| Popis: |
Computed tomography techniques are the most widely applicable non-invasive methods for giving unique insights into the three dimensional (3D) organization of pleomorphic biological objects. Recent advances in the recording schemes improve the speed and resolution and provide new insights into the structural organization of different specimens. The boundaries in the applicability are set by dose limitation, limited accessibility of the data and resolution. In electron tomography the resolution limits are improved down to 2-4 nm, which should allow the identification of large biological macromolecules in their native environment. However the low signal to noise ratio hinders the application of image processing methods for data analysis, such as visualization, segmentation and feature extraction. In this thesis four image processing techniques have been developed and implemented in the field of electron microscopy in order to improve the performance in terms of signal reconstruction, processing time and visualization. A new noise reduction (denoising) technique is proposed based on nonlinear anisotropic diffusion. Diffusion methods for signal reconstruction became widely applicable due to their well-established mathematical properties and their general well posedness. Several different methods have been proposed mainly focused on edge detection and edge preservation, but none of them became applicable for highly degraded data. A new hybrid approach has been developed, which combines conventional diffusion methods and overcomes the handicaps of the present realizations. This diffusion technique shows a superior performance as compared to existing diffusion realizations, as well as to conventional methods typically applied in image processing (e.g. low pass filtering, median filtering) and invariant wavelet filtering. Several quantitative measures to assess the signal reconstruction performance have been established. The best reconstruction performance is observed at spatial frequencies lower than half of the Nyquist frequency. The method is therefore appropriate for the mostly oversampled electron microscopic data. The signal to noise ratio improvement is demonstrated by means of Fourier shell correlation functions. Several examples demonstrating the significant improvement of the visualization quality of the data sets are presented. Additionally the method proves to be an excellent preprocessing step for object detection and segmentation techniques. Mean curvature motion is a novel approach for object detection. It is a nonlinear anisotropic diffusion process, where the diffusion flux is explicitly set to zero in the direction of the gradient. As the level sets of the image (isointensity contours) move as a function of their own curvature, they degrade to concave regions and disappear to singularities, which can be detected a posteriori indicating the position of a feature. This method can be applied as a preprocessing step for object detection in two-dimensions (2D) as well as in 3D is robust with respect to noise (for a signal to noise ratio larger than 0.1) and rotational and translation invariant. Additionally is also a parameter-free method since the only parameter, which has to be determined (iteration time) depends directly on the size of the feature to be identified. An extended performance evaluation on real and artificial data, as well as with an interactively selected data set is presented. Automatic grouping and segmentation is a challenging problem in the image-processing field. The main goal of image segmentation is an image simplification, such that the interesting parts of the image are separated from each other and the effective size of the image reduces to the substantial part. Decreasing of the effective processing size and improvement of the visualization capabilities are the two most important effects of each segmentation technique. A segmentation procedure is in general not objective, as compared when different individuals perceive distinct features as the important objects in the image. Two techniques covering a broad field have been developed, the active contours as an interactive segmentation tool and an eigenvector based approach for automated image analysis. The "snake" segmentation based on the movement of an active contour towards a detectable boundary has been applied at various image processing applications. Nevertheless, due to the missing wedge, the low signal to noise ratio and the pleomorphic features is not directly applicable for interactive segmentation in the field of electron microscopy. A modification of the partial differential equations is proposed in order to block the level set movement in the direction of the missing information. The technique remains very sensitive to the initial conditions and is therefore not applicable for automated segmentation. Interactively the user has the option to determine an arbitrary boundary, near to the object of interest, which will be approached by the snake in a finite time. Application examples in 2D and 3D are presented. The use of eigenvectors for segmentation of multidimensional images in the field of electron microscopy is a novel approach. With the use of the second smallest eigenvector of an affinity matrix containing similarity measures between the pixels a foreground/background separation is attained. Several similarity measures e.g. distance, gray value, texture can be implemented in the algorithm. The most dominant feature in the image could be always automatically segmented improving the visualization significantly. The parameter choice turns out to be very robust, making the method widely applicable for various 2D and 3D electron microscopic images. Computer Elektronen-Tomographie ist die am häufigsten angewandte nicht-invasive Methode, die einzigartige Einblicke mit molekularer Auflösung in die dreidimensionale Struktur und