Automatická segmentace buněčných struktur ze snímků elektronového mikroskopu

Abstract

Tato práce představuje metodu segmentace snímků in vitro jaterních sinusoidálních endoteliálních buněk (LSECs) pořízených elektronovým mikroskopem. Segmentované objekty jsou fenestrace, které pokrývají LSEC buňky. Segmentační masky fenestrací LSEC buněk se běžně používají ke zkoumání vlivů na vlastnosti fenestrací. Při řešení této úlohy byly použity neuronové sítě v kombinaci s klasickými metodami zpracování obrazu. V této práci bylo použito 14 snímků pro trénování a 22 snímků pro vyhodnocení. Obrazová modalita je skenovací elektronová mikroskopie (SEM) a jednotlivé snímky mají velikost 6 144 × 4 608 pixelů, což odpovídá 57 × 43 μm. Navržená metoda byla porovnána s poloautomatickou metodou, která se běžně používá pro segmentaci LSEC buněk. Srovnání těchto dvou metod bylo provedeno pomocí masek, které považujeme za ground truth. Hodnocení kvality automatických a semiautomatických masek na základě hodnot pixelů bylo provedeno výpočtem metriky Dice score. Průměrná Dice score hodnota pro 22 testovacích masek je 0,92 ± 0,06 pro poloautomatickou a 0,94 ± 0,02 pro automatickou metodu. Bylo rovněž provedeno statistické vyhodnocení segmentovaných fenestrací. Fenestrace v ground truth obrázcích byly srovnány s fenestracemi získanými oběma metodami. Byla vypočtena korelace nejdůležitějších vlastností fenestrací v každém snímku mezi ground truth a oběma metodami. Výhody i nevýhody obou metod jsou diskutovány.

This thesis presents a method of segmenting electron microscope images of in vitro Liver Sinusoidal Endothelial Cells (LSECs). The segmented objects are LSEC fenestrations, which cover the cells’ bodies. Segmentation masks of LSEC fenestrations are commonly used in research on the influences on fenestration properties. Neural networks combined with classical image processing techniques are used in the solution of this task. In this thesis, 14 images were used for training, and 22 images were used for evaluation. The image modality is Scanning electron microscopy (SEM), and the individual image sizes are 6 144 × 4 608 pixels, which corresponds to 57 × 43 μm. The proposed method was compared to a semiautomatic method, which is widely used for LSEC segmentation. The performance of these two methods was compared using masks, which we consider to be the ground truth. A pixel-based evaluation was conducted by computing the Dice score metric. The mean Dice score of the 22 test masks is 0.92 ± 0.06 for the semiautomatic and 0.94 ± 0.02 for the automatic method. Statistical evaluation of the segmented fenestrations was also performed. The ground truth fenestration properties were compared to those found automatically and semiautomatically by computing the correlation of the main fenestration properties in each image. The advantages and disadvantages of both methods are discussed.