Segmentierung patchiger Bereiche in biomedizinischen Bildern basierend auf der Schätzung der lokalen Kantendichte

Wir schlagen einen effektiven Ansatz für die semi-automatisierte Segmentierung biomedizinischer Bilder basierend auf deren Fleckigkeit vor, der auf der lokalen Kantendichteschätzung beruht. Unser Ansatz erfordert keine vorherige Lernphase oder Feinabstimmung, wobei lediglich einige frei wählbare Parameter, die direkt vom Endanwender kontrolliert werden können, jeweils die Analyseauflösung und Empfindlichkeit einstellen. Wir zeigen explizit, dass die lokale Kantendichte eine hervorragende Korrelation mit der Zellmonolaghendichte aufweist, die durch manuelle Bewertung durch fachkundige Experten ermittelt wurde, gekennzeichnet durch Korrelationskoeffizienten. Unsere Ergebnisse deuten darauf hin, dass der vorgeschlagene Algorithmus in der Lage ist, die Segmentierung und Quantifizierung fleckiger Bereiche in verschiedenen biomedizinischen Mikroskopaufnahmen effizient durchzuführen. Insbesondere erreicht der Algorithmus bei der Segmentierung von Bildbereichen, die mit einem Zellmonolayer in einem in-vitro-Schabeproben-Test bedeckt sind, mediane Genauigkeiten zwischen 95 % und 99 %. Zudem unterscheidet der vorgeschlagene Algorithmus wirksam zwischen ursprünglichen und regenerierten Gewebestücken in mikroskopischen Aufnahmen histologischer Schnitte, was sich in einer nahezu dreifach höheren lokalen Kantendichte in den entsprechenden Bildbereichen zeigt. Wir gehen davon aus, dass die Schätzung der lokalen Kantendichte zukünftig als Ersatz- oder Ergänzungsquelle zur konventionellen, zell- oder gewebespezifischen Fluoreszenzmarkierung eingesetzt werden könnte, um in bestimmten Fällen komplexe experimentelle Protokolle zu vermeiden oder zu reduzieren. Wir haben ein einfaches, quelloffenes Softwaretool implementiert, das eine Echtzeit-Visualisierung ermöglicht und einen unkomplizierten Feedback-Prozess durch fachkundige Experten ohne spezifische Expertise in Bildanalyse-Techniken erlaubt. Unser Tool ist kostenlos über https://gitlab.com/digiratory/biomedimaging/bcanalyzer online verfügbar.