gms | German Medical Science

MAINZ//2011: 56. GMDS-Jahrestagung und 6. DGEpi-Jahrestagung

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

26. - 29.09.2011 in Mainz

Evaluierung der interaktiven Zellsegmentierung mit Hilfe des Graph Cuts Algorithmus in Fluoreszenz-Mikroskop-Bildern

Meeting Abstract

  • Claudia Dach - Fraunhofer IIS, Erlangen
  • Christian Held - Fraunhofer IIS, Erlangen
  • Jens Wenzel - Friedrich-Alexander-Universität, Erlangen
  • Roland Lang - Friedrich-Alexander-Universität, Erlangen
  • Sven Friedl - Fraunhofer IIS, Erlangen
  • Ralf Palmisano - Friedrich-Alexander-Universität, Erlangen
  • Thomas Wittenberg - Fraunhofer IIS, Erlangen

Mainz//2011. 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi). Mainz, 26.-29.09.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11gmds501

doi: 10.3205/11gmds501, urn:nbn:de:0183-11gmds5010

Published: September 20, 2011

© 2011 Dach et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung: In Rahmen dieser Studie wurde der Graph Cuts (GC) Algorithmus von Boykov & Kolmogorov [1] auf Fluoreszenz-Mikroskop-Bildern mit verschiedenen Zelldichten angewandt. Die Arbeitshypothese dieser Studie war, dass Zellen von Interesse mit diesem interaktiven Ansatz schneller und trotzdem akkurat segmentiert werden können als mit einer rein manuellen Segmentierung. Die Anwendung des GC Algorithmus und dessen Ergebnisse wurden evaluiert und mit der manuellen Annotation verglichen. Somit wird in dieser Studie die Verwendbarkeit der GC Segmentierung auf Fluoreszenzbildern detailliert examiniert und bewertet.

Material und Methoden: Drei typische Fluoreszenzbilder mit verschiedenen Dichten von Makrophagen (22, 42 und 60 Zellen) wurden für das Experiment genutzt. Zwölf Probanden segmentierten zehn vorgegebene Zellen pro Bild zunächst mit Hilfe des GC Algorithmus und anschließend rein manuell. Für die GC Segmentierung wurden quantitative Parameter wie Geschwindigkeit, Anzahl der Eingabelinien und Anzahl der Korrekturen erfasst. Zudem wurde die Geschwindigkeit der manuellen Annotation ermittelt und mit der GC Segmentierung verglichen. Die Genauigkeit beider Segmentierungsergebnisse wurde mittels eines Vergleichs mit Referenzsegmentierungen eines Experten ermittelt und durch eine Kombination von Über- und Untersegmentierung sowie Überlappung berechnet [2].

Ergebnisse: Wenn sich die Zellen gut vom Hintergrund abheben, ist die GC Segmentierung (GC) schneller als die manuelle Annotation (MA) (durchschnittliche Zeit [sec] pro Bild: MA: 135; GC: 65). Falls die Zellen sehr dicht beieinander liegen, sind die Annotationszeiten von GC Segmentierung und manueller Annotation nicht signifikant verschieden (MA: 167; GC: 150). Bezogen auf die Genauigkeit, erreichen die Segmentierungsergebnisse des GC Algorithmus ähnlich gute Werte wie die der manuellen Annotation (durchschnittlicher Genauigkeitsgrad: MA: 0.90 ± 0.02; GC: 0.89 ± 0.01).

Diskussion: Die Nutzung des GC Algorithmus ist empfehlenswert für Bilder, in denen die Zellen sich durch erkennbare Kanten vom Hintergrund abheben. Ist dies der Fall, ist die GC Segmentierung schneller als die manuelle Annotation und die Genauigkeit ähnlich gut. Wird das GC Verfahren für Bilder verwendet, in denen die Zellumrandungen schwer erkennbar sind, gibt es, bezogen auf die Schnelligkeit und Genauigkeit, kaum Unterschiede zwischen GC und der manuellen Annotation.


Literatur

1.
Boykov Y, Kolmogorov V. An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision. IEEE Trans Pattern Anal Mach Intell. 2004; 26(9):1124-37.
2.
Rojas Dominguez A, Nandi AK. Improved Dynamic Programming-based algorithms for segmentation of masses in mammograms. Med Phys. 2007;34:4256-69.