Zellsegmentierung und -verfolgung mittels CNN-basierter Distanzvorhersagen und einer graphbasierten Zuordnungsstrategie

Die präzise Segmentierung und Verfolgung von Zellen in Mikroskopie-Bildsequenzen ist eine zentrale Aufgabe in der biomedizinischen Forschung, beispielsweise zur Untersuchung der Entwicklung von Geweben, Organen oder ganzen Organismen. Die Segmentierung sich berührender Zellen in Bildern mit niedrigem Signal-Rausch-Verhältnis stellt jedoch weiterhin eine herausfordernde Aufgabe dar. In diesem Artikel präsentieren wir eine Methode zur Segmentierung berührender Zellen in Mikroskopie-Bildern. Durch die Einführung einer neuartigen Darstellung von Zellrändern, die sich an Distanzabbildungen orientiert, ist unsere Methode in der Lage, nicht nur berührende, sondern auch eng benachbarte Zellen bereits im Trainingsprozess zu berücksichtigen. Darüber hinaus ist diese Darstellung besonders robust gegenüber Annotationfehlern und zeigt vielversprechende Ergebnisse bei der Segmentierung von Mikroskopie-Bildern, die in den Trainingsdaten unterrepräsentierte oder gar nicht enthaltene Zelltypen enthalten. Zur Vorhersage der vorgeschlagenen Nachbarabstände wird eine angepasste U-Net-Convolutional Neural Network (CNN)-Architektur mit zwei Dekodierpfaden eingesetzt. Zudem adaptieren wir einen graphbasierten Zellverfolgungsalgorithmus, um unsere Methode im Rahmen der Zellverfolgung zu evaluieren. Der angepasste Verfolgungsalgorithmus integriert eine Bewegungsschätzung in die Kostenfunktion, um Tracks, die aufgrund fehlender Segmentierungsmasken über kurze Bildsequenzen unterbrochen sind, wiederherzustellen. Unsere kombinierte Tracking-by-Detection-Methode hat ihre Leistungsfähigkeit im IEEE ISBI 2020 Cell Tracking Challenge (http://celltrackingchallenge.net/) unter Beweis gestellt, wo wir als Team KIT-Sch-GE mehrfach unter den Top-Drei landeten, darunter zwei erstklassige Ergebnisse, die mit einem einzigen Segmentierungsmodell für die vielfältigen Datensätze erzielt wurden.