| Popis: |
Although first 3-D reconstructions of minute structures were made over 130 years ago, the need to understand the shape and morphology of various specimens at the microscopic level has increased significantly in the last decade. Since volumetric imaging techniques like computed tomography or magnetic resonance imaging are still limited regarding spatial resolution and availability, an interest in the digital reconstruction of histological tissue preparations prepared and stained according to the scientific question has evolved. One fundamental technique in 3D histology reconstruction is the use of image registration for alignment of slice images and reversal of slice deformations. Here, the individual registration components are often chosen to best fit the data at hand. This thesis uses a rigid transformation model for simple alignment and a non-rigid, non-parametric image transform for image unwarping. The core principle of the unwarping strategy is the iterative Gauss-Seidel method, which is capable of selectively eliminating higher frequency errors from given functions consisting of superimposed signals of different wavelengths. Evaluation strategies like the Sum of Squared Distances, Target Registration Error and Graylevel Cooccurrence Matrices are ways to assess the quality of match between slices and the coherence of reconstructed histology volumes. The histological preparation procedure steps like resection, embedding, cutting and staining significantly destroy the tissue, and the digitization step leads to disambiguities and information loss regarding the shape of structures. The image data sets are therefore inherently afflicted with a large number of artifacts like intensity variances, foldings, deformations or missing parts. The preprocessing and reconstruction pipeline starts with the gray value conversion of color images to reduce the computational effort. As one of the two main contributions of the work a novel intensity standardization for histological image sequences is proposed. Here, percentile values of individual slice histograms are determined, and corresponding percentile values treated as list of function values. The Gauss-Seidel method is used to eliminate the higher frequency intensity variances, but preserve the lower frequency differences stemming from changing tissue content. For an entire slice data set, a mean intensity correction of 0.45 and mean standard deviation of correction of only 5.03 – half of the correction other methods achieved – demonstrates a moderate adaption of the original intensity values, while qualitative results show good contrast and smooth appearance. After optional replacement of defective or missing slice images and possibly manual sorting of the image data set, a first simple 3D reconstruction is achieved by rigid image registration and stacking. The remaining nonlinear slice deformations prevent real coherence of the anatomy. The second main contribution of the work is the adaptation of the Gauss-Seidel method for image sequences. While the non-rigid image registration process provides a possibility to emulate the slice deformations and thus to reverse them, the Gauss- Seidel method determines how these deformations are eliminated by an iterative update of the individual images, taking into account their local neighborhood. The method is suitable for large datasets, since it does not require the entire dataset in memory. Experiments show that the method converges quickly, and experiments with synthetic data with known deformations suggest that the true deformation of the slices is effectively reversed, with the Mean Target Registration Error being below 1 pixel offset to the original CT data set after 5 iterations. Visually, the results are convincing and provide instructive insights into microscopic morphology. Further improvements of the proposed reconstruction pipeline include a gray level conversion based on stain protocol or structure-of-interest, better defect slice replacement methods, or automated methods to restore the correct slice sequence. The intensity matching method could be adapted based on the tissue content. For large data sets, the Gauss-Seidel unwarping method should be modified to a multilevel approach. Possible applications include better anatomical teaching, improvement of in-vivo 3D imaging protocols or digital pathology. Obwohl die ersten 3-D-Rekonstruktionen von kleinsten Strukturen bereits vor über 130 Jahren vogenommen wurden, hat die Notwendigkeit die Form und Morphologie verschiedener Präparate auch auf mikroskopischer Ebene zu verstehen im