Analysis of training dataset influence on the efficiency of segmentation

Mikrobiální struktury jsou v každém živém organismu, proto je důležité je klasifikovat pro následné zkoumání jejich původu a funkce. Společnost Bruker, s.r.o vyvíjí právě pro tento účel přístroj MBT Pathfinder, který automatizuje přenos kolonií na MALDI destičky, kde probíhá následná analýza vzorku. Přenášené kolonie lze vybrat ručně nebo pomocí algoritmu, který zajistí automatickou segmentaci kolonií. Tento algoritmus je nejdříve potřeba naučit na trénovací množině, která má velký vliv na jeho přesnost. Tato práce se zabývá měřením vlivu datové sady na přesnost tohoto algoritmu.Microbial structures are present in every living organism, so it is important to classify them for subsequent research of their origin and function. Bruker, s.r.o is developing the MBT Pathfinder for this purpose, which automates the transfer of colonies to MALDI plates, where the subsequent analysis of the sample takes place. Transferred colonies can be selected manually or using an algorithm that ensures automatic colony segmentation. This algorithm must be learned on a training set, which has huge influence on its accuracy. This work deals with measuring the influence of a dataset on the accuracy of this learning algorithm.