Project

Back to overview

Candidate-Based Segmentation Methods for Biomedical Image Processing

Applicant Funke Jan
Number 165241
Funding scheme Early Postdoc.Mobility
Research institution Universitat Politècnica de Catalunya
Institution of higher education Institution abroad - IACH
Main discipline Information Technology
Start/End 01.09.2016 - 28.02.2018
Show all

Keywords (6)

Neural Reconstruction; Biomedical Image Processing; Electron Microscopy Image Segmentation; Neural Image Segmentation; Connectomics; Light Microscopy Image Segmentation

Lay Summary (German)

Lead
Die Auswertung biomedizinischer Bilder ist ein notwendiger Schritt in der Diagnostik von Krankheiten und in der Gewinnung neuer Erkenntnisse in der biologischen Grundlagenforschung. Aktuelle bildgebende Verfahren der Licht- oder Elektronmikroskopie erlauben die Visualisierung von Zellen und Zellkomponenten im Micrometer- bzw. Nanometer-Bereich. Die Menge der Bilddaten, die mit diesen Verfahren produziert werden kann, ist zu groß um manuelle ausgewertet werden zu können. Daher ist die automatische Verarbeitung mit Computern notwendig, insbesondere die automatische Gruppierung (Segmentierung) von Pixeln in biologisch oder medizinisch bedeutungsvolle Objekte.
Lay summary

In diesem Projekt adressieren wir drei offenen Problemen: (1) Wir vergrößern den Kontext den aktuelle Algorithmen berücksichtigen um eine Entscheidung über einen Pixel zu treffen. (2) Wir verringern Fehler in der automatischen Auswertung, indem wir biomedizinisches Vorwissen in die Algorithmen einarbeiten. (3) Wir entwickeln lernbare Algorithmen, die anhand weniger Beispiele an verschiedene Datensätze angepasst werden können.

Wir präsentieren unsere Vorschläge in zwei biomedizinischen Domänen: In der Segmentierung von Nervenzellen und in der Segmentierung von Krebs-Zellen.

Insbesondere die Segmentierung von Nervenzellen stellt eine große Herausforderung dar. Nervenzellen wachsen in baumartigen Strukturen, mit "Ästen" deren Durchmesser bis zu ~20 Nanometer klein sein kann. Dennoch ist es nicht ungewöhnlich, dass Nervenzellen mehrere Millimeter lang sind. Bei solch kleinen Strukturen auf solch langen Distanzen ist es sehr wahrscheinlich, dass automatische Verfahren Fehler machen. Wir hoffen, dass die Vergrößerung des Kontexts und das Einarbeiten von biologischem Vorwissen hilft, diese Fehler zu vermeiden und wir somit einen Beitrag zur Gewinnung neuer Erkenntnisse über die Funktion des Gehirns leisten können.             

Direct link to Lay Summary Last update: 16.12.2015

Responsible applicant and co-applicants

Publications

Publication
Large Scale Image Segmentation with Structured Loss based Deep Learning for Connectome Reconstruction
Funke Jan, Tschopp Fabian David, Grisaitis William, Sheridan Arlo, Singh Chandan, Saalfeld Stephan, Turaga Srinivas C. (2018), Large Scale Image Segmentation with Structured Loss based Deep Learning for Connectome Reconstruction, in IEEE Transactions on Pattern Analysis and Machine Intelligence, 1-1.
The candidate multi-cut for cell segmentation
Jan Funke , Chong Zhang , Tobias Pietzsch , Miguel A. Gonzalez Ballester , Stephan Saalfeld (2018), The candidate multi-cut for cell segmentation, in ISBI, ISBI, Washington, DC.
TED: A Tolerant Edit Distance for segmentation evaluation
Jan Funke Jonas Klein Francesc Moreno-Noguer Albert Cardona Matthew Cook (2017), TED: A Tolerant Edit Distance for segmentation evaluation, in Methods, 119-127.
Accurate and Linear Time Pose Estimation from Points and Lines
Alexander Vakhitov Jan Funke Francesc Moreno-Noguer (2016), Accurate and Linear Time Pose Estimation from Points and Lines, in ECCV, ECCV, Amsterdam.
Efficient convolutional neural networks for pixelwise classification on heterogeneous hardware systems
Fabian Tschopp , Julien N. P. Martel , Srinivas C. Turaga , Matthew Cook , Jan Funke (2016), Efficient convolutional neural networks for pixelwise classification on heterogeneous hardware systems, in ISBI, ISBI, Prague.
Structured learning of assignment models for neuron reconstruction to minimize topological errors
Jan Funke , Jonas Klein , Francesc Moreno-Noguer , Albert Cardona , Matthew Cook (2016), Structured learning of assignment models for neuron reconstruction to minimize topological errors, in ISBI, ISBI, Prague.
Tracking of microtubules in anisotropic volumes of neural tissue
Julia M. Buhmann , Stephan Gerhard , Matthew Cook , Jan Funke (2016), Tracking of microtubules in anisotropic volumes of neural tissue, in ISBI, ISBI, Prague.
Synaptic Cleft Segmentation in Non-Isotropic Volume Electron Microscopy of the Complete Drosophila Brain
Larissa Heinrich Jan Funke Constantin Pape Juan Nunez-Iglesias Stephan Saalfeld, Synaptic Cleft Segmentation in Non-Isotropic Volume Electron Microscopy of the Complete Drosophila Brain, in MICCAI, MICCAI, Granada.
Synaptic partner prediction from point annotations in insect brains
Julia Buhmann, Renate Krause, Rodrigo Ceballos Lentini, Nils Eckstein, Matthew Cook, Srinivas Turaga, Jan Funke, Synaptic partner prediction from point annotations in insect brains, in MICCAI, MICCAI, Granada.

Collaboration

Group / person Country
Types of collaboration
UPF Barcelona Spain (Europe)
- in-depth/constructive exchanges on approaches, methods or results
- Publication
Janelia Research Campus United States of America (North America)
- in-depth/constructive exchanges on approaches, methods or results
- Publication
- Research Infrastructure
Institute of Neuroinformatics, UZH/ETH Zurich Switzerland (Europe)
- in-depth/constructive exchanges on approaches, methods or results
- Publication

Scientific events



Self-organised

Title Date Place
CREMI Challenge at MICCAI 2016 17.10.2016 Athens, Greece

Abstract

In this research plan, we propose to address three open problems of current state-of-the-art methods for biomedical image segmentation. (1) We propose to increase the expressiveness of multicut- and candidate-based methods for image segmentation by generalizing both approaches into a versatile framework, which we call the candidate multicut (CMC). (2) We propose to incorporate biological priors in a principled way into segmentation methods with global objectives, in particular, into the CMC. For that, we aim to design an interpretation layer, which is more suitable to express priors than a model operating on supervoxels alone. (3) We propose a sparse interactive learning framework based on structured support vector machines, such that partial ground truth annotations can be used for learning. Together with a confidence measure for inference decisions, this framework has the potential to be used for interactive training of model parameters, which is particularly useful for large datasets.We present our proposal in the context of two challenging biomedical image processing problems: the reconstruction of the 3D shape of neurons from electron microscopy images and the 2D segmentation of cells in light microscopy images.
-