eprintid: 37375
rev_number: 41
eprint_status: archive
userid: 9291
dir: disk0/00/03/73/75
datestamp: 2025-10-09 11:30:01
lastmod: 2025-10-13 12:28:46
status_changed: 2025-10-09 11:30:01
type: doctoralThesis
metadata_visibility: show
creators_name: Yu, Qin
title: Robust and Accessible Segmentation of Cells and Nuclei in 3D Microscopy
title_de: Robuste und zugängliche Segmentierung von Zellen und Zellkernen in der 3D-Mikroskopie
subjects: ddc-004
subjects: ddc-500
subjects: ddc-570
divisions: i-140001
divisions: i-850800
adv_faculty: af-14
keywords: Bioimage, Bioimage Informatics, Bioimage Analysis, Image Analysis, Bioimage-Informatik, Bioimage-Analyse, Bildanalyse
cterms_swd: Deep Learning
cterms_swd: Maschinelles Lernen
cterms_swd: Maschinelles Sehen
cterms_swd: Mikroskopie
cterms_swd: Segmentierung
cterms_swd: Bioinformatik
abstract: Volumetric microscopy reveals unprecedented details of cells and subcellular structures across diverse biological tissues. However, harnessing these complex datasets requires robust segmentation methods that maximise the use of multi-channel information while minimising the need for expert annotation. In this thesis, I introduce scalable workflows that reduce reliance on extensive expert labelling while enhancing segmentation accuracy under realistic imaging conditions.

First, I present GoNuclear, a versatile toolkit for three-dimensional (3D) nuclear segmentation of plant tissues stained with the affordable, broadly applicable DNA-binding dye TO-PRO-3. Unlike genetically encoded markers, which require laborious transformations, TO-PRO-3 can be directly applied to fixed and cleared tissues, greatly simplifying nuclear segmentation in non-model species. By leveraging human-in-the-loop annotations and carefully curated datasets, GoNuclear provides accurate segmentation from weak, noisy signals and generalises effectively across diverse tissues and staining modalities. This enables downstream analyses such as nuclear size control, nuclear-to-cell volume ratios, and spatial gene expression.

Next, I describe substantial enhancements to PlantSeg, a deep-learning-based toolkit for 3D tissue segmentation. Version 2.0 features an interactive Napari-based interface, integration with the BioImage Model Zoo, sparse instance segmentation support, automatic optimisation of patch and halo sizes, and powerful proofreading tools. These improvements enable the accurate segmentation of both cells and nuclei in complex microscopy volumes, making advanced computational methods more accessible to the scientific community.

I then introduce SPOCO, an embedding-based instance segmentation method requiring minimal annotations. Through targeted transfer learning, SPOCO adapts models trained on limited annotated datasets to new imaging domains, significantly reducing annotation requirements while preserving segmentation quality. I also demonstrate computational efficiency gains through dimensionality reduction and novel clustering strategies, establishing SPOCO as a practical solution for large-scale analyses.

Finally, I show how multi-channel bioimage analysis can substantially improve segmentation and tracking accuracy. By integrating complementary chemical stains, multiple imaging modalities, temporal sequences, and various biological structures into a single dataset, these strategies enhance both the accuracy and interpretability of segmentation outcomes, particularly under challenging imaging conditions.

Together, these contributions advance 3D bioimage segmentation by minimising annotation burdens and improving segmentation performance under realistic conditions. This work provides practical, user-friendly solutions for precise, large-scale biological analyses, opening new avenues for the investigation of developmental biology, cellular architecture, and morphogenesis in a wide range of plant and animal systems.
abstract_translated_text: Die volumetrische Mikroskopie liefert bislang ungeahnte Einblicke in Zellen und subzelluläre Strukturen unterschiedlichster biologischer Gewebe. Die Analyse dieser komplexen Datensätze erfordert jedoch robuste Segmentierungsmethoden, die Mehrkanal-Informationen optimal ausnutzen und gleichzeitig den Bedarf an Expertenannotationen reduzieren. In dieser Dissertation stelle ich skalierbare Workflows vor, die den Umfang aufwändiger manueller Annotationen reduzieren und zugleich die Segmentierungsgenauigkeit unter realistischen Bildgebungsbedingungen verbessern.

