A multi-template atlas for volumetric images

Abstract: Biomedizinische Atlanten sind wichtige Werkzeuge, wenn es darum geht Populationsunterschiede basierend auf Bilddaten, wie zum Beispiel Mikroskop- oder MRT-Aufnahmen, zu quantifizieren.
Die Kernidee hinter traditionellen Atlas-basierten Quantifikationstechniken ist es, ein repräsentatives Template für die Population zu generieren.
Dieses Template wird dann auf jedes Individuum der Population registriert, was effektiv die Formvarianz innerhalb der Population normiert.
Diese Normierung erlaubt es uns Ereignisse zwischen zwei Individuen quantitativ zu vergleichen, wie zum Beipiel die Kolokalisierungen von Genexpressionsmustern oder Hormongradienten.

Ein einzelnes holistisches Template ist jedoch nicht ausreichend, wenn wir die Auflösung der Analyse auf einzelne Zellen vergrößern wollen.
Der Grund ist, dass die Bildregistrierung nun nicht mehr wohldefiniert ist, was an den topologischen Unterschieden zwischen dem holistischen Atlas-Template und dem Bild eines Individuums liegt.

In dieser Dissertation präsentieren wir einen Ansatz, einen Multi-Template Atlas automatisch zu generieren, der auf einzelne Zellen des Wurzel-Meristems von registriert werden kann.
Die einzelnen Templates dieses Multi-Template Atlasses sind verbunden, so dass alle Analysetechniken von traditionellen Atlanten angewendet werden können.

Die wissenschaftlichen Beiträge dieser Dissertation beschäftigen sich mit den Problemen, die auftreten, wenn man einen solchen Multi-Template Atlas erstellt.
Wir stellen ein einfaches Distanzmaß vor, das es uns erlaubt annotierte Trainingsdaten automatisch zu gruppieren um anschließend mehrere verbundene Atlas-Templates daraus zu generieren.
Die manuelle Initialisierung dieser Templates vor der Bildregistrierung ist nicht mehr praktikabel, da wir für jede Zelle eine grobe initiale Positionsschätzung benötigen, was auch die Auswahl des korrekten Templates beinhaltet.
Wir erforschen Möglichkeiten, alle initialen Positionen für ein bestimmtes Template zu finden, die zu einer erfolgreichen Bildregistrierung führen.
Schließlich präsentieren wir zwei auf diskriminativem maschinellem Lernen basierende Ansätze, welche die Qualität der Registrierung eines Templates validieren

Object Details

• Location: Deutsche Nationalbibliothek Frankfurt am Main
• Extent: Online-Ressource
• Language: Englisch
• Notes: Universität Freiburg, Dissertation, 2017

Classification and Topics

• Keyword: Maschinelles Sehen ; Maschinelles Lernen ; Biomedizinische Technik ; Informatik

Contributors, Places and Time

• Event: Veröffentlichung
• (where): Freiburg
• (who): Universität
• (when): 2018
• Creator: Mai, Dominic
• Contributor: Ronneberger, Olaf ; Albert-Ludwigs-Universität Freiburg. Fakultät für Angewandte Wissenschaften

Further information

• DOI: 10.6094/UNIFR/15495
• URN: urn:nbn:de:bsz:25-freidok-154956
• Rights: Kein Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Last update: 25.03.2025, 1:44 PM CET