- Library Home /
- Search Collections /
- Open Collections /
- Browse Collections /
- BIRS Workshop Lecture Videos /
- Identificando observaciones únicas en imágenes microscópicas...
Open Collections
BIRS Workshop Lecture Videos
BIRS Workshop Lecture Videos
Identificando observaciones únicas en imágenes microscópicas de superresolución STORM mediante un modelo espacio-temporal. Herrera Reyes, Alejandra Donaji
Description
La microscopÃa de reconstrucción óptica estocástica (STORM, por sus siglas en inglés) es una técnica de microscopÃa de superresolución que usa fluoróforos fotoconmutables para separar temporalmente la fluorescencia y alcanzar una resolución por debajo de los 20 nm. Sin embargo, la caracterÃstica principal de los fluoróforos fotoconmutables de activarse y desactivarse, podrÃa afectar la unicidad de cada observación. Mi proyecto consiste en estimar cuántos fluoróforos distintos hay en una imagen STORM mediante modelos matemáticos y utilizando la información espacial independientemente de la temporal en dicha imagen. Suponemos que la serie de tiempo se comporta como una cadena de Markov, mientras que la incertidumbre espacial obedece un modelo de mezclas gaussianas. Usamos máxima verosimilitud para estimar los parámetros, incluyendo el número de fluoróforos. Tal procedimiento es un problema de optimización mixta (con parámetros de dominio entero y otros de dominio continuo) y computacionalmente intenso. Para resolver esto, desarrollamos un algoritmo jerárquico y paralelo donde optimizamos la verosimilitud de los parámetros temporales como una función de los parámetros espaciales y el número de fluoróforos. El algoritmo se ha probado en datos simulados y lo usaré para mejorar cuantitativamente imágenes de células B, una de las principales integrantes de nuestro sistema inmune.
Item Metadata
Title |
Identificando observaciones únicas en imágenes microscópicas de superresolución STORM mediante un modelo espacio-temporal.
|
Creator | |
Publisher |
Banff International Research Station for Mathematical Innovation and Discovery
|
Date Issued |
2018-06-14T09:19
|
Description |
La microscopÃa de reconstrucción óptica estocástica (STORM, por sus
siglas en inglés) es una técnica de microscopÃa de superresolución
que usa fluoróforos fotoconmutables para separar temporalmente la
fluorescencia y alcanzar una resolución por debajo de los 20 nm. Sin
embargo, la caracterÃstica principal de los fluoróforos fotoconmutables
de activarse y desactivarse, podrÃa afectar la unicidad de cada
observación. Mi proyecto consiste en estimar cuántos fluoróforos
distintos hay en una imagen STORM mediante modelos matemáticos y
utilizando la información espacial independientemente de la temporal
en dicha imagen. Suponemos que la serie de tiempo se comporta
como una cadena de Markov, mientras que la incertidumbre espacial
obedece un modelo de mezclas gaussianas. Usamos máxima
verosimilitud para estimar los parámetros, incluyendo el número de
fluoróforos. Tal procedimiento es un problema de optimización mixta
(con parámetros de dominio entero y otros de dominio continuo) y
computacionalmente intenso. Para resolver esto, desarrollamos un
algoritmo jerárquico y paralelo donde optimizamos la verosimilitud de
los parámetros temporales como una función de los parámetros
espaciales y el número de fluoróforos. El algoritmo se ha probado en
datos simulados y lo usaré para mejorar cuantitativamente imágenes
de células B, una de las principales integrantes de nuestro sistema
inmune.
|
Extent |
45.0
|
Subject | |
Type | |
File Format |
video/mp4
|
Language |
eng
|
Notes |
Author affiliation: University of British Columbia
|
Series | |
Date Available |
2019-03-25
|
Provider |
Vancouver : University of British Columbia Library
|
Rights |
Attribution-NonCommercial-NoDerivatives 4.0 International
|
DOI |
10.14288/1.0377420
|
URI | |
Affiliation | |
Peer Review Status |
Unreviewed
|
Scholarly Level |
Graduate
|
Rights URI | |
Aggregated Source Repository |
DSpace
|
Item Media
Item Citations and Data
Rights
Attribution-NonCommercial-NoDerivatives 4.0 International