Segmentation of Cell Nuclei in Large-Scale Multichannel Image Data of Organoids

Bc. Jan Juračka

Master's thesis

Abstract:

Segmentace zajímavých objektů, jako jsou buněčná jádra, v mikroskopickém obrazu, náročný úkol. V dnešní době diktují state-of-the-art vlastnosti v této oblasti neuronové sítě. Trénink těchto sítí však vyžaduje nezanedbatelné množství anotovaných dat. Získávání těchto dat je obtížný proces, který není ani vždy možný. Netriviální ztížení zmíněného problému dále plyne z faktu, že mikroskopická data bývají velkorozměrná a vícekanálová. Z toho důvodu musí být použité algoritmy efektivní, aby nedošlo k přetečení RAM nebo vyčerpání jiných zdrojů. V této diplomové práce byla s setavena posloupnost algoritmů pro segmentaci buněčných jader v dodaných fluorescenčních obrazech. I přes použití neuronové sítě v jedné z jejich částí, neuronová síť je předtrénovaná a nevyžaduje žádná další anotovaná data. Společně s touto posloupností byly vytvořeny algoritmy pro vyhodnocení informace získáné pomocí předchozí segmentace.

Abstract:

Segmenting objects of interest, such as cell nuclei, inside microscopy images is a challenging task. Convolutional neural networks dictate the state-of-the-art performance in biomedical image segmentation. Training such networks, however, require a non-negligible amount of annotated data. Obtaining such data in microscopy imaging is a difficult process, which might be even sometimes impossible. As a nontrivial addition to the previously mentioned problem, microscopy data often tend to be large-scale and multichannel. That implies that all used algorithms must be sufficiently efficient to finish the computation without overflowing RAM or taking too much time and other resources. In this diploma thesis, I created a pipeline to segment cell nuclei in provided fluorescence microscopy images. Despite using a neural network in one step of the algorithm, this neural network is pre-trained; therefore, the developed pipeline does not require any annotated data. The pipeline was designed to be easy to use, understandable, and, if needed, customizable. Together with the segmentation pipeline, algorithms that use computed segmentation for image quantification and information extraction, were also developed. These algorithms evaluate the amount of observed substance in segmented nuclei, given in a specific channel, and compare them with other channels. With this, one can obtain information about the concentration of different substances in cell nuclei and monitor their state and behavior.

Keywords

segmentace, analýza obrazu, kvantifikace mikroskopického obrazu, zpracování velkorozměrných dat, python, scikit-image

Language used: English

Date on which the thesis was submitted / produced: 16. 5. 2023

Thesis defence

• Date of defence: 22. 6. 2023
• Supervisor: doc. RNDr. Martin Maška, Ph.D.
• Reader: Mgr. Karel Štěpka, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Visual informatics / Image Processing and Analysis