WO2018007341A1 - Verfahren zur quantitativen auswertung von mikroskopbilddaten, mikroskop und softwareprodukt - Google Patents
Verfahren zur quantitativen auswertung von mikroskopbilddaten, mikroskop und softwareprodukt Download PDFInfo
- Publication number
- WO2018007341A1 WO2018007341A1 PCT/EP2017/066542 EP2017066542W WO2018007341A1 WO 2018007341 A1 WO2018007341 A1 WO 2018007341A1 EP 2017066542 W EP2017066542 W EP 2017066542W WO 2018007341 A1 WO2018007341 A1 WO 2018007341A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- microscope
- image
- images
- microscope image
- image processing
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001000 micrograph Methods 0.000 title claims abstract description 39
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 7
- 238000010972 statistical evaluation Methods 0.000 claims abstract description 3
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 9
- 238000000386 microscopy Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000002060 fluorescence correlation spectroscopy Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 238000000090 raster image correlation spectroscopy Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004621 scanning probe microscopy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003963 x-ray microscopy Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Definitions
- the invention relates to a method for quantitative
- FCS fluorescence correlation spectroscopy
- RCS Raster Image Correlation Spectroscopy
- PAM PhotoActivated Localization Microscopy
- WO02 / 099763A1 describes a method for the quantitative modeling of biological systems using
- the simulation model is adjusted based on the comparisons. Furthermore, noise and measurement errors in the image are reduced by predicting the simulation model.
- the object of the invention is seen in providing a method which makes it possible to make a quantitative statement on at least one image information of a processed single microscope image or less processed microscope images.
- the quantitative definition is given as the measured value with confidence interval.
- the 95% confidence interval as the one
- the object is achieved by a method having the features of claim 1, a microscope having the features of claim 11 and by a software product having the features of claim 10.
- a microscope image is first read.
- the microscope image can be transmitted directly from a microscope or provided on a server or other data carrier or computer.
- the reading of the microscope image in the usual way preferably in an image processing memory.
- the microscopy method for example
- X-ray microscopy is irrelevant as long as digital image data are generated, which are to be further processed and analyzed by means of various image processing / image analysis processes and as long as statistical statements on the distribution or confidence intervals can be empirically determined from measurements and / or apriori knowledge specify these pictures pixel by pixel or can be reasonably estimated.
- the microscope image can also be one of several
- the microscope image as will be explained later in the example, or an image area (ROI of a recording).
- the microscope image can also be a single wide field image of a small series (five to ten images) of images.
- the form comprises
- Microscope image metadata for example, information about the
- Exposure time and other metadata known from image processing By means of this metadata or from other sources known or estimated information for each
- Pixel (pixel) of the microscope image or at least a specific image area ROI: Region Of Interest
- a statistical distribution such as
- Image data for example in the form of metadata.
- the statistical distribution can alternatively be determined by dragging and dropping from a small series of measurements, for example, 10 images.
- the generation of the plurality of images in modified embodiments of the invention can also take place from a specific small number of images or partial images of a SIM microscope image or a small measurement series of a few (5-15) images by dragging and traversing.
- the number of images to be created is in one
- Resampling that means, the more images are generated, the more accurate the later statistical statement.
- the simulation can therefore be stopped if one
- Probability distributions are used depending on the image data. This essentially depends on how the image errors come about, in the most difficult case you can also use a measured unknown distribution (sample).
- the desired image processing e.g.
- confidence intervals are again determined for each pixel, for example by the mean value and the
- Standard deviation for this pixel is determined from all processed images. These confidence intervals are now assigned to each pixel of the final microscope image.
- Regions (first region ROI 1, second region ROI 2).
- the mean intensity in the first region is set in relation to the mean intensity in the second region.
- the fluctuation of the pixel values (average values) in the respective region is used, but also one
- Image error of each pixel taken into account.
- Fig. 1 a SIM microscope image
- Fig. 2 further, generated by Monte Carlo simulation
- Confidence level for the microscope image shown in Fig. 4 along the line shown 1 shows by way of example a structured illumination in a known manner (structured illumination).
- the RAW data of this SIM microscope image comprises a Z-stack with 35 levels, 5
- Fig. 2 shows an example of four more pictures
- Fig. 3 shows by way of example three different
- the "discovered” substructure can be statistically “saved” in the evaluation of structures as follows.
