Segmentation of Brain Cell Images – Københavns Universitet

Segmentation of Brain Cell Images

Specialeforsvar ved Jette Færch Weiss og Peter W. Nielsen

Dansk resumé

Med den stigende mængde af biologisk billede data der bliver genereret, bliver det at finde metoder til at automatisere billede analysen er ønskeligt. Dette speciale hjælper forskere med visuel inspektion af "fluorescent microscopy" billeder, i forbindelse med identifikation af hjerneceller og celle aktivitet ved ekstern stimulering, ved at detektere hjernecellers og klassificere dem som aktive eller inaktive.

Vi har testet tre forskellige klassifikations metoder der kan automatisere denne proces og evalueret deres resultater. Metoderne er K-means, Blob Detection og Kunstige Neurale Netværk. Alle billeder er blevet pre-processering med et median filter.

Klassifikationsmetoderne er testet med tre forskellige features: intensitet, n-jets
på det globale koordinat system og n-jets på et lokalt koordinat system. Klassifikationsmetoderne er testet på et MinMax billede og på alle billeder i en sekvens. Vores eksperimenter viser at den bedste metode til at klassificere hjerneceller er Kmeans på et MinMax billede og at den bedste metode til at klassificere aktivitet er et simpelt "feed forward" Neuralt Netværk på intensitet af et baggrunds-subtraktionsbillede.

Vores resultater viser at det bestemt er muligt at automatisere klassifikationsprocessen,
men at der skal tænkes over hvordan billederne bliver genereret.

Abstract in English

With the ever increasing amount of biological imaging data being generated, finding
methods to automate image analysis is highly desirable. This thesis helps researchers with visual inspection of fluorescent microscopy images detecting brain cell activity under outside stimuli, by detecting brain cells and classifying them as active or inactive.

We have tested three classification methods for automating this process and evaluated their performance and results. The methods are: K-means, Blob Detection and Artificial Neural Networks. Pre-processing has been done using a median filter. The classification methods have been tested on 3 different feature sets: Intensity map, n-jets on the global coordinate
system and n-jets on a local coordinate system. The classification methods have been tested on the MinMax image of the images in a sequence and on all the images in a sequence.

Our experiments show that the best methods for brain cell classification are K-means clustering on the pixel values in a MinMax image, and that the best method for activity classification is a simple feed forward Neural Network on the intensity values of a background subtraction image. Our results show that it is definitely possible to automate this classification process, but care needs to be taken when capturing the images.

Specialeforsvarets tidsplan:

14:00-14:30 - Projektpræsentation ved Peter W. Nielsen
14:30-14:50 - Eksamination af Peter W. Nielsen
14:50-15:00 - Votering
15:00-15:30 - Projektpræsentation ved Jette Færch Weiss
15:30-15:50 - Eksamination af Jette Færch Weiss
15:50-16:00 - Votering

Både præsentation og eksamination er offentlige under venlig hensyntagen til eksamenssituationen. Alle er velkomne.

Eksaminator: Kim Steenstrup Pedersen, DIKU
Censor: Bjarne Kjær Ersbøll, IMM DTU