Synthese mikroskopischer Mehrkanal-Fluoreszenzbilder verschiedener ZellartenMotivation
Für die interaktive und automatische Segmentierung unterschiedlichster Zellen in mikroskopischen Fluoreszenzbildern wurden in den vergangenen Jahren viele unterschiedliche Methoden wie Level Sets, Distanz- und Wasserscheidentransformation, oder Region Growing, vorgeschlagen und auf unterschiedlichem Bildmaterial evaluiert. Allerdings wird dabei fast immer für jeden neuen Datensatz von Fluoreszenzbildern eine neue Kombination von Vorverarbeitungs- und Segmentierungsverfahren vorgeschlagen, der dann meist nur auf diesem einzelnen Bilddatensatz robust funktioniert.
In jüngster Zeit beschäftigen sich dagegen neuere Ansätze der Bildanalyse damit, das Problem der Zellsegmentierung in sofern zu verschieben, indem für unbekannte Bilddaten basierend auf einer interaktiv annotierten und repräsentativen Teilmenge das beste Segmentierungsverfahren (z.B. mit genetischen Algorithmen) automatisch gefunden und parametrisiert wird. Dieser Ansatz wurde bisher an einigen (wenigen) biologischen Stichproben erfolgreich evaluiert. Allerdings sind diese untersuchten Fluoreszenzbilddatensätze in sich sehr homogen und inhaltlich disjunkt voneinander. Da es relativ aufwändig und kostspielig ist, neue Fluoreszenzbilddatensätze zu erstellen, um Bildverarbeitungsroutinen zu evaluieren, bietet sich eine Simulation bzw. Synthese solcher Fluoreszenzbilddatensätze an.
Methoden
Aufbauend auf bekannten Verfahren aus der Literatur [1-4] zur Synthese solcher Fluoreszenzbilddatensätze soll ein geeignetes Werkzeug geschaffen werden, um Mehrkanal-Fluoreszenzbilder mit unterschiedlichen Zelltypen, Anzahl und Vergrößerungen, sowie variierender Überlappungsgraden und Bildqualität zu synthetisieren. Auf der Zellebene sollen ovale, bipolare und multipolare Zellen modelliert werden. Auf der Ebene der Überlappung sollen vereinzelt liegende Zellen, Zellrasen als auch sich gegenseitig überlappende Zellen simuliert werden. Hinsichtlich der Vergrößerung sind Synthesen für eine 10-fach bis 63-fache Vergrößerung vorgesehen. Zudem sollten typische in Fluoreszenzbilddaten vorkommende Störungen wie Rauschen, Schattenwurf, etc. modelliert werden.
Umfeld
Die Entwicklung erfolgt unter Windows XP mit Visual Studio 2008 in C++ unter Verwendung von Standardbibliotheken wie der STL und Adobe GIL.
Literatur
[1] A Lehmussola, J Selinummi, P Ruusuvuori, A Niemistö, O Yli-Harja: Simulating fluorescent microscope images of cell populations. In Proc 27th Annual Int. Conf. of the IEEE Engineering in Medicine & Biology Society (EMBC), Shanghai, China, September 1-4, 2005.
[2] A. Lehmussola, P Ruusuvuori, J Selinummi, H Huttunen, O Yli-Harja, Computational framework for simulating fluorescence microscope images with cell populations, IEEE Transactions on Medical Imaging 26(7):1010-1016, 2007.
[3] TW Nattkemper, A Saalbach, T Twellmann: Evaluation of multi-parameter micrograph analysis with synthetical benchmark images, in Proc 25th Annual Int. Conf. of the IEEE Engineering in Medicine & Biology Society (EMBC), A Saalbach (Ed), 2003, Vol. 1, pp. 667-670.
[4] P Ruusuvuori, A Lehmussola, J Selinummi, T Rajala, H Huttunen, O Yli-Harja: Benchmark set of synthetic images for validating cell image analysis algorithms. In Proc 16th European Signal Pro-cessing Conf. (EUSIPCO 2008), Lausanne, Switzerland, August 25-29, 2008. Advisor(s)
| 
|