- the scientist usually creates a line profile of the structure in which the separation into two parts becomes visible. These are two “maxima” with a clearly identifiable minimum in between, with the ones now available
- the dash-dot lower curve is the lower limit of the confidence interval along the line in FIG.
- Striated sampling is another method that is effectively applicable in the method of the invention.
- Apriori uses knowledge about the underlying distribution to reflect the population in a representative way with as few random samples as possible (for example, one
- image processing for example, one can separate background and signal beforehand by image analysis and only consider variations of the signal and the environment used for the image processing.
- the choice of bootstrapping or jackknife depends on the image size and the image processing to be processed.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Microscoopes, Condenser (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur quantitativen Auswertung von Mikroskopbilddaten und ein Mikroskop, in dem das Verfahren ausgeführt wird. Das Verfahren umfasst folgende Schritte : - Einlesen eines Mikroskopbildes; - Ermitteln einer statistischen Verteilung eines Pixelwertes für jeden Bildpunkt zumindest eines Bildbereiches des Mikroskopbildes und Zuordnen der ermittelten statistischen Verteilungen zum Mikroskopbild; - Erzeugen einer Vielzahl weiterer Bilder aus dem Mikroskopbild durch Verwendung einer Monte-Carlo-Simulation und der ermittelten statistischen Verteilungen; - Bildverarbeitung aller Bilder unter Anwendung eines Bildverarbeitungsalgorithmus; - Ermittlung von Konfidenzintervallen für jeden Bildpunkt durch statistische Auswertung der Bildinformationen aller zuvor erzeugten Bilder, - Zuordnen der Konfidenzintervalle zu den Bildpunkten des Mikroskopbildes. - quantitative Auswertung des Einzelbildes.
Description
Verfahren zur quantitativen Auswertung von Mikroskopbilddaten, Mikroskop und Softwareprodukt
Die Erfindung betrifft ein Verfahren zur quantitativen
Auswertung von Mikroskopbilddaten, ein Mikroskop und ein
Softwareprodukt zur Durchführung des Verfahrens auf einem Computer oder Mikroskop.
In der Mikroskopie werden Fehlerbetrachtungen bei der
Auswertung von Bildern bis auf wenige Ausnahmen nicht
vorgenommen .
Auch andere Bildverarbeitungsvorgänge, wie sie zum Beispiel zur Auswertung pathologischer Befunde in der Medizin (MRI, Röntgen, Histologie) benötigt werden, machen eine quantitative Betrachtung bzw. Auswertung nach der Anwendung verschiedener nichtlinearer Signalverarbeitungsalgorithmen schwierig.
In der Fluoreszenzmikroskopie sind inhärent quantifizierende Methoden, wie Fluorescence Correlation Spectroscopy (FCS); https : //de .wikipedia . org/wiki/Fluoreszenzkorrelationsspektrosk opie) , Raster Image Correlation Spectroscopy (RICS), Nature Protocols 5, 1761-1774 (2010), oder die „Number and
Brightness"-Verfahren bekannt (Jay R. Unruh and Enrico
Gratton, Biophys . Journal 2008) .
Ein weiteres Verfahren der Fluoreszenzmikroskopie, das
inhärent quantifiziert, ist das Superauflösungsverfahren
PhotoActivated Localization Microscopy (PALM) . Hier werden einzelne Moleküle lokalisiert und die Lokalisationsgenauigkeit beispielsweise mittels statistischer Methoden ermittelt. Das Bild (Darstellung) wird mit Parametern dieser
Lokalisationsgenauigkeit konstruiert und führt zu einem
dramatischen Auflösungsgewinn gegenüber herkömmlichen Methoden (Betzig et al . Science 2006) .
Auch in der Materialmikroskopie werden Strukturen auf Proben automatisiert vermessen und ausgewertet. Eine statistische Fehlerbetrachtung findet dabei in der Regel nicht statt.
Für eine statische Aussage bei der Bildanalyse müssten mehrere Aufnahmen (Experimente) gemacht und diese entsprechend
ausgewertet werden. Dies ist zeitaufwendig und für bestimmte Proben (z.B. Lebendzellen) ohne Veränderung der Probe selbst nicht möglich. Das heißt die Varianz der Einzelmessungen wird mit der biologischen Varianz (Veränderung der Probe)
überlagert .
