Segmentacja obrazów mikroskopii konfokalnej podłoży do hodowli komórek

Celem niniejszej dysertacji było porównanie różnych podejść do segmentacji
trójwymiarowego obrazu podłoża służącego do hodowli komórek. Przetwarzanie obrazu
jest istotną częścią szerokiego pojęcia obrazowania biomedycznego. Ostatnimi czasy stało
się ono ważną składową badań biomedycznych oraz praktyki klinicznej. Zarówno
stosunkowo proste jak i bardziej złożone rozwiązania są znaczące dla analizy
biomedycznej.
Podłoża składają się z gęstej struktury włókien, które tworzą opytmalną bazę do
wzrostu komórek. Zdjęcia zarówno komórek, jak i podłoży zostały zrobione za pomocą
mikroskopii fluorescencyjnej, co pozwoliło na osobne ujęcie zdjęć obrazów z samymi
podłożami.
Aby przeprowadzić segmentację, najpierw został stłumiony szum obecny w
obrazach za pomocą filtru Gaussowskiego z dwiema różnymi wartościami sigmy oraz za
pomocą funkcji vesselness Sato z dwiema różnymi wartościami skali. Następnie została
przeprowadzona segmentacja obrazów podłoża używając różnych wartości progowania
tak, aby włókna podłoża zostały dobrze odseparowane od tła. Po zastosowaniu
wspomnianych wyżej narzędzi, powstałe obrazy binarne zostały poddane ocenie wizualnej
pod względem jakości wysegmentowanych struktur – jak bardzo kształt
wysegmentowanych włókien jest zbliżony do struktur na oryginalnych zdjęciach.
Na podstawie przeprowadzonego przetwarzania obrazów, dokonano oceny i analizy
wyników oraz sformułowano wnioski dotyczące efektywności testowanych metod.
Sformułowano wady i zalety porównanych metod oraz została wybrana najbardziej
efektywna metoda, którą okazała się być funkcja vesselness Sato z wartością progowania
30/255. Drugą najlepszą ocenę dostała metoda z zastosowaniem filtru Gaussa z wartością
progowania 45/255. Te dwie metody segmentacji są optymalnym kompromisem pomiędzy
pozostałymi wynikami. Jednakże, dla struktur o kształcie tubularnym, bardziej rozsądnym
rozwiązaniem jest zastosowanie funkcji vesselness Sato.

The aim of this work was to compare different approaches to three-dimensional
image segmentation of cell growing scaffolds. Image processing is the important part in the
wide concept of biomedical imaging. In recent years it has become an essential component
of biomedical research and clinical practice. Both, relatively simple and more complex
solutions can be meaningful for biomedical analysis.
The scaffolds consist of tight structure made of fibres that create an optimal basis
for the cells to grow. The photos of cells and scaffolds were taken using fluorescence
microscopy, which enabled to get separate images with scaffolds only.
To perform the segmentation, firstly, the noise present in the image was supressed
using Gaussian filter with two different sigma values, and vesselness Sato function with
two different scales. Afterwards, various thresholds were applied to perform the
segmentation of the scaffold, so that they were well separated from the background. After
application of abovementioned tools, the resulting binarized images were evaluated
visually in terms of quality of the segmented structures – how similar the shape of
segmented fibres was to the structures in original images.
On the basis of the performed processing, the assessment and analysis of the results
were established and the conclusions were formulated.
Advantages and disadvantaged of all compared methods were stated. The most
effective approach was determined, which appeared to be vesselness Sato function with
threshold value 30/255. The second best assessment got Gauss filter with threshold 45/255.
These two approaches were a good compromise between the other results. However, for
such tubular structures, the application of vesselness Sato function seem to be more
reasonable.