Dichte zelluläre Segmentierung für EM mittels 2D–3D neuronalen Netzwerk-Ensembles

Biologen, die Elektronenmikroskopie-(EM)-Bilder verwenden, um nanoskalige 3D-Modelle ganzer Zellen und ihrer Organellen zu erstellen, waren historisch auf kleine Zell- und Zellstrukturnummern beschränkt, bedingt durch Einschränkungen in der Bildgebung und Analyse. Dies war ein wesentlicher Faktor, der die Einsicht in die komplexe Variabilität zellulärer Umgebungen einschränkte. Moderne EM-Verfahren können Gigavoxel-Bildvolumina erzeugen, die große Zellzahlen enthalten, doch die genaue manuelle Segmentierung von Bildmerkmalen ist langsam und begrenzt die Erstellung von Zellmodellen. Segmentierungsalgorithmen basierend auf Faltungsneuralen Netzen können große Volumina schnell verarbeiten, erreichen jedoch oft nicht die Genauigkeitsziele für EM-Aufgaben, was aktuelle Techniken herausfordert. Hier definieren wir die dichte zelluläre Segmentierung als eine Multiklassen-Semantik-Segmentierungsaufgabe zur Modellierung von Zellen und großen Zahlen ihrer Organellen und zeigen ein Beispiel an menschlichen Blutplättchen. Wir präsentieren einen Algorithmus, der neuartige hybride 2D–3D-Segmentierungsnetzwerke nutzt, um dichte zelluläre Segmentierungen mit Genauigkeitsniveaus zu erzeugen, die Baseline-Methoden übertrifft und die Leistung menschlicher Annotationen annähert. Soweit uns bekannt ist, stellt diese Arbeit den ersten veröffentlichten Ansatz dar, der die automatisierte Erstellung von Zellmodellen mit diesem Grad an struktureller Detailgenauigkeit ermöglicht.