Automated Detection of DNA Origami in Atomic Force Microscope Images Using Convolutional Neural Network
Year: 2025
Type: dissertation
Abstract: Tämä pro gradu-tutkielma käsittelee syvään konvoluutioneuroverkkoon (dCNN) perustuvan objektintunnistusalgoritmin käyttöä Seeman-tile -tyyppisten DNA origamirakenteiden tunnistamiseen atomivoimamikroskoopin (AFM) topograafisista kuvista. DNA-origamit ovat nanoteknologian keskeinen osa-alue, ja niiden tarkka tunnistaminen on tärkeää esimerkiksi itsejärjestäytyvien nanoramateriaalikenteiden tutkimuksessa. Perinteiset DNA-origamien analyysimenetelmät perustuvat pitkälti manuaaliseen kuvantulkintaan, mikä on työlästä ja altista virheille. Tekoälyn ja siihen liittyvien teknologien merkittävä kehitys viime vuosina on johtanut uudempien ja tehokkaampien syväoppimismallien kehittymiseen. Näiden mallien kehittyminen ja hyödyntäminen on mahdollistanut automaattisen objektintunnistuksen monilla osa-alueilla, kuten liikenteessä tai kasvojentunnistuksessa. Tässä tutkimuksessa koulutetaan YOLOv8 (You Only Look Once, versio 8) -Konvoluutio-neuroverkkomallia käyttäen merkittyjä AFM-topografiakuvia. Mallin koulutusvaiheessa DNA-origamit merkitään manuaalisesti topografisiin kuviin, minkä jälkeen koulutusparametrit optimoidaan ja malli koulutetaan kotitietokoneella. Koulutetun mallin suorituskykyä arvioidaan validointidatalla eri mittareilla, kuten tarkkuudella, virhematriisilla ja F1-pisteellä, jotka kuvaavat mallin luotettavuutta ja tarkkuutta. Lisäksi mallin tuloksia verrataan OpenCV-kirjastolla saavutettuihin tuloksiin, joka edustaa klassista kuvankäsittelyyn perustuvaa lähestymistapaa. Tutkimuksessa tarkastellaan myös koulutetun mallin rajoitteita ja haasteista. Tulokset edistävät nanomateriaalien tekoälyavusteista analyysia ja näyttävät, että syväoppimismallit soveltuvat DNA-origamien tunnistamiseen. Löydökset demonstroivat automatisoitujen tunnistusmenetelmien potentiaalia nanoteknologian kehityksessä, mahdollistaen nopeamman ja laajamittaisen datan analysoinnin DNA-nanoteknologian eri sovellusalueilla.
Author: Nykänen, Ville
Institution: University of Jyväskylä
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Keywords: DNA origami, automated detection, atomic force microscopy topography, YOLOv8, deep convolutional neural networks, object detection, self-assembled nanomaterials, image segmentation, training data annotation, model evaluation metrics, F1 score, precision and recall, false positives and false negatives, false acceptance rate, false rejection rate, nanotechnology applications
Open Access status: green
OpenAlex ID: W7200051732
