Dokument: Automatic Analysis of Cortical Areas in Whole Brain Histological Sections using Convolutional Neural Networks

Titel:	Automatic Analysis of Cortical Areas in Whole Brain Histological Sections using Convolutional Neural Networks
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=53582
URN (NBN):	urn:nbn:de:hbz:061-20200706-083633-7
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Spitzer, Hannah [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 24,88 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 29.06.2020 / geändert 29.06.2020
Beitragende:	Prof. Dr. Harmeling, Stefan [Gutachter] Prof. Dr. med. Amunts, Katrin [Gutachter]
Stichwörter:	cortical areas; deep learning; convolutional neural networks; self-supervised; histological sections; human brain; segmentation; brain atlas; cytoarchitecture
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:	The segregation of the human brain in cytoarchitectonic areas is an important prereq- uisite for the allocation of functional imaging, physiological, connectivity, molecular and genetic data to structurally well-defined entities of the human brain. Cytoarchi- tecture describes the spatial distribution of cell bodies and their shape and size, and is most appropriately studied at microscopic resolution based on cell-body stained histological sections. To determine boundaries between cytoarchitectonic areas, an observer-independent method that uses image analysis and multivariate statistical tools to capture changes in the distribution of cell bodies is already established. Nowadays, new technologies for high-throughput microscopy allow rapid digitization of histological sections, which increases the need for a fully automatic brain area segmentation method. This task is extremely challenging due to the high inter- individual variability in cortical folding, sectioning artifacts, limited labeled training data, and the need for large input sizes for automatic methods. This work shows that convolutional neural networks, a special class of deep artificial neural networks, are suitable for automatic brain area segmentation. It introduces a semantic segmentation model that combines texture input given by high-resolution extracts of the histological sections with prior knowledge given by an existing prob- abilistic brain area atlas, the JuBrain atlas. This atlas prior helps the model to localize the texture input in the brain and allows it to make topologically correct brain area predictions. To overcome the limited amount of brain area annotations, the model can be pre-trained on a modified task for which training data is easier to obtain. Pre-training the model on a self-supervised task based on predicting the spatial distance between image patches extracted from sections of the same brain significantly increases the segmentation performance and enables the prediction of several brain areas in previously unseen brains. The self-supervised model learns a compact internal feature representation of the input using the inherent structure of the brain, without having explicit access to the concept of brain areas. Extensive evaluations indicate that these features encode cytoarchitectonic properties. This is remarkable result which allows the data-driven analysis of the structure of the entire brain. Although the presented model is not yet robust enough for automatic annotation of all areas in complete human brains, it is already leveraged for practical use by training specialized multi-scale models to propagate brain area labels from annotated sections to spatially close sections. This workflow has the potential to speed up current brain mapping projects by reducing the workload of the neuroscientists and produces previously unattainable high-resolution 3D views of single brain areas. Die Unterteilung des menschlichen Gehirns in zytoarchitektonische Areale ist eine wichtige Voraussetzung für die Zuordnung von funktionalen Bildgebungs-, Konnektivitäts-, physiologischen, molekularen und genetischen Daten zu strukturell wohldefinierten Bereichen im Gehirn. Zytoarchitektur beschreibt die räumliche Verteilung von Zellkörpern sowie deren Form und Größe und wird am Besten mit mikroskopischer Auflösung auf zellkörpergefärbten histologischen Schnitten untersucht. Um die Grenzen zwischen zytoarchitektonischen Arealen zu bestimmen, wurde bereits eine beobachterunabhängige Methode etabliert, die mithilfe von Bildanalyse und multivariaten statistischen Analysen Änderungen in der Verteilung von Zellkörpern erfasst. Heutzutage ermöglichen neue Technologien für die Hochdurchsatzmikroskopie eine schnellere Digitalisierung histologischer Schnitte, was die Notwendigkeit einer vollautomatischen Methode zur Segmentierung von zytoarchitektonischen Arealen erhöht. Diese Aufgabe ist aufgrund der hohen interindividuellen Variabilität der kortikalen Faltung, der Artefakte die während des Schneidens auftreten, der begrenzten Trainingsdaten und der Notwendigkeit großer Bildausschnitte zum Training äußerst anspruchsvoll. Diese Dissertation zeigt, dass Convolutional Neural Networks, eine spezielle Klasse von künstlichen neuronalen Netzen, für die automatische Segmentierung von zytoarchitektonischen Arealen geeignet sind. Es wird ein Modell zur Segmentierung von Arealen vorgestellt, welches die Textur hochaufgelößter Bildausschnitte der histologischen Schnitte mit Vorwissen aus einem probabilistischen Gehirnatlas (JuBrain Atlas) kombiniert. Dieser sogenannte Atlas Prior hilft dem Modell, den Bildausschnitt im Gehirn zu lokalisieren, und ermöglicht es ihm, topologisch korrekte Vorhersagen für die Gehirnareale zu treffen. Da nur eine berenzte Anzahl von Annotationen für Gehirnareale vorhanden ist, kann das Modell auf einer modifizierten Aufgabe vortrainiert werden, für die Trainingsdaten leichter zu erhalten sind. Das Vortrainieren des Modells auf einer selbstüberwachten Aufgabe basierend auf der Vorhersage des räumlichen Abstands zwischen zwei Bildern, die aus histologischen Schnitten desselben Gehirnvolumens extrahiert wurden, erhöht die Qualität der Segmentierungen erheblich und ermöglicht die Vorhersage mehrerer Gehirnareale in zuvor nicht verwendeten Gehirnen. Das selbstüberwachte Modell lernt anhand der inhärenten Struktur des Gehirns eine kompakte interne Merkmalsdarstellung der Eingabebilder, ohne explizit das Konzept der Gehirnareale zu benötigen. Umfangreiche Auswertungen zeigen, dass diese Merkmale zytoarchitektonische Eigenschaften enkodieren. Dies ist ein bemerkenswertes Ergebnis welches uns die datengetriebene Analyse der Struktur des gesamten Gehirns erlaubt. Obwohl das vorgestellte Modell noch nicht robust genug ist, um alle Areale in menschlichen Gehirnen automatisch zu segmentieren, wird es bereits für den praktischen Einsatz genutzt: Spezialisierte Modelle werden trainiert um Annotierungen von Arealen auf räumlich nahe Schnitte des gleichen Gehirns zu übertragen. Dieses Verfahren hat das Potenzial, aktuelle Annotierungsprojekte zu beschleunigen, indem die Arbeitsbelastung der Neurowissenschaftler reduziert wird, und erzeugt bisher unerreichte hochauflösende 3D-Ansichten einzelner Gehirnareale.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik
Dokument erstellt am:	06.07.2020
Dateien geändert am:	06.07.2020
Promotionsantrag am:	20.02.2019
Datum der Promotion:	10.02.2020