Automatische zeitliche und räumliche Registrierung von großen 3D+t Punktwolken

 

Motivation

Die zeitlich aufgelöste 3D Fluoreszenzmikroskopie (3D+t) bietet umfangreiche Möglichkeiten zur detaillierten Analyse der frühembryonalen Entwicklung verschiedener Modellorganismen. Mithilfe automatischer Segmentierungs- und Trackingverfahren können aus aufgenommenen Bilddaten tausende von Zellbewegungstrajektorien zur quantitativen Analyse auf zellulärer Ebene extrahiert werden. Ein grundlegendes Problem nach erfolgreicher Extraktion getrackter 3D+t Punktwolken besteht jedoch in der fehlenden Möglichkeit, quantitative Vergleiche zwischen verschiedenen Individuen automatisiert herstellen zu können, um biologische Hypothesen in wiederholten Experimenten statistisch zu bestätigen. Die Analyse frühembryonaler Entwicklung auf Basis solcher 3D+t Punktwolken beschränkt sich daher bisher auf einfache Modellorganismen, frühe Entwicklungsstadien und manuelle Analysen.

Wissenschaftliche Fragestellungen

Ziel dieses Projektes ist die Entwicklung neuer Methoden zur automatischen räumlichen und zeitlichen Registrierung großer 3D+t Punktwolken. Da verschiedene Individuen komplexerer Organismen üblicherweise keine eindeutigen Zell-Zell-Korrespondenzen aufweisen, stellt die Entwicklung neuer Ansätze zur Charakterisierung anatomischer Landmarken mittels klassischen und auf maschinellem Lernen basierenden Ansätzen einen Projektschwerpunkt dar. Diese Landmarken werden anschließend zur räumlichen und zeitlichen Registrierung der Punktwolkendaten verwendet. Um ausreichend Trainingsdaten für den Einsatz von maschinellem Lernen bereitzustellen werden zudem synthetische Datensätze erzeugt, die eine umfangreiche Simulation frühembryonaler Entwicklung von Modellorganismen, wie dem Zebrabärbling und der Fruchtfliege ermöglichen.

Abschlussarbeiten

Es werden regelmäßig neue Abschlussarbeiten im Bereich der automatisierten Verarbeitung von großen Punktwolkendaten ausgeschrieben. Neben der Gesamtübersicht gibt es auch noch zahlreiche, noch nicht ausgeschriebene Themen, die gerne im persönlichen Gespräch vorgestellt werden.

Kooperationspartner

Drittmittel

  • DFG Sachbeihilfe, “Automatische zeitliche und räumliche Registrierung von großen 3D+t Punktwolken”, Projektnummer 432051322

Kontakt

M.Sc.

M.Sc.

Prof. Dr.-Ing.

Veröffentlichungen

2024

Dennis Eschweiler, Rüveyda Yilmaz, Matisse Baumann, Ina Laube, Rijo Roy, Abin Jose, Daniel Brückner and Johannes Stegmaier
Denoising Diffusion Probabilistic Models for Generation of Realistic Fully-Annotated Microscopy Image Data Sets
In: PLOS Computational Biology 20 (2)

2023

Zhu Chen, Ina Laube, Johannes Stegmaier
Unsupervised Learning for Feature Extraction and Temporal Alignment of 3D+t Point Clouds of Zebrafish Embryos
In: International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)

2023

Abin Jose, Rijo Roy, Dennis Eschweiler, Ina Laube, Reza Azad, Daniel Moreno-Andres and Johannes Stegmaier
End-to-end classification of cell-cycle stages with center-cell focus tracker using recurrent neural networks
In: International Conference on Acoustics, Speech and Signal Processing (ICASSP)

2022

Abin Jose, Qi Mei, Dennis Eschweiler, Ina Laube and Johannes Stegmaier
Linear Discriminant Analysis Metric Learning Using Siamese Neural Networks
In: International Conference on Image Processing (ICIP)

2022

D. Eschweiler, I. Laube, J. Stegmaier
Spatiotemporal Image Generation for Embryomics Applications
In: Biomedical Image Synthesis and Simulation: Methods and Applications

2021

Philipp Gräbel, Ina Laube, Martina Crysandt, Reinhild Herwartz, Melanie Hoffmann, Barbara M. Klinkhammer, Peter Boor, Tim H. Brümmendorf, Dorit Merhof
Surrounding Cell Suppression for Unsupervised Representation Learning in Hematological Cell Classification
In: IEEE International Symposium on Biomedical Imaging (ISBI)

2021

Philipp Gräbel, Ina Laube, Martina Crysandt, Reinhild Herwartz, Melanie Hoffmann, Barbara M. Klinkhammer, Peter Boor, Tim H. Brümmendorf, Dorit Merhof
Rotation invariance for unsupervised cell representation learning
In: Bildverarbeitung fuer die Medizin (BVM)