Machine learning-based automated segmentation with a feedback loop for 3D synchrotron micro-CT

Die Entwicklung von Synchrotronlichtquellen der dritten Generation hat die Grundlage für die Untersuchung der 3D-Struktur opaker Proben mit einer Auflösung im Mikrometerbereich und höher geschaffen. Dies führte zur Entwicklung der Röntgen-Synchrotron-Mikro-Computertomographie, welche die Schaffung von Bildgebungseinrichtungen zur Untersuchung von Proben verschiedenster Art förderte, z.B. von Modellorganismen, um die Physiologie komplexer lebender Systeme besser zu verstehen. Die Entwicklung moderner Steuerungssysteme und Robotik ermöglichte die vollständige Automatisierung der Röntgenbildgebungsexperimente und die Kalibrierung der Parameter des Versuchsaufbaus während des Betriebs. ... mehrDie Weiterentwicklung der digitalen Detektorsysteme führte zu Verbesserungen der Auflösung, des Dynamikbereichs, der Empfindlichkeit und anderer wesentlicher Eigenschaften. Diese Verbesserungen führten zu einer beträchtlichen Steigerung des Durchsatzes des Bildgebungsprozesses, aber auf der anderen Seite begannen die Experimente eine wesentlich größere Datenmenge von bis zu Dutzenden von Terabyte zu generieren, welche anschließend manuell verarbeitet wurden. Somit ebneten diese technischen Fortschritte den Weg für die Durchführung effizienterer Hochdurchsatzexperimente zur Untersuchung einer großen Anzahl von Proben, welche Datensätze von besserer Qualität produzierten. In der wissenschaftlichen Gemeinschaft besteht daher ein hoher Bedarf an einem effizienten, automatisierten Workflow für die Röntgendatenanalyse, welcher eine solche Datenlast bewältigen und wertvolle Erkenntnisse für die Fachexperten liefern kann. Die bestehenden Lösungen für einen solchen Workflow sind nicht direkt auf Hochdurchsatzexperimente anwendbar, da sie für Ad-hoc-Szenarien im Bereich der medizinischen Bildgebung entwickelt wurden. Daher sind sie nicht für Hochdurchsatzdatenströme optimiert und auch nicht in der Lage, die hierarchische Beschaffenheit von Proben zu nutzen.

Die wichtigsten Beiträge der vorliegenden Arbeit sind ein neuer automatisierter Analyse-Workflow, der für die effiziente Verarbeitung heterogener Röntgendatensätze hierarchischer Natur geeignet ist. Der entwickelte Workflow basiert auf verbesserten Methoden zur Datenvorverarbeitung, Registrierung, Lokalisierung und Segmentierung. Jede Phase eines Arbeitsablaufs, die eine Trainingsphase beinhaltet, kann automatisch feinabgestimmt werden, um die besten Hyperparameter für den spezifischen Datensatz zu finden. Für die Analyse von Faserstrukturen in Proben wurde eine neue, hochgradig parallelisierbare 3D-Orientierungsanalysemethode entwickelt, die auf einem neuartigen Konzept der emittierenden Strahlen basiert und eine präzisere morphologische Analyse ermöglicht. Alle entwickelten Methoden wurden gründlich an synthetischen Datensätzen validiert, um ihre Anwendbarkeit unter verschiedenen Abbildungsbedingungen quantitativ zu bewerten. Es wurde gezeigt, dass der Workflow in der Lage ist, eine Reihe von Datensätzen ähnlicher Art zu verarbeiten. Darüber hinaus werden die effizienten CPU/GPU-Implementierungen des entwickelten Workflows und der Methoden vorgestellt und der Gemeinschaft als Module für die Sprache Python zur Verfügung gestellt.

Der entwickelte automatisierte Analyse-Workflow wurde erfolgreich für Mikro-CT-Datensätze angewandt, die in Hochdurchsatzröntgenexperimenten im Bereich der Entwicklungsbiologie und Materialwissenschaft gewonnen wurden. Insbesondere wurde dieser Arbeitsablauf für die Analyse der Medaka-Fisch-Datensätze angewandt, was eine automatisierte Segmentierung und anschließende morphologische Analyse von Gehirn, Leber, Kopfnephronen und Herz ermöglichte. Darüber hinaus wurde die entwickelte Methode der 3D-Orientierungsanalyse bei der morphologischen Analyse von Polymergerüst-Datensätzen eingesetzt, um einen Herstellungsprozess in Richtung wünschenswerter Eigenschaften zu lenken.

The development of the third-generation synchrotron light sources has established the foundation for the investigation of the 3D structure of opaque samples at micrometer resolution and higher. That led to the development of X-ray synchrotron micro-computed tomography which promoted the creation of imaging setups aimed at the investigation of samples of diverse nature, for example, model organisms to better understand the physiology of complex living systems. The development of modern control systems and robotics allowed for the complete automation of the X-ray imaging experiments and calibrating the experimental setup parameters on the fly. ... mehrThe advancement of digital detector systems prompted enhancements in resolution, dynamic range, sensitivity, and other essential characteristics. These improvements resulted in a substantial increase in the throughput of the imaging process, but on the other side, experiments started to produce a substantially increased amount of data up to dozens of terabytes that were processed manually afterward. Thus, these technical advancements paved the way for carrying out more efficient high-throughput experiments to study a large number of samples producing datasets of better quality. Thereby, in a scientific community is a high demand for an efficient automated X-ray data analysis workflow that could cope with such data burden and provide valuable insights for the domain experts. The existing solutions for such a workflow are not directly applicable to high-throughput experiments since they were developed for ad-hoc scenarios in the medical imaging domain. Therefore, they are not optimized for high-throughput data streams and incapable to exploit the hierarchical nature of samples.

The major contributions of the present thesis are a new automated analysis workflow suited for efficient processing of heterogeneous X-ray datasets having hierarchical nature. The developed workflow is based on improved cutting-edge methods aimed at data pre-processing, registration, localization, and segmentation. Every stage of a workflow involving a training phase can be automatically fine-tuned to find the best hyper-parameters for the specific dataset. To address the analysis of fibrous structures in samples, a new highly parallelizable 3D orientation analysis method was developed based on a novel concept of emitting rays, which allowed for more precise morphological analysis. All the developed methods were thoroughly validated on synthetic datasets to quantitatively assess their applicability in different imaging conditions. It was shown that the workflow is able to process a series of datasets of similar nature. Moreover, the efficient CPU/GPU implementations of the developed workflow and methods were presented and made available for the community as modules for Python language.

The developed automated analysis workflow was successfully applied for micro-CT datasets acquired in high-throughput X-ray experiments in the field of developmental biology and material science. In particular, this workflow was applied for the analysis of the medaka fish datasets, which allowed for automated segmentation and subsequent morphological analysis of the brain, liver, head nephrons, and heart. Moreover, the developed 3D orientation analysis method was employed in the morphological analysis of polymer scaffolds datasets to guide a fabrication process towards desirable properties.