Die WO02/099763A1 beschreibt ein Verfahren zur quantitativen Modellbildung biologischer Systeme unter Nutzung von
Bilddaten. Mit Hilfe des Modells werden Vorhersagen für
Bilddaten generiert und diese mit den aufgenommenen Bildern verglichen. Das Simulationsmodell wird anhand der Vergleiche angepasst. Weiterhin werden Rauschen und Messfehler im Bild durch Vorhersagen des Simulationsmodells reduziert.
Aus der WO 2006/102570 ist ein Verfahren zum Segmentieren röhrenartiger Strukturen aus Bilddaten bekannt. Hierbei werden ein statistisches Modell und bildbasierte Messungen
kombiniert .
Die Aufgabe der Erfindung wird darin gesehen, ein Verfahren anzugeben, das es ermöglicht, eine quantitative Aussage zu mindestens einer Bildinformation eines prozessierten einzigen Mikroskopbildes oder weniger prozessierter Mikroskopbilder zu treffen. Hierbei wird quantitativ definiert als Messwert mit Konfidenzintervall. Ohne Beschränkung der Allgemeinheit kann
beispielsweise das 95%-Konfidenzintervall als derjenige
Bereich definiert werden, in dem der wahre Messwert mit einer Wahrscheinlichkeit von 95% liegt. Weiterhin soll ein
Softwareprodukt bereitgestellt werden, dass die Ausführung des Verfahrens auf einem Mikroskop oder einem Computer erlaubt. Eine weitere Aufgabe kann darin gesehen werden, ein Mikroskop bereitzustellen, auf dem das Verfahren ausgeführt werden kann.
Die Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1, ein Mikroskop mit den Merkmalen des Anspruchs 11 und durch ein Softwareprodukt mit den Merkmalen des Anspruchs 10 gelöst.
Vorteilhafte Ausgestaltungsvarianten der Erfindung sind in den Unteransprüchen angegeben.
Bei einem erfindungsgemäßen Verfahren zur quantitativen
Auswertung von Bilddaten eines Mikroskopbildes wird zunächst ein Mikroskopbild eingelesen. Das Mikroskopbild kann dabei direkt von einem Mikroskop übermittelt werden oder auf einem Server oder anderem Datenträger oder Computer bereitgestellt sein Das Einlesen des Mikroskopbildes erfolgt in gewohnter Weise vorzugsweise in einen Bildverarbeitungsspeicher. Dabei spielt das Mikroskopie-Verfahren (zum Beispiel
Lichtmikroskopie, Laserscanningmikroskopie, SIM - Structured Illumination Microscopy, Elektronenmikroskopie,
Röntgenmikroskopie ) keine Rolle, so lange digitale Bilddaten entstehen, die mittels verschiedener Bildverarbeitungs- /Bildanalyseprozesse weiterverarbeitet und analysiert werden sollen und solange sich statistische Aussagen zur Verteilung oder zu Konfidenzintervallen beispielsweise empirisch aus Messungen ermitteln lassen und/oder aus Apriori-Wissen zu
diesen Bildern pixelweise angeben oder sinnvoll schätzen lassen .
Das Mikroskopbild kann dabei auch eines von mehreren
Zwischenbildern eines mit strukturierter Beleuchtung
aufgenommenen und softwaretechnisch errechneten
Mikroskopbbildes sein, wie später im Beispiel erläutert wird, oder ein Bildbereich (ROI einer Aufnahme) . Das Mikroskopbild kann dabei auch ein Einzelweitfeldbild einer kleinen Reihe (fünf bis zehn Bilder) von Aufnahmen sein.
In einer vorteilhaften Aus führungs form umfasst das
Mikroskopbild Metadaten, zum Beispiel Angaben über das
Mikroskop, das verwendete Objektiv, den Bildaufnahmesensor,
Belichtungszeit und weitere aus der Bildverarbeitung bekannte Metadaten. Mittels dieser Metadaten oder aus anderen Quellen bekannter oder geschätzter Information werden für jeden
Bildpunkt (Pixel) des Mikroskopbildes oder zumindest eines bestimmten Bildbereiches (ROI: Region Of Interest) eine statistische Verteilung, wie beispielsweise
Konfidenzintervalle durch Messung, A-priori-Wissen (z.B.
Herstellerangaben) oder Schätzung ermittelt und mit den
Bilddaten beispielsweise in Form von Metadaten verknüpft werden. Die statistische Verteilung kann alternativ auch durch Ziehen und Zurücklegen aus einer kleinen Messreihe aus beispielsweise 10 Bildern ermittelt werden.
