Instance segmentation of microscopy images : : development of deep learning image analysis tools
Abstract: In dieser Arbeit beschäftigen wir uns mit der Entwicklung genereller Deep-Learning Verfahren zur Detektion, Segmentierung und Verfolgung mikroskopischer Objekte. Dabei legen wir den Fokus auf den Sonderfall: akkurate Segmentierung von sich stark überlappenden transluzenten Objekten. In diesem Kontext präsentieren wir zwei Lösungsansätze.
Bei dem ersten Verfahren transformieren wir 2D Segmentierungsmasken in einen Raum höherer Dimension. Als Ergebnis haben diese einen größeren Abstand zueinander und werden somit räumlich trennbar. Die resultierende hochdimensionale Maskenrepräsentation kann direkt zum Training verwendet werden. Während der Inferenzphase machen wir die Transformation in einem Nachbearbeitungsschritt rückgängig und gewinnen somit die finalen 2D Objektmasken zurück.
Bei dem zweiten Lösungsansatz geht es um ein Zwei-Phasen Verfahren. Dabei enkodiert im ersten Schritt ein Netzwerk Objekte zu Deep-Features, welche dann im zweiten Schritt durch ein anderes Netzwerk zu den finalen Objektmasken dekodiert werden. Mit diesem Ansatz erreichen wir eine beachtliche Leistung auf allen von uns getesteten Datensätzen und Aufgaben, ohne dabei schwerwiegende Vor- und Nachbearbeitungschritte zu nutzen.
Wir schlagen auch einige Verbesserungen der beiden Ansätze vor und erweitern den zweiten Ansatz um die zeitliche Komponente: Das erlaubt uns, neben sich bewegenden und überlappenden Objekten auch sich teilende Objekte erfolgreich zu verfolgen und zu segmentieren
Abstract: In this work, we develop general deep-learning tools for detection, segmentation and tracking of microscopical objects. In doing so, we put focus on the special case: accurate segmentation of densely overlapping translucent objects. In this context, we present two approaches.
In the first one, we transform 2D segmentation masks to a high-dimensional space. As result, the masks have a larger distance to each other and become spatially separable. The resulting high-dimensional masks' representation can be directly used for training. During inference, we undo the transformation in a post-processing step which yields the final 2D instance masks.
The second one is an encoder-decoder approach: a network encodes objects to deep-features which are then decoded by a different network to the final objects' masks. With this approach, we achieve a strong performance on all tested datasets and tasks without using heavy pre- and post-processing steps.
We also propose several modifications to both approaches and extend the second one by the temporal dimension: It allows us to successfully track and segment beside moving and overlapping also dividing objects
- Standort
-
Deutsche Nationalbibliothek Frankfurt am Main
- Umfang
-
Online-Ressource
- Sprache
-
Englisch
- Anmerkungen
-
Universität Freiburg, Dissertation, 2021
- Schlagwort
-
Learning
Microscopy
Tools
Image analysis
Maschinelles Sehen
Maschinelles Lernen
Deep learning
- Ereignis
-
Veröffentlichung
- (wo)
-
Freiburg
- (wer)
-
Universität
- (wann)
-
2021
- Urheber
- Beteiligte Personen und Organisationen
- DOI
-
10.6094/UNIFR/221808
- URN
-
urn:nbn:de:bsz:25-freidok-2218086
- Rechteinformation
-
Kein Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
- Letzte Aktualisierung
-
25.03.2025, 13:49 MEZ
Datenpartner
Deutsche Nationalbibliothek. Bei Fragen zum Objekt wenden Sie sich bitte an den Datenpartner.
Beteiligte
Entstanden
- 2021
Ähnliche Objekte (12)
Scalable Instance Segmentation for Microscopy
Deep Learning-Based Particle Detection and Instance Segmentation for Microscopy Images
Maximizing Information from User-Clicks for Efficient Instance Segmentation in Images
Best Practices in Deep Learning-Based Segmentation of Microscopy Images
Machine Learning for Instance Segmentation
Learning Instance Segmentation from Sparse Supervision
Semantic Segmentation of Ambiguous Images
Attention-Based Transformers for Instance Segmentation of Cells in Microstructures
Multi-scale segmentation of retinal images
Deep Learning for Detection and Segmentation in High-Content Microscopy Images
Biopolymer segmentation from CLSM microscopy images using a convolutional neural network
Deep Learning for Graph-Based Image Instance Segmentation
Scalable Instance Segmentation for Microscopy
Deep Learning-Based Particle Detection and Instance Segmentation for Microscopy Images
Maximizing Information from User-Clicks for Efficient Instance Segmentation in Images
Best Practices in Deep Learning-Based Segmentation of Microscopy Images
Machine Learning for Instance Segmentation
Learning Instance Segmentation from Sparse Supervision
Semantic Segmentation of Ambiguous Images
Attention-Based Transformers for Instance Segmentation of Cells in Microstructures
Multi-scale segmentation of retinal images
Deep Learning for Detection and Segmentation in High-Content Microscopy Images
Biopolymer segmentation from CLSM microscopy images using a convolutional neural network
Deep Learning for Graph-Based Image Instance Segmentation
Scalable Instance Segmentation for Microscopy
Deep Learning-Based Particle Detection and Instance Segmentation for Microscopy Images
Maximizing Information from User-Clicks for Efficient Instance Segmentation in Images
Best Practices in Deep Learning-Based Segmentation of Microscopy Images
Machine Learning for Instance Segmentation
Learning Instance Segmentation from Sparse Supervision
Semantic Segmentation of Ambiguous Images
Attention-Based Transformers for Instance Segmentation of Cells in Microstructures
Multi-scale segmentation of retinal images
Deep Learning for Detection and Segmentation in High-Content Microscopy Images
Biopolymer segmentation from CLSM microscopy images using a convolutional neural network