German Title: Leicht zugängliches Deep Learning für die biologische Bildanalyse

Preview

PDF, English Download (14MB) | Lizenz: Accessible Deep Learning for Bio-Image Analysis by Beuttenmüller, Fynn underlies the terms of Creative Commons Attribution 4.0

Abstract

Bioimage analysis is undergoing groundbreaking transformations in the advent of deep learning. AI powered tools bring unrivaled capabilities to the analysis of biological images that allow us to extract novel insights at an unprecedented rate. In this thesis I present two major contributions towards making deep learning more accessible and impactful for the bioimaging community.

First, I introduce a novel hybrid microscopy technique that utilizes advanced reconstruction models to capture volumetric recordings of highly dynamic samples with exceptional image fidelity. I leverage the efficacy of deep learning to integrate complementing microscopy approaches which extends the pool of viable biological studies. With a focus on continuous validation the system allows experimentalists to reliably analyze their data in a quantitative manner and demonstrates how the power of deep learning can be used responsibly.

Furthermore I made key contributions to establish a FAIR community-driven model zoo for bioimage analysis. The platform facilitates knowledge sharing by increasing the discoverability and dissemination of pretrained deep learning models, biological image datasets and related computational tools. It accelerates the responsible adoption of AI techniques in the bioimaging field by fostering reproducibility and transparency. The central model zoo enables interoperability across a growing number of community partner software programs and empowers biologists to integrate state-of-the-art neural networks in their research without friction. This collaborative effort aims to democratize the use of deep learning in bioimaging, making cutting-edge technologies more accessible and user-friendly for a diverse scientific audience.

Translation of abstract (German)

Die biologische Bildanalyse verändert sich wegweisend durch den Einsatz von Deep Learning. Neue KI-gestützte Möglichkeiten bei der Analyse biologischer Bilder lassen uns neuartige Erkenntnisse in beispielloser Geschwindigkeit gewinnen. In dieser Dissertation präsentiere ich zwei wesentliche Beiträge, um die Zugänglichkeit und Effektivität von Deep Learning Ansätzen im Bereich der biologischen Bildanalyse zu verbessern.

Zunächst stelle ich eine neuartige hybride Mikroskopietechnik vor, die fortschrittliche Rekonstruktionsmodelle nutzt, um volumetrische Aufnahmen sehr dynamischer Proben in außergewöhnlicher Bildqualität zu erfassen. Ich nutze die Wirksamkeit von Deep Learning, um komplementäre Mikroskopieansätze zu integrieren, wodurch die Bandbreite möglicher biologischer Studien erweitert wird. Mit einem Fokus auf kontinuierliche Validierung unterstützt das System Forscher darin, ihre Daten zuverlässig und quantitativ zu analysieren, und zeigt, wie das Potenzial von Deep Learning verantwortungsvoll genutzt werden kann.

Darüber hinaus präsentiere ich grundlegende Beiträge zum Etablieren einer FAIRen, Community-verwalteten Sammlung von Modellen für die biologische Bildanalyse. Die neue Plattform erleichtert den Wissensaustausch, indem sie die Verbreitung vortrainierter Deep-Learning-Modelle, biologischer Datensätze und relevanter Computerprogramme verbessert. Sie beschleunigt die verantwortungsvolle Einführung von KI-Techniken im Bereich der biologischen Bildverarbeitung durch die Förderung von Reproduzierbarkeit und Transparenz. Die zentrale Modellsammlung ermöglicht die Interoperabilität zwischen einer wachsenden Anzahl von Community-Partner-Softwareprogrammen und befähigt Biologen, hochmoderne neuronale Netze reibungslos in ihre Forschung zu integrieren. Dieses kollaborative Projekt zielt darauf ab, die Nutzung von Deep Learning für die biologische Bildanalyse zu demokratisieren, um einer diversen wissenschaftlichen Gemeinschaft Spitzentechnologien leichter zugänglich zu machen.