Synthese und Segmentierung von 3D Fluoreszenz Mikroskopie Daten
Motivation
Die Entwicklungsbiologie konzentriert sich auf die Untersuchung der Prozesse der Zellfortbewegung, -interaktion und -teilung. Insbesondere die Analysen von Zelllokalisierung und -morphologie, die durch Detektions- und Segmentierungsansätze umgesetzt werden, stellen eine der Schlüsselaufgaben dar, um die zugrunde liegenden Entwicklungsprinzipien zu verstehen. Technologische Fortschritte ermöglichen es Biologen, große Mengen hochdetaillierter Mikroskopie-Bilddaten zu erfassen und zu speichern, wodurch die Anwendung automatisierter Ansätze unerlässlich wird. Das Potenzial aktueller Deep Learning-basierter Ansätze ist jedoch durch die Knappheit vollständig annotierter Bilddatensätze stark eingeschränkt. Folglich konzentriert sich dieses Projekt auf zwei verschiedene Forschungsthemen:
- Robuste und generalistische Deep Learning-basierte Instanzsegmentierungsansätze, die es ermöglichen, genaue Ergebnisse mit begrenzt verfügbaren Daten zu erhalten.
- Simulations- und Syntheseansätze für eine automatisierte Generierung von vollständig annotierten Datensätzen, die menschliche Annotationen ersetzen sollen.
Wissenschaftliche Fragestellungen
Um die Robustheit und Generalisierbarkeit von Instanzsegmentierungsansätzen zu erhöhen, werden neue Prinzipien von Deep Learning-basierten Ansätzen in aktuelle State-of-the-Art-Ansätze integriert und neue Konzepte zur Erhöhung der Robustheit entwickelt.
Es werden Simulations- und Syntheseansätze mit beschleunigter Datengenerierung und optimierter Kontrolle über generierte Strukturen untersucht, die die Generierung vollständig annotierter Bilddatensätze nach Bedarf ermöglichen. Generierte Daten und ihre praktische Verwendung werden bewertet, indem festgestellt wird, ob sie manuell annotierte Bilddatensätze in Segmentierungstrainingspipelines ersetzen können.
Kooperationspartner
- G. U. Nienhaus and Dr. A. Kobitski, Institute of Applied Physics, Karlsruhe Institute of Technology (KIT)
- Prof. U. Strähle and Dr. M. Takamiya, Institute of Biological and Chemical Systems – Biological Information Processing,
- Karlsruhe Institute of Technology (KIT)
- apl. Prof. R. Mikut, Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology (KIT)
Drittmittel
- DFG Sachbeihilfe, “On-the-fly Datensynthese für eine auf Deep Learning basierende Analyse von 3D+t Mikroskopie Experimenten”, Projektnr. 447699143
Kontakt
Veröffentlichungen
Spatiotemporal Image Generation for Embryomics Applications
In: Biomedical Image Synthesis and Simulation: Methods and Applications
