German Title: Automatische Segmentierung für die Konnektomik unter Berück- sichtigung komplexen biologischen Vorwissens

Preview

PDF, English Download (27MB) | Terms of use

Abstract

This thesis presents novel methodological approaches for the automated segmentation of neurons from electron microscopic image volumes using machine learning techniques. New potentials for neural segmentation are revealed by incorporating (high-level) biological prior knowledge. This goes beyond the modeling of neural tissue which has been applied for the purpose of its segmentation, so far. Firstly, the V-Multicut algorithm is introduced which enables the consideration of topological constraints for segmented membranes. In this way, biologically implausible appearances of membranes are corrected. Secondly, this thesis proves that, in addition to local evidence and topological requirements for the detection of neural membranes, the consideration of high-level biological prior knowledge is beneficial. For this task, both the recently proposed Asymmetric Multiway Cut and the introduced Semantic Agglomerative Clustering algorithm are implemented and quantitatively evaluated. To be precise, the spatial separation of dendrites and axons in mammals is exploited to significantly improve the segmentation quality. Additionally, new ways to improve the scalability of the used algorithms are presented. All in all this thesis serves as another step towards fully automated segmentation of neurons and contributes to the field of connectomics.

Translation of abstract (German)

Diese Dissertation stellt neue Methoden für die automatische Segmentierung von Neu- ronen auf der Basis elektronenmikroskopischer Aufnahmen vor, die sich auf Techniken aus dem Bereich des maschinellen Lernens stützen. Es wird aufgezeigt, wie komplexe biologische Zusammenhänge berücksichtigt werden können. Zum einen wird der V-Multicut eingeführt, der es ermöglicht topologische Bedingun- gen an die Detektion der neuronalen Membranen zu stellen. So können biologisch un- plausible Membranverläufe korrigiert werden. Des Weiteren wird gezeigt wie, zusätzlich zur lokalen Membrandetektion und topologischen Kriterien, die Berücksichtigung kom- plexer biologischer Zusammenhänge von Vorteil ist. Für die Umsetzung dieser Aufgabe erweisen sich sowohl der Asymmetric Multiway Cut als auch der hier vorgestellte Semman- tic Agglomerative Clustering Algorithmus als geeignet. Konkret wird die in Säugetieren beobachtbare örtliche Trennung von Axonen und Dendriten ausgenutzt, um eine sig- nifikante Verbesserung der Segmentierungsqualität zu erwirken. Weiterhin werden neue Ansätze präsentiert, welche die Skalierbarkeit der verwende- ten Algorithmen verbessern. Zusammengefasst leistet diese Arbeit einen Beitrag zum Forschungsfeld Connectomics indem sie die automatische Segmentierung von Neuronen vorantreibt.