DeepCeNS: Ein end-to-end-Pipeline für Zell- und Kernsegmentierung in mikroskopischen Bildern

In den letzten zehn Jahren hat die Entwicklung der tiefen Lernverfahren dazu geführt, dass zahlreiche bisher als anspruchsvoll erscheinende biomedizinische Probleme nunmehr lösbar sind. Die Einführung architektonischer Ansätze wie U-Net und Mask R-CNN hat den Weg für eine Vielzahl von Objekterkennungs- und Segmentierungsaufgaben in unterschiedlichen Anwendungsbereichen geebnet – von der Sicherheitstechnik bis hin zu biomedizinischen Anwendungen. Im Bereich der Zellbiologie stellt die Lichtmikroskopie eine kostengünstige und leicht zugängliche Quelle roher Daten dar, die zur Untersuchung biologischer Phänomene genutzt werden kann. Durch die Kombination dieser Daten mit Techniken des tiefen Lernens lassen sich menschliche Erkrankungen effizient diagnostizieren, und der Prozess der Behandlungsentwicklung kann erheblich beschleunigt werden. In der mikroskopischen Bildgebung stellt die präzise Segmentierung einzelner Zellen einen entscheidenden Schritt dar, um tiefere Einblicke in die zelluläre Heterogenität zu gewinnen. Um die oben genannten Herausforderungen anzugehen, wird in diesem Artikel DeepCeNS vorgestellt, ein Ansatz zur Detektion und Segmentierung von Zellen und Zellkernen in mikroskopischen Bildern. Zur Evaluierung des vorgeschlagenen Pipelines wurde der EVICAN2-Datensatz verwendet, der mikroskopische Bilder aus einer Vielzahl von Mikroskopen mit zahlreichen Zellkulturen enthält. DeepCeNS erreicht auf dem EVICAN2-Datensatz eine deutlich bessere Leistung als EVICAN-MRCNN.