseerimine. Need tulemused rõhutavad süvaõppemudelite potentsiaali rakutsükli erinevate faaside klassifitseerimiseks heleda välja mikroskoopia abil, mida saab potentsiaalselt rakendada biomeditsiinilises teadustöös.enAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://creativecommons.org/licenses/by-nc-nd/4.0/deep learningCell cycle phase classificationbright-field microscopydeep learningCell cycle phase classificationbright-field microscopymagistritöödinformaatikainfotehnoloogiainformaticsinfotechnologyThesis