A neurális hálók szerepe egyre fontosabb mind a diagnosztikai, mind a mindennapi használat során. A mikroszkóp képek automatikus feldolgozása, jelentősen felgyorsítható gépi tanulás alkalmazásával, ezért a választott feladatom digitális holografikus mikroszkóp képek szegmentálása és a rajtuk található objektumok fókuszálása volt neurális hálózatok segítségével. A kutatás elején egy, a mikroszkóp képek numerikus feldolgozására alkalmas kód eredményeinek reprodukálására törekedtem. A kód által generált kimenetek felhasználásával szerettem volna tanítani egy Unet architektúrájú neurális hálót, hogy végeredményben a szegmentációt és a fókusztávolságok szerinti klasszifikációt egy lépésben megkapjam. A tanításnál 6 különböző mérésből származó, összesen 60 darab nagy felbontású, algákról és élesztő részecskékről készült holografikus mikroszkóp képet használtam fel, amelyekből futási időben véletlenszerűen vágtam ki kisebb képeket, hogy azon tanítsam a hálózatot. Az első elkészített hálózat azonban nem tudott használható eredményt produkálni, ezért újra kellett gondolnom a feladat megközelítését. Kiderült ugyanis, hogy a kód által generált kimenetek túlságosan zajosak ahhoz, hogy a háló tanulni tudjon belőle, így az eredeti feladatot külön bontottam szegmentációra és klasszifikációra. Mindkét feladatrészhez külön neurális architektúrát építettem, külön adathalmazt annotáltam és külön tanítottam. A szegmentációs részhez először adathalmazt készítettem az eredeti képek kézi, bináris annotációjával, majd ezen a halmazon tanítottam véletlenszerűen kivágott kisebb méretű képek segítségével a korábban már elkészített Unet architektúra egyszerűsített változatát. A klasszifikációs részhez először készítettem egy Matlab kódot, amivel analizálni tudtam a hologramokat, majd azokból 240 objektumot annotáltam fókuszszintjük szerint. Ezután ugyanezen program felhasználásával méretcsökkentés céljából az objektumok fontosabb tulajdonságait tartalmazó vektorokat vágtam ki, továbbá kiszámoltam a Fourier transzformáltjukat, majd ezen két vektorcsoport segítségével tanítottam a hálózatot. Maga az architektúra két konvolúciós részből és egy teljesen kapcsolt klasszifikációs hálótatból tevődött össze. A hálózatok összességében jó eredményt értek el. A szegmentációs háló közel minden objektumot képes megjelölni, míg a klasszifikációs háló közel 60%-ban pontos (kevesebb mint 6 mikrométer hiba) és további 22%-ban elfogadható (kevesebb, mint 24 mikrométer hiba) eredményt produkált.