Filter and export

Publications

What is a Publication?
13 Publications visible to you, out of a total of 13
ACSEG: AUTOMATED 3D CYTOPLASM SEGMENTATION IN SOFT X-RAY TOMOGRAPHY

Abstract (Expand)

The structure of cells is a key to understanding cellular function, diagnosis of pathological conditions, and development of new treatments. Soft X-ray tomography (SXT) is a unique tool to image cellular … structure without fixation or labeling at high spatial resolution and throughput. Ongoing improvements in faster acquisition times increase demand for accelerated image analysis. Currently, the automatic segmentation of cellular structures is a major bottleneck in the SXT data analysis pipeline. In this paper, we introduce an automated 3D cytoplasm segmentation model - ACSeg - by use of semi-automatically segmented labels and 3D U-Net, implemented in the online platform Biomedisa. The segmentation model is trained on semi-automatically labeled datasets and shows rapid convergence to high-accuracy segmentation, therefore reducing time and labor. ACSeg trained on 43 SXT tomograms of human immune T cells, the model successfully segmented unseen SXT tomograms of human hepatocyte-derived carcinoma cells, mouse microglia, and embryonic fibroblast cells. Furthermore, we could diversify the model by adding only 6 specific SXT tomograms, showing the potential for the development of an optimal experimental design. The ACSeg is published on the open image segmentation platform Biomedisa, enabling high-throughput analysis of cell volume and structure of cytoplasm in diverse cell types. The approach can be expanded for automatic segmentation of other organelles visualized by SXT, providing means for structural analysis of cell remodeling under different pathogens at statistically significant sizes, therefore enabling the development of novel drug treatments.

Authors: Ayse Erozan, Philipp Lösel, Vincent Heuveline, Venera Weinhardt

Date Published: 5th Apr 2023

Publication Type: Journal

Natural variability in bee brain size and symmetry revealed by micro-CT imaging and deep learning

Abstract (Expand)

Abstract Analysing large numbers of brain samples can reveal minor, but statistically and biologically relevant variations in brain morphology that provide critical insights into animal behaviour, …into animal behaviour, ecology and evolution. So far, however, such analyses have required extensive manual effort, which considerably limits the scope for comparative research. Here we used micro-CT imaging and deep learning to perform automated analyses of 3D image data from 187 honey bee and bumblebee brains. We revealed strong inter-individual variations in total brain size that are consistent across colonies and species, and may underpin behavioural variability central to complex social organisations. In addition, the bumblebee dataset showed a significant level of lateralization in optic and antennal lobes, providing a potential explanation for reported variations in visual and olfactory learning. Our fast, robust and user-friendly approach holds considerable promises for carrying out large-scale quantitative neuroanatomical comparisons across a wider range of animals. Ultimately, this will help address fundamental unresolved questions related to the evolution of animal brains and cognition. Author Summary Bees, despite their small brains, possess a rich behavioural repertoire and show significant variations among individuals. In social bees this variability is key to the division of labour that maintains their complex social organizations, and has been linked to the maturation of specific brain areas as a result of development and foraging experience. This makes bees an ideal model for understanding insect cognitive functions and the neural mechanisms that underlie them. However, due to the scarcity of comparative data, the relationship between brain neuro-architecture and behavioural variance remains unclear. To address this problem, we developed an AI-based approach for automated analysis of brain images and analysed an unprecedentedly large dataset of honey bee and bumblebee brains. Through this process, we were able to identify previously undescribed anatomical features that correlate with known behaviours, supporting recent evidence of lateralized behaviour in foraging and pollination. Our method is open-source, easily accessible online, user-friendly, fast, accurate, and robust to different species, enabling large-scale comparative analyses across the animal kingdom. This includes investigating the impact of external stressors such as environmental pollution and climate change on cognitive development, helping us understand the mechanisms underlying the cognitive abilities of animals and the implications for their survival and adaptation.

Authors: Philipp D. Lösel, Coline Monchanin, Renaud Lebrun, Alejandra Jayme, Jacob Relle, Jean-Marc Devaud, Vincent Heuveline, Mathieu Lihoreau

Date Published: 17th Oct 2022

Publication Type: Journal

GPU-basierte Verfahren zur Segmentierung biomedizinischer Bilddaten

Abstract (Expand)

