Kurzfassung
Krebs lässt sich durch das Vermessen des DNA-Gehaltes morphologisch auffälliger Zellkerne frühzeitig diagnostizieren. Die manuelle Erfassung von Zellkernen ist sehr arbeitsaufwändig, lässt sich jedoch durch ein virtuelles Mikroskop und ein Mustererkennungssystem beschleunigen. Die Umstellung auf die Hochdurchsatz-Variante erfordert eine neuartige Zellkern-Segmentierung, die effizient und präzise sein muss und möglichst wenige irrelevante Objekte segmentiert. Zu diesem Zweck wurde ein dreistufiges Verfahren entwickelt: Pixel werden anhand ihrer Farbwerte mittels eines Maximum-Likelihood-Ansatzes oder durch einen kNN, SVM oder Adaboost-Klassifikator klassifiziert und bilden eine initiale Segmentierung. Irrelevante Objekte werden anhand schnell zu berechnender Merkmale ausgeschlossen. Ein weiteres Merkmal wird berechnet, um zu entscheiden, ob die Kontur einer Verbesserung bedarf. Falls erforderlich geschieht dies durch ein parametrisches Aktives Konturmodell. Auf einem Testset von 80 annotierten Sichtfeldern erreicht die Segmentierung mittels kNN-Klassifikator die beste Performance. Zellkerne werden mit einer Sensitivität von 98.9% detektiert. Im Vergleich zum bisherigen Vorgehen werden bis zu 33% weniger Objekte segmentiert, die keine Zellkerne sind. Nach der Verbesserung wird ein Dice-Koeffizient von 0,908 und eine Hausdorff-Distanz von 0,721 μm erreicht.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Rajagopalan H, Lengauer C. Aneuploidy and cancer. Nature. 2004;432:338–41.
Nguyen VQH, Grote HJ, Pomjanski N, et al. Interobserver reproducibility of DNA-image-cytometry in ASCUS or higher cervical cytology. Anal Cell Pathol. 2004;26(3):143–50.
B¨ocking A, Sproll C, St¨ocklein N, et al. Role of brush biopsy and DNA cytometry for prevention, diagnosis, therapy and followup care of oral cancer. J Oncol. 2011; p. 1–7.
Friedrich D, Chen J, Zhang Y, et al. Identification of prostate cancer cell nuclei for DNA-grading of malignancy. Proc BVM. 2012; p. 334–9.
H¨ock L. Entwicklung robuster Verfahren f¨ur die automatische Segmentierung und Identifikation geeigneter Zellkerne in der DNA-Bildzytometrie. Diplomarbeit, RWTH Aachen; 2008.
Friedrich D, Luna-Cobos A, Biesterfeld S, et al. Konturverfeinerung ¨uber Fourierdeskriptoren. Proc BVM. 2013; p. 211–6.
MacAulay C, Palcic B. An edge relocation segmentation algorithm. Anal Quant Cytol Histol. 1990;12(3):165.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Friedrich, D., Haarburger, C., Luna-Cobos, A., Meyer-Ebrecht, D., Böcking, A., Merhof, D. (2014). Segmentierung von Zellkernen für Hochdurchsatz-DNA-Bildzytomerie. In: Deserno, T., Handels, H., Meinzer, HP., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2014. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-54111-7_42
Download citation
DOI: https://doi.org/10.1007/978-3-642-54111-7_42
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-54110-0
Online ISBN: 978-3-642-54111-7
eBook Packages: Computer Science and Engineering (German Language)