03.12.2019, 13:00 Uhr

Universität Wien
Vienna Biocenter, Campus
VBC 5 Seminarraum 1.116, 1. Ebene
1030 Wien

Titel: „Nuclei Segmentation in Fluorescence Images Using Deep Learning“

Kurzfassung:
Methoden der Bildanalyse nehmen in der biologischen Forschung eine bedeutende Rolle ein, da sie bei der Evaluierung und Quantifizierung von Mikroskopiebildern angewendet werden. Dabei stellt die Segmentierung von Zellkernen einen äußerst wichtigen Teil in der Analyse von Mikroskopiebildern dar. Die Segmentierung von Zellkernen ist langwierig und zeitintensiv, kann jedoch durch computergestützte Bildanalyseverfahren beschleunigt werden. Derzeit werden häufig klassische Segmentierungsalgorithmen angewendet, die jedoch an der Segmentierung von überlappenden Zellkernen scheitern. Aufgrund der hervorragenden Performance in verschiedenen Gebieten der Bildverarbeitung findet Deep Learning in der Bildsegmentierung zunehmend Anwendung. Dabei kommen Convolutional Neural Networks zum Einsatz. In dieser Arbeit entwickeln wir eine auf Deep Learning-basierte Methode für die Segmentierung von Zellkernen in Fluoreszenzmikroskopiebildern. Zur Hilfe werden mehrere schon existierende Lösungsansätze, unter anderem die Lösung der Gewinner des „Kaggle 2018 Data Science Bowls“, genommen. Die angewendete Methode besteht aus zwei Netzwerken, die auf der Architektur von U-Net basieren. Das erste Netzwerk klassifiziert die Pixel eines Bildes in drei verschiedene Klassen: das Innere von Zellkernen, die Grenze zwischen Zellkernen und der Hintergrund. Das zweite Netzwerk generiert ein Binärbild der Zellkerne. Die Ergebnisse beider Netzwerke werden in einem weiteren Schritt zusammengefügt, um schließlich die segmentierten Zellkerne zu erhalten. Die Resultate zeigen, dass ein solches Verfahren mit zwei Netzwerken zu zufriedenstellenden Segmentierungsergebnissen führt. Die Bestimmung der Grenzen zwischen Zellkernen ermöglicht es, überlappende Zellkerne zu trennen. Die Segmentierung kann zusätzlich durch „Data Augmentation” verbessert werden. Außerdem zeigt die Auswertung der Ergebnisse, dass die entwickelte Deep Learning-Methode für verschiedene Bilddatensätze genutzt werden kann.