Die Analyse medizinischer und biologischer Bilddaten erfordert häufig die Isolierung einzelner Strukturen aus einem 3D-Volumen durch Segmentierung. Trotz einer Vielzahl halb- und vollautomatischer … Verfahren erfolgt die Bildsegmentierung oft noch manuell und gilt nach wie vor für viele Szenarien als die arbeitsintensivste und zeitaufwendigste Aufgabe innerhalb der 3D-Bildanalyse. Die herkömmliche manuelle Segmentierung vieler Schichten, gefolgt von einer linearen Interpolation und einer manuellen Korrektur der Ergebnisse verhindert jedoch in vielen Fällen die Analyse einer großen Anzahl von Proben. In dieser Arbeit wird darum ein neues parameterfreies Verfahren zur halbautomatischen Segmentierung großer komplexer 3D-Bilddaten entwickelt, das auf einer Interpolation von wenigen manuell vorsegmentierten Schichten basiert, wobei es den gesamten zugrunde liegenden volumetrischen Bilddatensatz berücksichtigt. Die Interpolation erfolgt durch gewichtete Random Walks, deren Unabhängigkeit voneinander eine Berechnung durch massiv parallele Hardware, wie den Grafikprozessoren (GPUs), ermöglicht. Anhand einer vielfältigen Auswahl von Beispieldatensätzen wird gezeigt, dass dieses GPU-basierte Verfahren, insbesondere bei der Segmentierung sehr großer komplexer Bilddaten, wie sie typischerweise in der Mikro-Computertomographie (µCT) entstehen, dazu in der Lage ist, sowohl den Zeit- und Arbeitsaufwand erheblich zu reduzieren als auch die Qualität der Ergebnisse deutlich zu steigern. Dabei erreicht es eine deutliche Beschleunigung und höhere Genauigkeit gegenüber dem konventionellen Ansatz der fast ausschließlich manuellen Segmentierung und auch gegenüber den am weitesten verbreiteten Segmentierungsalgorithmen. Die GPU-basierten Random Walks sind insbesondere dann geeignet, wenn wenig Vorwissen über das zu segmentierende Objekt vorhanden ist, zum Beispiel bei der Beschreibung einer neu entdeckten Art, oder zum Erstellen von Trainingsdaten für ein anschließendes maschinelles Lernen. Um darüber hinaus bei der Segmentierung vieler ähnlicher Proben eine weitgehend automatische Segmentierung zu ermöglichen, wird hier zusätzlich ein auf künstlichen neuronalen Netzen basierendes Verfahren vorgestellt und anhand von 110 µCT-Scans von Honigbienengehirnen evaluiert. Ergänzend wird auf Basis der entwickelten Algorithmen die neue Online-Segmentierungsplattform Biomedisa präsentiert. Die Plattform ist über einen Webbrowser zugänglich und erfordert keine komplexe und langwierige Konfiguration von Software- und Modellparametern. Sie richtet sich gezielt an die Bedürfnisse von Wissenschaftlern/-innen, die nicht über umfangreiche Computer- und Softwarekenntnisse verfügen. Die integrierten GPU-basierten Methoden ermöglichen eine intuitive Anwendung für verschiedene bildgebende Verfahren innerhalb eines breiten Spektrums wissenschaftlicher Disziplinen. Die Plattform wurde bereits in mehreren Studien erfolgreich eingesetzt. Darüber hinaus ermöglicht ihr modularer Aufbau eine leichte Erweiterung der hier vorgestellten Kernfunktionen um weitere benutzerspezifische Funktionalitäten.

Author: Philipp Lösel

Date Published: 22nd Apr 2022

Publication Type: Doctoral Thesis

Primary and Recurrent Repair of Incisional Hernia Based on Biomechanical Considerations to Avoid Mesh-Related Complications

Abstract

Not specified

Authors: Regine Nessel, Thorsten Löffler, Johannes Rinn, Philipp Lösel, Samuel Voss, Vincent Heuveline, Matthias Vollmer, Johannes Görich, Yannique-Maximilian Ludwig, Luai Al-Hileh, Friedrich Kallinowski

Date Published: 15th Dec 2021

Publication Type: Journal

Biomechanical Influences on Mesh-Related Complications in Incisional Hernia Repair

Abstract

Not specified

Authors: Friedrich Kallinowski, Yannique Ludwig, Dominik Gutjahr, Christian Gerhard, Hannah Schulte-Hörmann, Lena Krimmel, Carolin Lesch, Katharina Uhr, Philipp Lösel, Samuel Voß, Vincent Heuveline, Matthias Vollmer, Johannes Görich, Regine Nessel

Date Published: 29th Oct 2021

Publication Type: Journal

Biomechanics applied to incisional hernia repair – Considering the critical and the gained resistance towards impacts related to pressure

Abstract

Not specified

Authors: F. Kallinowski, Y. Ludwig, T. Löffler, M. Vollmer, P.D. Lösel, S. Voß, J. Görich, V. Heuveline, R. Nessel

Date Published: 1st Feb 2021

Publication Type: Journal

Introducing Biomedisa as an open-source online platform for biomedical image segmentation

Abstract

Not specified

Authors: Philipp D. Lösel, Thomas van de Kamp, Alejandra Jayme, Alexey Ershov, Tomáš Faragó, Olaf Pichler, Nicholas Tan Jerome, Narendar Aadepu, Sabine Bremer, Suren A. Chilingaryan, Michael Heethoff, Andreas Kopmann, Janes Odar, Sebastian Schmelzle, Marcus Zuber, Joachim Wittbrodt, Tilo Baumbach, Vincent Heuveline

Date Published: 1st Dec 2020

Publication Type: Journal

Powered by
 (v.1.14.2)
About HITS Publication SEEK | About HITS-Publication-SEEK | Funding and Programmes | Credits
Copyright © 2008 - 2023 The University of Manchester and HITS gGmbH