GPU-basierte Verfahren zur Segmentierung biomedizinischer Bilddaten

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.