eprintid: 11100
rev_number: 6
eprint_status: archive
userid: 1
dir: disk0/00/01/11/00
datestamp: 2010-10-12 14:04:23
lastmod: 2014-04-03 22:10:47
status_changed: 2012-08-15 08:55:38
type: doctoralThesis
metadata_visibility: show
creators_name: Sommer, Christoph
title: Interactive Learning for the Analysis of Biomedical and Industrial Imagery
title_de: Interaktives Lernen für die Biomedizinische und Industrielle Bildverarbeitung
ispublished: pub
subjects: ddc-004
divisions: i-110300
adv_faculty: af-11
keywords: High-troughput image analysis
cterms_swd: Maschinelles Lernen
cterms_swd: Bildverarbeitung
cterms_swd: Bildsegmentierung
abstract: In der vorliegenden Dissertation werden Methoden des überwachten Lernens untersucht und auf die Analyse und die Segmentierung digitaler Bilddaten angewendet, die aus diversen Forschungsgebieten stammen. Die Segmentierung und die Klassifikation spielen eine wichtige Rolle in der biomedizinischen und industriellen Bildverarbeitung, häufig basiert darauf weitere Erkennung und Quantifikation. Viele problemspezifische Ansätze existieren für die unterschiedlichsten Fragestellungen und nutzen meist spezifisches Vorwissen aus den jeweiligen Bilddaten aus. In dieser Arbeit wird ein überwachtes Lernverfahren vorgestellt, das mehrere Objekte und deren Klassen gleichzeitig segmentieren und unterscheiden kann. Die Methode ist generell genug um einen wichtigen Bereich von Anwendungen abzudecken, für deren Lösung lokale Merkmale eine Rolle spielen. Segmentierungsergebnisse dieses Ansatzes werden auf verschiedenen Datensätzen mit unterschiedlichen Problemstellungen gezeigt. Die Resultate unterstreichen die Anwendbarkeit der Lernmethode für viele biomedizinische und industrielle Anwendungen, ohne dass explizite Kenntnisse der Bildverarbeitung und Programmierung vorausgesetzt werden müssen. Der Ansatz basiert auf generellen Merkmalsklassen, die es erlauben lokal Strukturen wie Farbe, Textur und Kanten zu beschreiben. Zu diesem Zweck wurde eine interaktive Software implementiert, welche, für gewöhnliche Bildgrößen, in Echtzeit arbeitet und es somit einem Domänenexperten erlaubt Segmentierungs- und Klassifikationsaufgaben interaktiv zu bearbeiten. Dafür sind keine Kenntnisse in der Bildverarbeitung nötig, da sich die Benutzerinteraktion auf intuitives Markieren mit einem Pinselwerkzeug beschränkt. Das interaktiv trainierte System kann dann ohne weitere Benutzerinteraktion auf viele neue Bilder angewendet werden. Der Ansatz ist auf Segmentierungsprobleme beschränkt, für deren Lösung lokale diskriminative Merkmale ausreichen. Innerhalb dieser Einschränkung zeigt der Algorithmus jedoch erstaunlich gute Resultate, die in einer applikationsspezifischen Prozedur weiter verbessert werden können. Das Verfahren unterstützt bis zu vierdimensionale, multispektrale Bilddaten in vereinheitlichter Weise. Um die Anwendbar- und Übertragbarkeit der Methode weiter zu illustrieren wurden mehrere echte Anwendungsfälle, kommend aus verschiedenen bildgebenden Bereichen, untersucht. Darunter sind u. A. die Segmentierung von Tumorgewebe, aufgenommen mittelsWeitfeldmikroskopie, die Quantifikation von Zellwanderungen in konfokalmikroskopischen Aufnahmen für die Untersuchung der adulten Neurogenese, die Segmentierung von Blutgefäßen in der Retina des Auges, das Verfolgen von Kupferdrähten in einer Anwendung zur Produktauthentifikation und die Qualitätskontrolle von Mikroskopiebildern im Kontext von Hochdurchsatz-Experimenten. Desweiteren wurde eine neue Klassifikationsmethode basierend auf globalen Frequenzschätzungen für die Prozesskontrolle des Papieranlegers an Druckmaschinen entwickelt.
abstract_translated_text: In this thesis methods and applications of supervised learning for the segmentation and analysis of digital imagery coming from a variety of research domains are investigated. Segmentation and classification are important tasks in biomedical and industrial imaging and often provide the basis for recognition and quantification. Various specialized solutions exist for an enormous amount of distinct types of data and these are usually designed to meet and exploit given domain knowledge. In this work, an interactive supervised learning framework is proposed that is able to tackle multi-object segmentation and multi-class discrimination in a unified way. The method is general enough to cover a reasonable range of use cases in which local image descriptors are sufficient. The performance of the segmentation results is demonstrated on various data sets with distinct tasks to solve. This emphasizes the versatility of this approach to many biomedical and industrial data sets without requiring explicit image processing expertise and the need for custom programming. The approach builds upon a generic feature set that is able to characterize local cues such as color, texture and edges. To this end, an interactive tool that performs real-time processing on usual image sizes was developed, enabling domain experts to perform segmentation and classification tasks in an explorative fashion. No prior expertise in image processing is required since user interaction is facilitated via intuitive brush strokes. Once the algorithm/system has been trained, it can be applied to thousands of images with no further interaction with the user. The approach is limited to the segmentation of objects that can be discriminated based on local cues such as color or texture; but within this setting, the supervised framework yields surprisingly good results; on top of those, application-dependent post-analysis can be applied. The framework supports up to 4-dimensional multi-spectral data in an integrated fashion. In order to show the applicability and transferability of the method, several real world data sets – from very diverse imaging fields – are examined. Among them is the segmentation of tumor tissue from fluorescent wide-field microscopy, quantification of cell migration in confocal microscopy images for surveys on adult neurogenesis, segmentation of blood vessels in the retina of the eye, tracing of copper wires spread on tags for brand-owner authentication in an industrial context, and the application to image quality control for high-throughput siRNA screens. Furthermore an industrial problem is considered: a novel sequence classification procedure on the basis of localized frequency estimates is proposed for the process control and visualization of the sheet-feeding process for offset printing machines.
abstract_translated_lang: eng
date: 2010
date_type: published
id_scheme: DOI
id_number: 10.11588/heidok.00011100
ppn_swb: 655501940
own_urn: urn:nbn:de:bsz:16-opus-111000
date_accepted: 2010-07-05
advisor: HASH(0x55e0f7d55fc0)
language: eng
bibsort: SOMMERCHRIINTERACTIV2010
full_text_status: public
citation:   Sommer, Christoph  (2010) Interactive Learning for the Analysis of Biomedical and Industrial Imagery.  [Dissertation]     
document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/11100/1/dissFinalPrint_for5_small.pdf