Interactive learning for the analysis of biomedical and industrial imagery [Elektronische Ressource] / vorgelegt von Christoph Sommer

English
140 Pages
Read an excerpt
Gain access to the library to view online
Learn more

Description

INAUGURAL – DISSERTATIONZURERLANGUNG DER DOKTORWÜRDEDERNATURWISSENSCHAFTLICH–MATHEMATISCHEN–GESAMTFAKULTÄTDERRUPRECHT–KARLS–UNIVERSITÄTHEIDELBERGvorgelegtvonDipl.-Inform. ChristophSommerausFreiburgTagdermündlichenPrüfung: 05. Juli2010InteractiveLearningfortheAnalysisofBiomedicalandIndustrialImageryGutachter: Prof. Dr. FredA.HamprechtProf. Dr. BerndJähneAbstractInthisthesismethodsandapplicationsofsupervisedlearningforthesegmentationandanalysisofdigitalimagerycomingfromavarietyofresearchdomainsareinvestigated.Segmentation and classification are important tasks in biomedical and industrial imag-ing and often provide the basis for recognition and quantification. Various specializedsolutions exist for an enormous amount of distinct types of data and these are usuallydesigned to meet and exploit given domain knowledge. In this work, an interactive su-pervisedlearningframeworkisproposedthatisabletotacklemulti-objectsegmentationandmulti-classdiscriminationinaunifiedway. Themethodisgeneralenoughtocoverareasonablerangeofusecasesinwhichlocalimagedescriptorsaresufficient. Theper-formance of the segmentation results is demonstrated on various data sets with distincttaskstosolve. Thisemphasizestheversatilityofthisapproachtomanybiomedicalandindustrial data sets without requiring explicit image processing expertise and the needforcustomprogramming. Theapproachbuildsuponagenericfeaturesetthatisabletocharacterize local cues such as color, texture and edges.

Subjects

Informations

Published by
Published 01 January 2010
Reads 6
Language English
Document size 9 MB
Report a problem

