@phdthesis{Schulze2014,
  author    = {Schulze, Katja},
  title     = {Automatisierte Klassifizierung und Viabilit{\"a}tsanalyse von Phytoplankton},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-107174},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2014},
  abstract  = {Zentrales Ziel dieser Arbeit war es, Methoden der Mikroskopie, Bildverarbeitung und Bilderkennung f{\"u}r die Charakterisierungen verschiedener Phyotplankter zu nutzen, um deren Analyse zu verbessern und zu vereinfachen. Der erste Schwerpunkt der Arbeit lag auf der Analyse von Phytoplanktongemeinschaften, die im Rahmen der {\"U}berpr{\"u}fung der S{\"u}ßwasserqualit{\"a}t als Marker dienen. Die konventionelle Analyse ist dabei sehr aufwendig, da diese noch immer vollst{\"a}ndig von Hand durchgef{\"u}hrt wird und hierf{\"u}r speziell ausgebildetes Personal eingesetzt werden muss. Ziel war es, ein System zur automatischen Erkennung aufzubauen, um die Analyse vereinfachen zu k{\"o}nnen. Mit Hilfe von automatischer Mikroskopie war es m{\"o}glich Plankter unterschiedlicher Ausdehnung durch die Integration mehrerer Sch{\"a}rfeebenen besser in einem Bild aufzunehmen. Weiterhin wurden verschiedene Fluoreszenzeigenschaften in die Analyse integriert. Mit einem f{\"u}r ImageJ erstellten Plugin k{\"o}nnen Organismen vom Hintergrund der Aufnahmen abgetrennt und eine Vielzahl von Merkmalen berechnet werden. {\"U}ber das Training von neuralen Netzen wird die Unterscheidung von verschieden Gruppen von Planktontaxa m{\"o}glich. Zudem k{\"o}nnen weitere Taxa einfach in die Analyse integriert und die Erkennung erweitert werden. Die erste Analyse von Mischproben, bestehend aus 10 verschiedenen Taxa, zeigte dabei eine durchschnittliche Erkennungsrate von 94.7\% und eine durchschnittliche Falsch-Positiv Rate von 5.5\%. Im Vergleich mit bestehenden Systemen konnte die Erkennungsrate verbessert und die Falsch Positiv Rate deutlich gesenkt werde. Bei einer Erweiterung des Datensatzes auf 22 Taxa wurde darauf geachtet, Arten zu verwenden, die verschiedene Stadien in ihrem Wachstum durchlaufen oder h{\"o}here {\"A}hnlichkeiten zu den bereits vorhandenen Arten aufweisen, um evtl. Schwachstellen des Systemes erkennen zu k{\"o}nnen. Hier ergab sich eine gute Erkennungsrate (86.8\%), bei der der Ausschluss von nicht-planktonischen Partikeln (11.9\%) weiterhin verbessert war. Der Vergleich mit weiteren Klassifikationsverfahren zeigte, dass neuronale Netze anderen Verfahren bei dieser Problemstellung {\"u}berlegen sind. {\"A}hnlich gute Klassifikationsraten konnten durch Support Vektor Maschinen erzielt werden. Allerdings waren diese bei der Unterscheidung von unbekannten Partikeln dem neuralen Netz deutlich unterlegen. Der zweite Abschnitt stellt die Entwicklung einer einfachen Methode zur Viabilit{\"a}tsanalyse von Cyanobakterien, bei der keine weitere Behandlung der Proben notwendig ist, dar. Dabei wird die rote Chlorophyll - Autofluoreszenz als Marker f{\"u}r lebende Zellen und eine gr{\"u}ne unspezifische Fluoreszenz als Marker f{\"u}r tote Zellen genutzt. Der Assay wurde mit dem Modellorganismus Synechocystis sp. PCC 6803 etabliert und validiert. Die Auswahl eines geeigeneten Filtersets erm{\"o}glicht es beide Signale gleichzeitig anzuregen und zu beobachten und somit direkt zwischen lebendenden und toten Zellen zu unterscheiden. Die Ergebnisse zur Etablierung des Assays konnten durch Ausplattieren, Chlorophyllbestimmung und Bestimmung des Absorbtionsspektrums best{\"a}tigt werden. Durch den Einsatz von automatisierter Mikroskopie und einem neu erstellten ImageJ Plugin wurde eine sehr genaue und schnelle Analyse der Proben m{\"o}glich. Der Einsatz beim Monitoring einer mutagenisierten Kultur zur Erh{\"o}hung der Temperaturtoleranz erm{\"o}glichte genaue und zeitnahe Einblicke in den Zustand der Kultur. Weitere Ergebnisse weisen darauf hin, dass die Kombination mit Absorptionsspektren es erm{\"o}glichen k{\"o}nnen bessere Einblicke in die Vitalit{\"a}t der Kultur zu erhalten.},
  subject      = {Bilderkennnung},
  language  = {de}
}