I detta examensarbete användes olika bildbehandlingstekniker för detektion och kvantifiering av DNA-mikrobollar, mer specifikt rolling circle amplification-produkter, på mikroskopibilder. Avsikten med detta arbete var att hjälpa Countagen AB utforska pipelines för bildbehandling för sin produkt där de analyserar utfallet av genredigeringsförsök på ett billigare och snabbare sätt än dagens konventionella sekvenseringsmetoder. Två olika metoder för objektdetektion användes i detta arbete. Big-FISH, som bygger på Laplacian of Gaussian och detektion av lokala maxima, samt LodeSTAR, en single-shot, self-supervised djupinlärningsmodell. Förbehandling av bilder var också en central del av detta projekt. DeepSpot, en djupinlärningsmodell för framhävning av punkter, användes för att framhäva mikrobollarna så att de lätt kunde upptäckas, och en top-hat-transform användes för att filtrera bort bakgrunden från bilderna. De olika metoderna utvärderades på ett dataset med manuellt annoterade bilder, en spädningsserie av prover samt prover med samma koncentration. Detta för att få värden på precision, recall och F1-score samt mäta hur robust modellen är när det gäller att detektera punkter. Den modell som presterade bäst var LodeSTAR, med en F1-score på 83% på det annoterade datasetet. / In this thesis project, different image processing techniques were utilized for the detection and quantification of DNA microballs on fluorescence microscopy images. These microballs consisted of rolling circle amplification products, of regions of interest. This was done to aid Countagen AB in exploring image processing pipelines for their product where they analyze gene editing efficiency in a cheaper and faster manner than today's conventional sequencing methods. Two different object detection methods: Big-FISH, which builds on Laplacian of Gaussian and local maxima detection, and LodeSTAR, a single-shot, self-supervised deep learning model, were evaluated for this task of detection and quantification. Image preprocessing was a central part of this project. DeepSpot, a deep learning model for spot enhancement was used to highlight the microballs, and a white top-hat transform was applied to the images for background subtraction. The different methods were evaluated on a test set of manually annotated images, a dilution series of samples, and samples with the same concentration to obtain precision, recall, and F1 scores, as well as gauge the robustness of the model in detecting spots. The best-performing model was LodeSTAR, with an F1-score of 83% on the test set.