INAUGURAL – DISSERTATION
ZUR
ERLANGUNG DER DOKTORWÜRDE
DER
NATURWISSENSCHAFTLICH–MATHEMATISCHEN–GESAMTFAKULTÄT
DER
RUPRECHT–KARLS–UNIVERSITÄT
HEIDELBERG
vorgelegtvon
Dipl.-Inform. ChristophSommer
ausFreiburg
TagdermündlichenPrüfung: 05. Juli2010InteractiveLearning
fortheAnalysisof
BiomedicalandIndustrialImagery
Gutachter: Prof. Dr. FredA.Hamprecht
Prof. Dr. BerndJähneAbstract
Inthisthesismethodsandapplicationsofsupervisedlearningforthesegmentationand
analysisofdigitalimagerycomingfromavarietyofresearchdomainsareinvestigated.
Segmentation and classification are important tasks in biomedical and industrial imag-
ing and often provide the basis for recognition and quantification. Various specialized
solutions exist for an enormous amount of distinct types of data and these are usually
designed to meet and exploit given domain knowledge. In this work, an interactive su-
pervisedlearningframeworkisproposedthatisabletotacklemulti-objectsegmentation
andmulti-classdiscriminationinaunifiedway. Themethodisgeneralenoughtocover
areasonablerangeofusecasesinwhichlocalimagedescriptorsaresufficient. Theper-
formance of the segmentation results is demonstrated on various data sets with distinct
taskstosolve. Thisemphasizestheversatilityofthisapproachtomanybiomedicaland
industrial data sets without requiring explicit image processing expertise and the need
forcustomprogramming. Theapproachbuildsuponagenericfeaturesetthatisableto
characterize local cues such as color, texture and edges. To this end, an interactive tool
that performs real-time processing on usual image sizes was developed, enabling do-
mainexpertstoperformsegmentationandclassificationtasksinanexplorativefashion.
Nopriorexpertiseinimageprocessingisrequiredsinceuserinteractionisfacilitatedvia
intuitivebrushstrokes. Oncethealgorithm/systemhasbeentrained,itcanbeappliedto
thousands of images with no further interaction with the user. The approach is limited
to the segmentation of objects that can be discriminated based on local cues such as
color or texture; but within this setting, the supervised framework yields surprisingly
good results; on top of those, application-dependent post-analysis can be applied. The
frameworksupportsupto4-dimensionalmulti-spectraldatainanintegratedfashion.
Inordertoshowtheapplicabilityandtransferabilityofthemethod,severalrealworld
data sets – from very diverse imaging fields – are examined. Among them is the seg-
mentationoftumortissuefromfluorescentwide-fieldmicroscopy,quantificationofcell
migrationinconfocalmicroscopyimagesforsurveysonadultneurogenesis,segmenta-
tion of blood vessels in the retina of the eye, tracing of copper wires spread on tags for
brand-ownerauthenticationinanindustrialcontext,andtheapplicationtoimagequality
control for high-throughput siRNA screens. Furthermore an industrial problem is con-
sidered: a novel sequence classification procedure on the basis of localized frequency
estimatesisproposedfortheprocesscontrolandvisualizationofthesheet-feedingpro-
cessforoffsetprintingmachines.
iiiZusammenfassung
IndervorliegendenDissertationwerdenMethodendesüberwachtenLernensuntersucht
undaufdieAnalyseunddieSegmentierungdigitalerBilddatenangewendet,dieausdi-
versenForschungsgebietenstammen. DieSegmentierungunddieKlassifikationspielen
eine wichtige Rolle in der biomedizinischen und industriellen Bildverarbeitung, häufig
basiert darauf weitere Erkennung und Quantifikation. Viele problemspezifische An-
sätze existieren für die unterschiedlichsten Fragestellungen und nutzen meist spezifis-
chesVorwissenausdenjeweiligenBilddatenaus. IndieserArbeitwirdeinüberwachtes
Lernverfahrenvorgestellt,dasmehrereObjekteundderenKlassengleichzeitigsegmen-
tieren und unterscheiden kann. Die Methode ist generell genug um einen wichtigen
Bereich von Anwendungen abzudecken, für deren Lösung lokale Merkmale eine Rolle
spielen. Segmentierungsergebnisse dieses Ansatzes werden auf verschiedenen Daten-
sätzen mit unterschiedlichen Problemstellungen gezeigt. Die Resultate unterstreichen
die Anwendbarkeit der Lernmethode für viele biomedizinische und industrielle An-
wendungen, ohne dass explizite Kenntnisse der Bildverarbeitung und Programmierung
vorausgesetzt werden müssen. Der Ansatz basiert auf generellen Merkmalsklassen,
die es erlauben lokal Strukturen wie Farbe, Textur und Kanten zu beschreiben. Zu
diesem Zweck wurde eine interaktive Software implementiert, welche, für gewöhn-
liche Bildgrößen, in Echtzeit arbeitet und es somit einem Domänenexperten erlaubt
Segmentierungs-undKlassifikationsaufgabeninteraktivzubearbeiten. Dafürsindkeine
Kenntnisse in der Bildverarbeitung nötig, da sich die Benutzerinteraktion auf intuitives
MarkierenmiteinemPinselwerkzeugbeschränkt. DasinteraktivtrainierteSystemkann
dann ohne weitere Benutzerinteraktion auf viele neue Bilder angewendet werden. Der
Ansatz ist auf Segmentierungsprobleme beschränkt, für deren Lösung lokale diskrim-
inative Merkmale ausreichen. Innerhalb dieser Einschränkung zeigt der Algorithmus
jedocherstaunlichguteResultate,dieineinerapplikationsspezifischenProzedurweiter
verbessert werden können. Das Verfahren unterstützt bis zu vierdimensionale, multi-
spektraleBilddateninvereinheitlichterWeise.
Um die Anwendbar- und Übertragbarkeit der Methode weiter zu illustrieren wurden
mehrereechteAnwendungsfälle,kommendausverschiedenenbildgebendenBereichen,
untersucht. Darunter sind u. A. die Segmentierung von Tumorgewebe, aufgenom-
menmittelsWeitfeldmikroskopie,dieQuantifikationvonZellwanderungeninkonfokal-
mikroskopischen Aufnahmen für die Untersuchung der adulten Neurogenese, die Seg-
mentierungvonBlutgefäßeninderRetinadesAuges,dasVerfolgenvonKupferdrähten
ineinerAnwendungzurProduktauthentifikationunddieQualitätskontrollevonMikro-
skopiebildern im Kontext von Hochdurchsatz-Experimenten. Desweiteren wurde eine
neue Klassifikationsmethode basierend auf globalen Frequenzschätzungen für die Pro-
zesskontrolledesPapieranlegersanDruckmaschinenentwickelt.
vErklärung
Hiermit erkläre ich, Christoph Sommer, dass ich die vorgelegte Dissertation selbst ver-
fasstundmichdabeikeineranderenalsdervonmirausdrücklichbezeichnetenQuellen
undHilfenbedienthabe.
Heidelberg,den30. März2010
vii