Home | deutsch  | Legals | Sitemap | Contact | KIT | Uni-HD
Contact

Dr. Regine Kleber and

María García

infoPgs4∂heika-research de

Neue Methode zur Feedback-basierten Segmentierung und Visualisierung von komplexen 3D-Bilddatensätzen

Neue Methode zur Feedback-basierten Segmentierung und Visualisierung von komplexen 3D-Bilddatensätzen
Contact:

Prof. Dr. Heike Leitte, Interdisciplinary Center for Scientific Computing, University of Heidelberg

Dr. Markus Reischl, Institut für Angewandte Informatik, KIT
Contact

Project Group:

Correlative Imaging Platform 

Startdate:

01.01.2015 

Enddate:

31.12.2015 

Die digitale Bilderfassung von Gewebeblöcken in drei Dimensionen ist durch moderne Mikroskope in kürzester Zeit möglich. Für die quantitative Beschreibung der Daten müssen die Bildstapel in informationstragende Bereiche segmentiert werden, was aufgrund der großen Datenmenge (semi-)automatische Softwareunterstützung voraussetzt.
Für Bildstapel mit gutmütigen Objektgrenzen existieren hervorragende Lösungen. Sehr spärlich ist die Unterstützung für (3D-)Bilder mit schlechtem Kontrast, unscharfen Grenzen und anisotroper räumlicher Auflösung, insbesondere, wenn fehlerfreie Ergebnisse gefordert werden. In diesen Fällen wird zumeist händisch segmentiert, was die Datenausbeute limitiert.

Ziel des vorliegenden Projekts ist die Entwicklung eines rechnerunterstützten Verfahrens zur Erstellung hochgenauer 3D-Modelle aus großen strukturreichen Bilddaten, das die hohe Qualität händischer Segmentierung bei deutlich verkürzter Arbeitszeit erzielt. Ausgangspunkt sind lokale Segmentierungsvorschläge basierend auf fundamentalen Merkmalen (z.B. automatisch extrahierte Kanten). Hohe falsch-positiv Raten stellen sicher, dass möglichst viele relevante Strukturen erfasst werden. Aus dieser Auswahl kann der Nutzer die gewünschte Segmentierung zusammenstellen und manuell anpassen, was bei naiver Umsetzung zwar präzise Ergebnisse aber nur eine geringe Zeitersparnis bietet.
Eine signifikante Beschleunigung wird erst durch die Kombination von Machine Learning und Visualisierung erzielt.
Das Machine Learning setzt gewählte Segmente auf nachfolgenden Schichten automatisiert fort sofern ein geringer Fehler erwartet wird. Die Visualisierung unterstützt den Anwender bei der effizienten Segmentwahl und kommuniziert Unsicherheiten im Algorithmus. Die beiden Verfahren unterstützen sich somit gegenseitig in ihren Stärken und fangen die Schwächen des anderen ab. Erst durch die enge Verzahnung dieser beiden Arbeitsweisen können präzise und fehlerfreie 3D-Modelle in akzeptabler Laufzeit generiert werden.