Smart Brain Data Analyse — Ansatz zum maschinellen Lernen für eine Hintergrundsegmentierung des 3D-Bildvolumens eines Gehirngewebeblocks

Smart Brain Data Analytics

Das Projekt basiert auf einer Datenbank mit rund 700 Bildern, die aufeinanderfolgende Gewebeschnitte des menschlichen Gehirns zeigen – wie sie typischerweise bei der hochauflösenden 3D-Modellierung verwendet werden. Solche 3D-Modelle sind Teil aktueller Spitzenforschungsprojekte des Forschungszentrums in Jülich, beispielsweise des EU-Vorzeigeprojekts „Human Brain Project“.

Das Gehirn, das unserem Bilddatensatz zugrunde liegt, wurde bei -80 ° C eingefroren und in einem Kryotom in 70 μm dünne Schnitte geschnitten. Vor dem nächsten Schnitt und der Fixierung des jeweiligen Gewebeschnitts auf einem Glassubstrat wurde jede Schnittfläche des Gewebeblocks mit einer Industriekamera abgetastet (Blockface-Bild). Diese Blockflächenbilder sind später als Referenzbilder für die korrekte Form des Gewebes wichtig, da bei der Fixierung auf dem Glassubstrat die Gewebeschnitte oft deformiert und manchmal auch beschädigt werden. Es ist jedoch möglich, später aufgenommene Bilder der fixierten Gewebeschnitte unter Verwendung der Blockface-Bilder zu überarbeiten, damit die ursprüngliche Form des Gewebes so korrekt wie möglich reproduziert werden kann.

Algorithmen für maschinelles Lernen (z. B. Support Vector Machines) benötigen Datensätze für automatisierte Lernprozesse (“Labeled Data”). Aus diesem Grund hat eine sehr zeitaufwändige manuelle Markierung der Bildinformationen bereits einmal stattgefunden. Die Automatisierung wird derzeit mit Hilfe der SDIL-Plattform und der verfügbaren IBM-Lösungen untersucht.

Die Aufgabe besteht darin, den 3D-Stapel der Blockface-Bilder so zu maskieren, dass

  1. nur das Hirngewebe der Schnittfläche sichtbar ist

  2. die 3D-Oberfläche so korrekt wie möglich extrahiert wird

Die hochauflösenden Bilder der Gewebeschnitte werden in ein anatomisch einheitliches 3D-Volumen zurücktransferiert. Bei den hochkomplexen Bildregistrierungsverfahren, die diesem Projekt zugrunde liegen, werden die Blockface-Bilder als Referenz verwendet. So können beispielsweise Volumen, Struktur und Form des Gehirns visualisiert werden. Darüber hinaus können die Grenzen von Hirnregionen kartiert und erforscht werden.

“Together with SDIL, we have ventured into the depths of the human brain” says Timo Dickscheid from Forschungszentrum Jülich. “We used more than 700 images of successive tissue sections of the human brain to investigate new approaches for efficient image segmentation, based on machine learning algorithms.”

Data Innovation Community

Medicine

Projektpartner

FZ Jülich, KIT, IBM

Ansprechpartner

Timo Dickscheid, t.dickscheid@fz-juelich.de

Zeitraum

Mai – Dez. 2015