Synthese von 3D-Mikroskopdaten für die Deep-Learning-gestützte Analyse

In der Werkstoffkunde und Biologie bieten hochdimensionale Bilddaten ein erhebliches Potenzial für die Entwicklung neuartiger Materialien und Wirkstoffe. Um das Potenzial dieser komplexen Daten zu nutzen, bedarf es jedoch präziser und automatisierter Analysemethoden. Deep-Learning-Methoden haben sich für die Analyse komplexer Daten als leistungsfähig erwiesen. Ihr Training setzt jedoch große Mengen an annotierten Daten voraus, deren manuelle Erstellung bei hochdimensionalen Daten kaum realisierbar ist. Eine Lösung für diese Herausforderung stellt die Synthese von Trainingsdaten dar.
... mehr
Ein zentraler Beitrag der vorliegenden Arbeit ist die Entwicklung von SimOptiGAN, einer Methode zur Generierung synthetischer 3D-Trainingsdaten. Eine wesentliche Neuerung der Methode besteht in der gezielten Einbindung seltener Elemente. Zudem werden erstmals biophysikalische Simulationen in den Syntheseprozess integriert, um die Anordnung von Objekten zu verbessern. Umfassende Vergleiche zeigen, dass die entwickelte Methode die Segmentierungsleistung auf realen Daten im Vergleich zu bestehenden Ansätzen signifikant verbessert.
Ein weiterer wesentlicher Beitrag ist die Entwicklung des Frameworks IMS, das die Limitierung der Anzahl gleichzeitig erfassbarer Marker in der Fluoreszenzmikroskopie überwindet. In den durchgeführten Experimenten zeigt IMS eine hohe Korrelation zwischen synthetischen und realen Signalen und ermöglicht zudem eine Verbesserung der Klassifikationsleistung.
Dank der modularen Struktur lassen sich die entwickelten Methoden flexibel an unterschiedliche Anwendungsbereiche der Bildanalyse anpassen. Die in dieser Arbeit entwickelte Methodik zur Datensynthese leistet somit einen wichtigen Beitrag zur automatisierten Analyse hochdimensionaler Daten und ermöglicht dadurch eine effizientere Nutzung solcher komplexen Datensätze.

In materials science and biology, high-dimensional image data offers considerable potential for the development of new materials and active substances. However, in order to utilise the potential of this complex data, precise and automated analysis methods are required. Deep learning methods have proven to be efficient for analysing complex data. However, their training requires large amounts of annotated data, the manual creation of which is almost impossible to realise with high-dimensional data. One solution to this challenge is the synthesis of training data.
A central contribution of this work is the development of SimOptiGAN, a method for generating synthetic 3D training data. ... mehrA major innovation of this method is the targeted integration of rare elements. In addition, for the first time, biophysical simulations are integrated into the synthesis process to improve the arrangement of objects. Comprehensive comparisons prove that the method developed in this work significantly increases the segmentation performance on real data compared to existing approaches.
Another major contribution of this study is the development of the IMS framework, which overcomes the limitation of the number of simultaneously detectable markers in fluorescence microscopy. Experimental results demonstrate that the IMS framework achieves a strong correlation between synthetic and real image signals, thereby enabling improvements in classification performance.
Thanks to their modular structure, the methods developed in this thesis can be flexibly adapted to different application areas of image analysis. The data synthesis methodology developed in this thesis therefore makes an important contribution to the automated analysis of high-dimensional data, and thus enables a more efficient utilisation of such complex data sets.