Nun wird mittels einer Monte-Carlo-Simulation eine Vielzahl von Bildern aus dem Mikroskopbild und der ermittelten
statistischen Verteilung für jeden Bildpunkt zumindest eines Bildbereiches (ROI) erzeugt, welche vorzugsweise ebenfalls in den Bildverarbeitungsspeicher abgelegt werden.
Die Erzeugung der Vielzahl von Bildern kann in abgewandelten Aus führungs formen der Erfindung auch aus einer bestimmten kleinen Anzahl von Aufnahmen oder Teilbildern eines SIM- Mikroskopbildes oder einer kleinen Messreihe von wenigen (5- 15) Bildern durch Ziehen und Zurücklegen erfolgen.
Die Anzahl der zu erzeugenden Bilder liegt in einer
bevorzugten Aus führungs form der Erfindung zwischen 10 und 100 Bildern. Sie bestimmt die Genauigkeit der Statistik beim
Resampling, da heißt, je mehr Bilder erzeugt werden, umso genauer die spätere statistische Aussage.
Die Simulation kann also gestoppt warden, wenn eine
vorgegebene Genauigkeit erreicht ist oder eine festgelegte Anzahl an Bildern, basierend auf praktischen Erfahrungen bezüglich der benötigten Rechenzeit, erzeugt wurden.
Bei der Monte Carlo Simulation werden durch Substituieren einer Reihe von Werten (zum Beispiel Pixelintensitäten,
Farbwerte) der einzelnen Pixel im Bereich der
Wahrscheinlichkeitsverteilung jeweils neue Bilder generiert.
Werden als statistische Verteilung Konfidenzintervalle
benutzt, liegen alle neu generierten Bilder im Bereich der Konfidenzintervalle des ursprünglichen Mikroskopbildes liegen.
Es können verschiede Wahrscheinlichkeitsverteilungen verwendet werden, gewöhnlich wird die Normal- oder Glockenverteilung Anwendung finden, bei der eine Mittelwert und eine
Standardabweichung um diesen Mittelwert herum definiert wird. Es können aber durchaus auch andere bekannte
Wahrscheinlichkeitsverteilungen (Poisson, Lognormal, Uniform, Triangulär, PERT, Discrete) in Abhängigkeit von den Bilddaten verwendet werden. Dies hängt im Wesentlichen davon ab, wie die Bildfehler zustande kommen, im schwierigsten Fall kann man
auch eine gemessene unbekannte Verteilung (Stichprobe ) zugrunde legen.
Der Fachmann wird entsprechend der Erfordernisse die am besten geeignete Variante auswählen.
Nun erfolgt die gewünschte Bildverarbeitung (z.B.
Rauschverminderung, Kontrastverbesserung, Kantenglättung, Belichtungskorrektur, Mustererkennung, Histogrammausgleich oder andere bekannte Bildverarbeitungsverfahren) mit allen generierten Bildern unter Fortpflanzung der
Wahrscheinlichkeitsverteilung .
Aus der Vielzahl der prozessierten Bilder oder Bildbereiche werden für jeden Bildpunkt wiederum Konfidenzintervalle ermittelt, indem beispielsweise der Mittelwert und die
Standardabweichung für dieses Pixel aus allen prozessierten Bildern ermittelt wird. Diese Konfidenzintervalle werden nun jedem Bildpunkt des endgültigen Mikroskopbildes zugeordnet.
Der Wissenschaftler kann nun für bestimmte im Bild
auszuwertende Bereiche oder Strukturen durch eine quantitative Auswertung des endgültigen Mikroskopbildes eine Aussage zur statistischen Signifikanz des Bereichs bzw. der Struktur machen .
Die Extraktion der gewünschten quantitativen Größen und deren Darstellung kann nun mittels des Einzelbildes vorgenommen werden .
Hierfür werden nachfolgend zwei Beispiele angegeben:
Beispiel 1: Intensitätvergleich in verschiedenen ROI's (ROI= region of interest) .
Der Nutzer wählt an einem Mikroskopbild die gewünschten
Regionen (erste Region ROI 1, zweite Region ROI 2) . Nun wird die mittlere Intensität in der ersten Region mit der mittleren Intensität in der zweiten Region ins Verhältnis gesetzt. Hier wird nun nicht nur die Schwankung der Pixelwerte (Mittelwerte) in der jeweiligen Region herangezogen, sondern auch ein
Bildfehler der einzelnen Pixel mit berücksichtigt.