Zunächst präsentiere ich GoNuclear, eine vielseitige Toolbox zur dreidimensionalen (3D) Segmentierung von Zellkernen in Pflanzengeweben, die mit dem kostengünstigen und breit einsetzbaren DNA-bindenden Farbstoff TO-PRO-3 markiert wurden. Anders als genetisch kodierte Marker, die aufwändige genetische Transformationen erfordern, lässt sich TO-PRO-3 direkt auf fixierte und geklärte Gewebeproben anwenden, was insbesondere die Kernsegmentierung in Nicht-Modellorganismen stark vereinfacht. Durch Integration von menschlich unterstützten Annotationen und sorgfältig kuratierten Datensätzen ermöglicht GoNuclear eine präzise Segmentierung auch bei schwachen und verrauschten Signalen sowie eine gute Generalisierbarkeit auf verschiedene Gewebe und Färbetechniken. Dadurch werden nachfolgende Analysen wie Kontrolle der Kerngröße, Kern-zu-Zell-Volumenverhältnisse und räumliche Genexpressionsanalysen erleichtert.

Im Folgenden beschreibe ich wesentliche Verbesserungen an PlantSeg, einer auf Deep Learning basierenden Toolbox zur 3D-Gewebesegmentierung. Version 2.0 bietet eine interaktive, Napari-basierte Benutzeroberfläche, Integration in den BioImage Model Zoo, Unterstützung bei spärliche Instanzsegmentierung, automatische Optimierung von Patch- und Halo-Größen sowie leistungsfähige Korrekturwerkzeuge. Diese Erweiterungen ermöglichen eine präzise Segmentierung sowohl von Zellen als auch Zellkernen in komplexen Mikroskopiedaten und machen fortgeschrittene rechnergestützte Methoden für die wissenschaftliche Gemeinschaft leichter zugänglich.

Danach stelle ich SPOCO vor, eine einbettungsbasierte Methode zur Instanzsegmentierung, die nur minimale Annotationen benötigt. Durch gezieltes Transferlernen überträgt SPOCO Modelle, die mit wenigen annotierten Datensätzen trainiert wurden, effizient auf neue Bildgebungsbereiche. Dadurch reduziert sich der Annotationsaufwand erheblich, während die Segmentierungsqualität erhalten bleibt. Zusätzlich zeige ich Verbesserungen der Recheneffizienz durch Dimensionsreduktion und neuartige Clustering-Strategien auf und etabliere SPOCO damit als praktikable Lösung für großangelegte Analysen.

Schließlich zeige ich, wie mehrkanalige Bildanalysen von Mikroskopiedaten die Segmentierungs- und Tracking-Genauigkeit deutlich verbessern können. Durch die Integration komplementärer chemischer Färbungen, multipler Bildgebungsmodalitäten, zeitlicher Sequenzen und unterschiedlicher biologischer Strukturen in einem einzigen Datensatz erhöhen diese Strategien sowohl die Genauigkeit als auch die Interpretierbarkeit von Segmentierungsergebnissen, insbesondere bei herausfordernden Bildgebungsbedingungen.

Insgesamt tragen diese Beiträge zur Weiterentwicklung der 3D-Segmentierung von Mikroskopiedaten bei, indem sie den Annotationsaufwand verringern und zugleich die Segmentierungsleistung unter realistischen Bedingungen verbessern. Diese Arbeit liefert praxisnahe und benutzerfreundliche Lösungen für präzise, großskalige biologische Analysen und eröffnet neue Möglichkeiten zur Untersuchung entwicklungsbiologischer Prozesse, zellulärer Architektur und Morphogenese in einer Vielzahl pflanzlicher und tierischer Systeme.
abstract_translated_lang: ger
date: 2025
id_scheme: DOI
id_number: 10.11588/heidok.00037375
ppn_swb: 1938302680
own_urn: urn:nbn:de:bsz:16-heidok-373755
date_accepted: 2025-07-04
advisor: HASH(0x564eeee98cd8)
language: eng
bibsort: YUQINROBUSTANDA20250417
full_text_status: public
place_of_pub: Heidelberg
citation:   Yu, Qin  (2025) Robust and Accessible Segmentation of Cells and Nuclei in 3D Microscopy.  [Dissertation]     
document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/37375/2/thesis-yu-1.0.6-2025-10-01-digital-300dpi.pdf
document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/37375/1/thesis-yu-1.0.6-2025-10-01-digital.pdf