Deep Learning-Based Particle Detection and Instance Segmentation for Microscopy Images

Bildgebende mikroskopische Verfahren ermöglichen Forschern, Einblicke in komplexe, bisher unverstandene Prozesse zu gewinnen. Um den Forschern den Weg zu neuen Erkenntnissen zu erleichtern, sind hoch-automatisierte, vielseitige, genaue, benutzerfreundliche und zuverlässige Methoden zur Partikeldetektion und Instanzsegmentierung erforderlich. Diese Methoden sollten insbesondere für unterschiedliche Bildgebungsbedingungen und Anwendungen geeignet sein, ohne dass Expertenwissen für Anpassungen erforderlich ist. Daher werden in dieser Arbeit eine neue auf Deep Learning basierende Methode zur Partikeldetektion und zwei auf Deep Learning basierende Methoden zur Instanzsegmentierung vorgestellt. ... mehrDer Partikeldetektionsansatz verwendet einen von der Partikelgröße abhängigen Hochskalierungs-Schritt und ein U-Net Netzwerk für die semantische Segmentierung von Partikelmarkern. Nach der Validierung der Hochskalierung mit synthetisch erzeugten Daten wird die Partikeldetektionssoftware BeadNet vorgestellt. Die Ergebnisse auf einem Datensatz mit fluoreszierenden Latex-Kügelchen zeigen, dass BeadNet Partikel genauer als traditionelle Methoden detektieren kann. Die beiden neuen Instanzsegmentierungsmethoden verwenden ein U-Net Netzwerk mit zwei Decodern und werden für vier Objektarten und drei Mikroskopie-Bildgebungsverfahren evaluiert. Für die Evaluierung werden ein einzelner nicht balancierter Trainingsdatensatz und ein einzelner Satz von Postprocessing-Parametern verwendet. Danach wird die bessere Methode in der Cell Tracking Challenge weiter validiert, wobei mehrere Top-3-Platzierungen und für sechs Datensätze eine mit einem menschlichen Experten vergleichbare Leistung erreicht werden. Außerdem wird die neue Instanzsegmentierungssoftware microbeSEG vorgestellt. microbeSEG verwendet, analog zu BeadNet, OMERO für die Datenverwaltung und bietet Funktionen für die Erstellung von Trainingsdaten, das Trainieren von Modellen, die Modellevaluation und die Modellanwendung. Die qualitativen Anwendungen von BeadNet und microbeSEG zeigen, dass beide Tools eine genaue Auswertung vieler verschiedener Mikroskopie-Bilddaten ermöglichen. Abschließend gibt diese Dissertation einen Ausblick auf den Bedarf an weiteren Richtlinien für Bildanalyse-Wettbewerbe und Methodenvergleiche für eine zielgerichtete zukünftige Methodenentwicklung.

Microscopy imaging enables researchers to gain insight into complex processes not understood so far. Reducing the time to insight for researchers requires highly automated, versatile, accurate, easy-to-use, and reliable particle detection and instance segmentation methods. In particular, such methods should perform well for different imaging conditions and applications without requiring expert knowledge for domain adaptation. Therefore, this thesis presents a new deep learning-based particle detection method and two deep learning-based instance segmentation methods. The particle detection approach uses a particle size-dependent upsampling pre-processing and a U-Net for the semantic segmentation of particle markers. ... mehrAfter validating the upsampling pre-processing with synthetically created data, the corresponding particle detection tool BeadNet is introduced. Furthermore, results on a real-world fluorescent bead data set show that BeadNet can outperform traditional particle detection methods. The two novel instance segmentation methods use a double-decoder U-Net and are evaluated for four object types and three microscopy imaging techniques. A single unbalanced training data set and a single post-processing parameter set are used for this evaluation. The superior method is further validated in the Cell Tracking Challenge, reaching multiple top-3 rankings and human performance on six data sets. Furthermore, this thesis presents the new instance segmentation tool microbeSEG. Similar to BeadNet, microbeSEG uses OMERO for data management and provides training data creation, model training, model evaluation, and model application functionalities. The qualitative applications of BeadNet and microbeSEG show that these tools enable the accurate processing of many different microscopy image data. Finally, this thesis provides an outlook on the need for more guidelines for image analysis competitions and method comparisons for future method development.