Damit kann dann auch weiterführende Statistik, wie testen von Hypothesen und Signifikanz bereits in der Einzelmessung sinnvoll angewendet werden.
Beispiel 2: Nachweis von Trennen verschiedener Strukturen bei einem mit strukturierter Beleuchtung erzeugten SIM- Mikroskopbild (SIM: structured Illumination microscopy) .
Dieses Beispiel ist nachfolgend anhand der Figuren näher erläutert .
Es zeigen:
Fig. 1: Ein SIM-Mikroskopbild;
Fig. 2: weitere, durch Monte-Carlo-Simulation erzeugte
Bilder;
Fig. 3: beispielhafte Linienprofile für die weiteren Bilder;
Das SIM-Mikrospbild nach der statistischen Auswertung;
Konfidenzlevel für das in Fig. 4 gezeigte Mikroskopbild entlang der dargestellten Linie
Fig. 1 zeigt beispielhaft ein in bekannter Weise mit strukturierter Beleuchtung (structured Illumination)
aufgenommenes SIM_Mikroskopbild. Die RAW-Daten diese SIM- Mikroskopbildes umfassen einen Z-Stapel mit 35 Ebenen, 5
Rotationen und 5 Phasen. Dargestellt ist nur die erste Phase der ersten Rotation einer zentralen Ebene des SIM- Mikroskopbildes .
Herkömmliche SIM-Daten sind in der Regel bereits durch eine Reihe von Bildverarbeitungsschritten gegangen.
Fig. 2 zeigt beispielhaft vier weitere Bilder mit
unterschiedlichen Rauschen einer größeren Anzahl von Bildern, welche durch Monte-Carlo-Simulation erzeugt wurden, in dem ersten der 4 Bilder ist durch eine Linie ein zu untersuchenden Profil dargestellt.
Fig. 3 zeigt beispielhaft drei verschiedene
Intensitätsverteilungen der generierten weiteren Bilder entlang der in Fig. 2 gezeigten Profillinie mit der
statistischen Verteilung. Tatsächlich können mehrere Hundert oder Tausend von Bildern generiert werden.
Liegt das SIM-Mikroskopbild nun wie oben beschrieben mit den entsprechenden Verteilungen bzw. Konfidenzintervallen vor (Fig. 4), so kann bei der Auswertung von Strukturen die „entdeckte" Substruktur folgendermaßen statistisch „gesichert" werden . Der Wissenschaftler erstellt in der Regel ein Linienprofil der Struktur, in dem die Trennung in zwei Teile sichtbar wird. Das sind zwei „Maxima" mit einem eindeutig zu identifizierendem Minimum dazwischen. Mit den nun zur Verfügung stehenden
Konfidenzleveln (Fig. 5) lässt sich zum Einen sofort
visualisieren, ob das Profil sich außerhalb der Fehler der Einzelpixel bewegt oder die Kurve zum Beispiel komplett in den Fehlerbalken liegt.
Die strichpunktierte untere Kurve ist die untere Grenze des Konfidenzintervalls entlang der Linie in Fig. 4. Die
durchgezogene obere Kurve stellt die obere Grenze des
Konfidenzintervalls dar. Die mittlere punktierte Linie ist der Durchschnittwert der rekonstruierten Pixelintensitäten.
Zum anderen können sich nun Hypothesentests anschließen, bei denen die Wahrscheinlichkeit berechnet wird, dass obwohl die unterliegende Struktur zusammenhängend ist, die Daten dennoch diesen Verlauf zeigen.
Bootstrapping oder Jackknife-Verfahren werden
vorteilhafterweise bei theoretisch komplexen und unbekannten Verteilungen angewendet, die aber in empirischen Messungen (Stichproben) vorliegen.
Striated Sampling ist ein weiteres Verfahren das wirkungsvoll in dem erfindungsgemäßen Verfahren anwendbar ist. Dabei wird Apriori Wissen über die zugrunde liegende Verteilung genutzt, um mit möglichst wenig Stichproben die Grundgesamtheit repräsentativ zu spiegeln (Beispiel hierfür ist eine
repräsentative Wahlumfrage) . Bei der Bildverarbeitung kann man beispielsweise durch Bildanalyse schon vorher Hintergrund und Signal trennen und nur Variationen des Signal und der für die Bildverarbeitung genutzten Umgebung betrachten.