letzten Jahrzehnt deutlich zugenommen. Da volumetrische bildgebende Verfahren wie Computertomographie oder Magnetresonanztomographie sowohl bezüglich ihrer räumlichen Auflösung als auch Verfügbarkeit limitiert sind, hat sich ein Interesse an der digitalen Rekonstruktion histologischer Gewebepräparate entwickelt, die der wissenschaftlichen Fragestellung entsprechend präpariert und gefärbt wurden. Eine grundlegende Technik für die 3-D Histologierekonstruktion ist die Bildregistrierung, die zur Ausrichtung und zum Entfernen von Schichtdeformationen verwendet wird. Hierbei werden die individuellen Komponenten der Registrierung meist den konkret vorliegenden Daten angepasst. Diese Arbeit verwendet ein starres Transformationsmodell für die einfache Schichtausrichtung, und eine nicht-starre, nichtparametrische Bildtransformation zur Bildentzerrung. Das Kernprinzip der Entzerrung ist das iterative Gauss-Seidel-Verfahren, das in der Lage ist bei Funktionen, in denen Signale verschiedener Wellenlänge überlagert sind, selektiv Fehler höherer Frequenz zu eliminieren. Auswertestrategien wie die Summe der quadrierten Differenzen, der Target Registration Error und Maße basierend auf Grauwertmatrizen bewerten die Ähnlichkeit von Einzelschichten und die Kohärenz rekonstruierter Histologievolumen. Histologische Präparationsschritte wie Resektion, Einbettung, Schneiden und Färben zerstören das Gewebe, und die Digitalisierung führt zu Zweideutigkeiten und Informationsverlust bezüglich der Form einzelner Strukturen. Die Bilddatensätze sind dadurch inhärent mit einer großen Zahl von Bildartefakten wie Intensitätsvarianzen, Faltungen, Deformationen, oder fehlenden Teilen behaftet. Die Vorverarbeitungs- und Rekonstruktionspipeline beginnt mit der Grauwertkonvertierung der Farbbilder, um den Rechenaufwand zu reduzieren. Als einer der beiden Hauptbeiträge der Arbeit wird eine neuartige Intensitätsstandardisierung für histologische Bildsequenzen vorgeschlagen. Hier werden Perzentilwerte der einzelnen Schichthistogramme bestimmt, und korrespondierende Perzentile als Liste von Funktionswerten zusammengefasst. Das Gauss-Seidel-Verfahren wird dann verwendet um hochfrequente Intensitätsänderungen zu eliminieren, während niederfrequente Änderungen, die sich durch sich ändernde Gewebeanteile ergeben, erhalten werden. Für einen gesamten Bilddatensatz ergibt sich beispielsweise eine mittlere Intensitätskorrektur von 0.45 und eine mittlere Standardabweichung der Korrektur von nur 5.03 – was etwa die Hälfte anderer Verfahren ist –, was einer moderaten Anpassung der Originalintensitäten ist, wobei qualitativ guter Kontrast und ein homogener Eindruck entsteht. Nach optionaler Ersetzung defekter oder fehlender Schichtbilder und möglicherweise manueller Sortierung des Bilddatensatzes wird über eine starre Bildregistrierung eine erste einfache 3D-Rekonstruktion erreicht. Die verbleibenden nichtlinearen Schichtverformungen verhindern eine wirkliche Kohärenz der Anatomie. Der zweite Hauptbeitrag der Arbeit ist daher die Übertragung des bekannten Gauß-Seidel-Verfahrens für die Anwendung auf Bildsequenzen. Während die nicht-starre Bildregistrierung eine Möglichkeit liefert, die Schichtverformungen prinzipiell nachzubilden und damit auch rückgängig zu machen, so bestimmt die Gauß-Seidel-Methode, inwiefern diese Verformungen durch eine iterative Verarbeitung der Einzelbilder unter Berücksichtigung der Nachbarschaft beseitigt werden. Das Verfahren ist für große Datensätze geeignet, da es nicht den gesamten Datensatz im Speicher benötigt. Die Experimente zeigen, dass das Verfahren schnell konvergiert, und Experimente mit synthetischen Daten mit bekannten Verformungen legen nahe, dass die wahre Deformation der Schichten rückgängig gemacht wird, mit einem mittleren Target Registration Error von unter 1 Pixel Abweichung vom Original-CT nach 5 Iterationen. Visuell sind die Ergebnisse überzeugend und bieten lehrreiche Einblicke in die mikroskopische Morphologie. Weitere Verbesserungen der vorgestellten Rekonstruktionsprozedur beinhalten eine Grauwertkonversion basierend auf Färbeprotokoll oder anhand besonders interessanter Strukturen, bessere Methoden um defekte Schichten oder Teile zu ersetzen, oder automatisierte Methoden um die korrekte Schichtreihenfolge herzustellen. Die Methode zur Intensitätsstandardisierung könnte je nach konkretem Gewebeanteil angepasst werden. Für große Datensätze sollte das Gauss-Seidel-Verfahren auf einen Multilevelansatz erweitert werden. Mögliche Anwendungen sind verbesserte Anatomieausbildung, Verbesserung von in-vivo 3D Aufnahmeverfahren oder digitale Pathologie. |