Organisation von pleomorphen biologischen Objekten ermöglicht. Neue Aufzeichnungsmethoden verbessern entscheidend die Geschwindigkeit und Auflösung und ermöglichen dadurch detaillierte Strukturuntersuchungen. Die Applikationsgrenzen dieser Technik werden durch Dosis-Limitierung, begrenzte Zugänglichkeit von Daten und Auflösung gesetzt. Bei der Elektronentomographie wurde die Auflösungsgrenze auf 2-4 nm verbessert. Diese Auflösung sollte die Identifikation von großen makromolekularen Objekten in ihrer natürlichen Umgebung ermöglichen. Das sehr niedrige Signal-Rausch Verhältnis verhindert jedoch die Anwendung von Standard Bildverarbeitungstechniken für die Datenanalyse, wie Visualisierung, Segmentierung und Objektextraktion. Im Rahmen dieser Arbeit wurden vier unterschiedliche Bildverarbeitungstechniken entwickelt und für die Elektronenmikroskopie implementiert. Ziel dieser Methoden ist die Verbesserung von Signalrekonstruktion, Prozessierungszeiten und Visualisierung. Eine neue Rausch-Reduktionstechnik die auf nichtlinearer anisotroper Diffusion basiert, wurde entwickelt. Diffusionsmethoden für Signalrekonstruktion, wegen ihrer gut fundierten mathematischen Eigenschaften und ihrer allgemeinen mathematischen Gutartigkeit" sind breit anwendbar. Unterschiedlichen Methoden sind in der Literatur bekannt, die auf Kantendetektion und Kantenpreservation ausgelegt sind, allerdings ist keine davon für Rauschreduktion geeignet. Die in dieser Arbeit entwickelte hybride Diffusions-Methode überwindet die Probleme der konventionellen Methoden und nutzt gleichzeitig deren Vorteile. Damit zeigt diese Methode eine bessere Leistung verglichen mit den existierenden, aber auch gegenüber anderen Rauschreduktions-Methoden, wie median" oder Gaussisches" Filter, oder auch Wavelet Transformation. Einige quantitative Meßtechniken wurden entwickelt, um die Rekonstruktionsleistung zu ermitteln. Das beste Ergebnis wird dabei bei den niedrigen Frequenzen beobachtet und zwar bei Frequenzen, die kleiner als die Hälfte der Nyquist Frequenz sind. Deshalb ist die Methode am meisten geeignet für Prozessierung von überabgetasteten Daten, wie aus der Elektronenmikroskopie. Die Verbesserung des Signal-Rausch-Verhältnisses wurde mittels Fourier-Ring-Korrelation ermittelt. Einige Beispiele der signifikanten Verbesserung wurden präsentiert. Dabei stellte sich heraus, daß die Methode sich hervorragend als erster Schritt für weitere Bildverarbeitungsaufgaben, wie Objekt-Detektion und Segmentierung eignet. Die Bewegung von Objekten als Funktion ihrer eigenen Krümmung ist eine neue Methode für Objekt-Detektion. Man kann den Prozess als nichtlinearen Diffusionsprozess beschreiben, wobei der Diffusionsfluß in Richtung des Grauwert-Gradienten explizit gleich null gesetzt wird. Während des Prozesses werden die Level-sets" des Bildes, d.h. Isointensitätskonturen, als Funktion ihrer Krümmung bewegt und degradieren dabei in konkaven Regionen, die zu Singularitäten verschwinden. Diese Singularitäten können a posteriori detektiert werden und korrespondieren mit der Position eines Objektes auf dem Bild. Die Methode wird als Vorverarbeitungsschritt für Objekt-Detektion in zwei wie auch in drei Dimensionen eingesetzt. Sie ist robust gegenüber Rauschen und rotations- und translationsinvariant. Dazu ist es eine parameterfreie Methode, weil der einzige Parameter, die Iterationszeit, als Funktion der Größe des zu detektierenden Objekts bestimmt wird. Ausführliche Tests auf künstliche wie auch reelle Daten werden präsentiert. Automatische Gruppierung und Segmentierung sind anspruchsvolle Probleme der Bildverarbeitung. Das Hauptziel einer Segmentierung ist eigentlich Bildvereinfachung, so daß interessante Teile separat voneinander dargestellt werden können, und die effektive Größe des Bildes auf das wesentliche reduziert wird. Das hat eine verbesserte Visualisierung und eine Reduktion der Prozessierungszeiten, wie z.B. bei der Identifikation von Proteinen, zur Konsequenz. Eine Segmentierung ist im allgemeinen keine objektive Prozedur, weil zwei Beobachter andere Objekte auf dem Bild als wesentlich betrachten. Zwei Techniken, die eine große Bandbreite im Feld abdecken, wurden entwickelt: eine interaktive Methode, als active contours (oder snakes") bezeichnet, und eine automatische, auf Eigenvektoren basierende Technik. Die snake" Segmentierung basiert auf der Bewegung von aktiven Konturen in Richtung einer zu detektierenden Grenze. Die Anwendbarkeit dieses Prozesses wurde schon auf verschieden Gebieten demonstriert. Trotzdem ist Segmentierung nicht direkt in der Elektronenmikroskopie applizierbar, da durch die fehlende Informationen und das niedrige Signal-Rausch Verhältnis die Segmentierung erheblich erschwert wird. Verschiedene Modifikationen bei partiellen Differentialgleichungen, die den Prozess beschreiben, werden vorgeschlagen, die das Segmentierungsergebnis für elektronenmikroskopische Daten anwendbar macht. Diese Technik bleibt sensibel gegenüber den Anfangsbedingungen und ist deshalb nicht automatisierbar. Interaktiv hat der Benutzer die Möglichkeit, eine definierte Grenze in der Nähe des Objekts zu plazieren, die sich dem Objekt nähert. Verschiedene Beispiele in zwei und drei Dimensionen werden präsentiert. Der Gebrauch von Eigenvektoren in der Medizin und Elektronenmikroskopie für Segmentierungs-Zwecke ist neu. Indem man die Information des zweiten Eigenvektors einer Affinitäts-Matrix ausnutzt, die Ähnlichkeitswerte verschiedener Teile des Bildes beinhaltet, wird eine Vordergrund zu Hintergrund Segmentierung antizipiert. Verschiedene Ähnlichkeitsmessungen, z.B. Distanz, Grauwert und Textur können in den Algorithmus implementiert werden. Das dominanteste Merkmal auf dem Bild konnte immer automatisch segmentiert und damit die Visualisierung stark verbessert werden. Es stellte sich heraus, daß die Parameter Auswahl sehr robust ist, was die Anwendbarkeit der Methode signifikant verbreitert. |
