Directly to content
  1. Publishing |
  2. Search |
  3. Browse |
  4. Recent items rss |
  5. Open Access |
  6. Jur. Issues |
  7. DeutschClear Cookie - decide language by browser settings

GPU-basierte Verfahren zur Segmentierung biomedizinischer Bilddaten

Lösel, Philipp David

English Title: GPU-based methods for segmenting biomedical image data

[thumbnail of thesis_philipp_lösel.pdf]
Preview
PDF, German - main document
Download (16MB) | Lizenz: Creative Commons LizenzvertragGPU-basierte Verfahren zur Segmentierung biomedizinischer Bilddaten by Lösel, Philipp David underlies the terms of Creative Commons Attribution-NonCommercial-NoDerivatives 4.0

Citation of documents: Please do not cite the URL that is displayed in your browser location input, instead use the DOI, URN or the persistent URL below, as we can guarantee their long-time accessibility.

Abstract

Die Analyse medizinischer und biologischer Bilddaten erfordert häufig die Isolierung einzelner Strukturen aus einem 3D-Volumen durch Segmentierung. Trotz einer Vielzahl halb- und vollautomatischer Verfahren erfolgt die Bildsegmentierung oft noch manuell und gilt nach wie vor für viele Szenarien als die arbeitsintensivste und zeitaufwendigste Aufgabe innerhalb der 3D-Bildanalyse. Die herkömmliche manuelle Segmentierung vieler Schichten, gefolgt von einer linearen Interpolation und einer manuellen Korrektur der Ergebnisse verhindert jedoch in vielen Fällen die Analyse einer großen Anzahl von Proben. In dieser Arbeit wird darum ein neues parameterfreies Verfahren zur halbautomatischen Segmentierung großer komplexer 3D-Bilddaten entwickelt, das auf einer Interpolation von wenigen manuell vorsegmentierten Schichten basiert, wobei es den gesamten zugrunde liegenden volumetrischen Bilddatensatz berücksichtigt. Die Interpolation erfolgt durch gewichtete Random Walks, deren Unabhängigkeit voneinander eine Berechnung durch massiv parallele Hardware, wie den Grafikprozessoren (GPUs), ermöglicht. Anhand einer vielfältigen Auswahl von Beispieldatensätzen wird gezeigt, dass dieses GPU-basierte Verfahren, insbesondere bei der Segmentierung sehr großer komplexer Bilddaten, wie sie typischerweise in der Mikro-Computertomographie (µCT) entstehen, dazu in der Lage ist, sowohl den Zeit- und Arbeitsaufwand erheblich zu reduzieren als auch die Qualität der Ergebnisse deutlich zu steigern. Dabei erreicht es eine deutliche Beschleunigung und höhere Genauigkeit gegenüber dem konventionellen Ansatz der fast ausschließlich manuellen Segmentierung und auch gegenüber den am weitesten verbreiteten Segmentierungsalgorithmen. Die GPU-basierten Random Walks sind insbesondere dann geeignet, wenn wenig Vorwissen über das zu segmentierende Objekt vorhanden ist, zum Beispiel bei der Beschreibung einer neu entdeckten Art, oder zum Erstellen von Trainingsdaten für ein anschließendes maschinelles Lernen. Um darüber hinaus bei der Segmentierung vieler ähnlicher Proben eine weitgehend automatische Segmentierung zu ermöglichen, wird hier zusätzlich ein auf künstlichen neuronalen Netzen basierendes Verfahren vorgestellt und anhand von 110 µCT-Scans von Honigbienengehirnen evaluiert. Ergänzend wird auf Basis der entwickelten Algorithmen die neue Online-Segmentierungsplattform Biomedisa präsentiert. Die Plattform ist über einen Webbrowser zugänglich und erfordert keine komplexe und langwierige Konfiguration von Software- und Modellparametern. Sie richtet sich gezielt an die Bedürfnisse von Wissenschaftlern/-innen, die nicht über umfangreiche Computer- und Softwarekenntnisse verfügen. Die integrierten GPU-basierten Methoden ermöglichen eine intuitive Anwendung für verschiedene bildgebende Verfahren innerhalb eines breiten Spektrums wissenschaftlicher Disziplinen. Die Plattform wurde bereits in mehreren Studien erfolgreich eingesetzt. Darüber hinaus ermöglicht ihr modularer Aufbau eine leichte Erweiterung der hier vorgestellten Kernfunktionen um weitere benutzerspezifische Funktionalitäten.

Translation of abstract (English)

The analysis of medical and biological image data often requires the isolation of individual structures from a 3D volume by means of segmentation. Despite a large number of semi-automatic and fully automatic methods, image segmentation is often still done manually and is still considered the most labor-intensive and time-consuming task within 3D image analysis for many scenarios. In particular, the analysis of a large quantity of samples is often severely limited by the traditional manual segmentation of many slices with subsequent linear interpolation and manual correction of the results. In this thesis, a new parameter-free method for the semi-automatic segmentation of large and complex 3D image data is developed. The segmentation is based on a smart interpolation of sparsely pre-segmented slices, taking into account the entire underlying volumetric image data. The interpolation is carried out using weighted random walks. The independence of the random walks enables a calculation using massively parallel computer architectures such as graphics processing units (GPUs). Using a diverse selection of sample datasets, it is shown that this GPU-based method can drastically reduce both time and human effort required for segmenting large images, as are typically generated by micro-computed tomography (µCT). It achieves a significant acceleration and higher accuracy compared to the conventional approach of almost exclusively manual segmentation as well as to most widespread semi-automatic segmentation algorithms. The GPU-based random walks are particularly valuable when there is little a priori knowledge about the object to be segmented, for example when describing a newly discovered species or for creating training data for subsequent machine learning. In order to enable a largely automatic segmentation when segmenting many similar samples, a method based on artificial neural networks is also presented here and evaluated using 110 µCT scans of honeybees' brains. In addition, based on the algorithms developed, the new online segmentation platform Biomedisa will be presented. The platform is accessible via web browser and does not require complex and tedious software configuration or parameter optimization. It is specifically aimed at the needs of scientists who do not have extensive computer and software knowledge. The integrated GPU-based methods enable intuitive application to various imaging modalities in a wide range of scientific disciplines. The platform has already been used successfully in several studies. Moreover, due to the modular structure of the platform, its core functions can easily be expanded to include additional user-specific functions.

Document type: Dissertation
Supervisor: Heuveline, Prof. Dr. Vincent
Place of Publication: Heidelberg
Date of thesis defense: 7 April 2022
Date Deposited: 22 Apr 2022 08:43
Date: 2022
Faculties / Institutes: The Faculty of Mathematics and Computer Science > Dean's Office of The Faculty of Mathematics and Computer Science
Service facilities > Interdisciplinary Center for Scientific Computing
DDC-classification: 000 Generalities, Science
004 Data processing Computer science
500 Natural sciences and mathematics
510 Mathematics
Controlled Keywords: Bilddatenverarbeitung, Bild / Segmentierung, Automatische Bildverarbeitung, Artificial intelligence
Uncontrolled Keywords: Multi-GPU computing Hardware-aware computing
About | FAQ | Contact | Imprint |
OA-LogoDINI certificate 2013Logo der Open-Archives-Initiative