Ebenfalls lässt sich vorteilhafterweise die Größe bestimmen, ab der Pixelumgebungen als für die Bildverarbeitung unabhängig voneinander betrachtet werden können. Dadurch lässt sich der gesamte Verarbeitungsprozess massiv parallelisieren .
Das erfindungsgemäße Verfahren ermöglich erstmals in einer Reihe äußert komplexer Algorithmik auch
fehlerbasierte/konfidenzgesteuerte Algorithmen sinnvoll einsetzen zu können (nonlinear least Squares oder andere) und somit nicht „nur" die Fehler im Ausgangsbild zu bestimmen, sondern auch unter Umständen deutlich leistungsstärkere
Algorithmik in komplexen Bildverarbeitungsprozessen zu nutzen.
Die verwendete Bildverarbeitung sowie die Anzahl der
Verrechnungsschritte sind variabel.
Darüber hinaus hängt die Wahl des Bootstrapping oder Jackknife von der Bildgröße und der zu prozessierenden Bildverarbeitung ab .
Die Erfindung ist selbstverständlich nicht auf das
dargestellte Beispiel beschränkt.
Claims
Patentansprüche
Verfahren zur quantitativen Auswertung von
Mikroskopbilddaten, folgende Schritte umfassend:
Einlesen eines Mikroskopbildes;
Ermitteln einer statistischen Verteilung eines Pixelwertes für jeden Bildpunkt zumindest eines
Bildbereiches des Mikroskopbildes und Zuordnen der ermittelten statistischen Verteilungen zum
Mikroskopbild;
Erzeugen einer Vielzahl weiterer Bilder aus dem
Mikroskopbild durch Verwendung einer Monte-Carlo- Simulation und der ermittelten statistischen Verteilungen;
Bildverarbeitung aller Bilder unter Anwendung eines Bildverarbeitungsalgorithmus ;
Ermittlung von Konfidenzintervallen für jeden Bildpunkt durch statistische Auswertung der Bildinformationen aller zuvor erzeugten Bilder,
Zuordnen der Konfidenzintervalle zu den Bildpunkten des Mikroskopbildes.
quantitative Auswertung des Einzelbildes.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Erzeugen einer Vielzahl weiterer Bilder mittels eines Resampling-Verfahrens erfolgt.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Resampling-Verfahren ein Bootstrap und/oder ein
Jackknife-Verfahren ist.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet dass mehrere Mikroskopbilder oder
Mikroskopteilbilder eingelesen werden.
Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Monte-Carlo-Simulation auf A- priori-Wissen beruht.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass das A-priori-Wissen aus Herstellerangaben abgeleitet wird .
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass der Bildverarbeitungsalgorithmus einen oder mehrere der Methoden Rauschverminderung, KontrastVerbesserung, Kantenglättung,
Belichtungskorrektur, Mustererkennung,
Histogrammausgleich umfasst.
Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das Mikroskopbild eines von mehreren Zwischenbildern eines mit strukturierter Beleuchtung aufgenommenen Mikroskopbildes ist.
Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass es in einem Mikroskop implementiert ist .
Softwareprodukt zur Ausführung eines Verfahrens nach einem der Ansprüche 1 bis 9 auf einem Computer oder in einer Bildverarbeitungseinheit eines Mikroskopes.
Mikroskop mit einer Bildverarbeitungseinheit, in der ein Verfahren nach einem der Ansprüche 1 bis 9 ausgeführt wird .
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016212348.3A DE102016212348A1 (de) | 2016-07-06 | 2016-07-06 | Verfahren zur quantitativen Auswertung von Mikroskopbilddaten, Mikroskop und Softwareprodukt |
| DE102016212348.3 | 2016-07-06 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2018007341A1 true WO2018007341A1 (de) | 2018-01-11 |
Family
ID=59295198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/EP2017/066542 WO2018007341A1 (de) | 2016-07-06 | 2017-07-04 | Verfahren zur quantitativen auswertung von mikroskopbilddaten, mikroskop und softwareprodukt |
Country Status (2)
| Country | Link |
|---|---|
| DE (1) | DE102016212348A1 (de) |
| WO (1) | WO2018007341A1 (de) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002099763A1 (de) | 2001-06-02 | 2002-12-12 | Invensys Metering Systems Gmbh Ludwigshafen | Piezo-elektrische signalvorrichtung |
| WO2006102570A2 (en) | 2005-03-23 | 2006-09-28 | Siemens Medical Solutions Usa, Inc. | System and method for vascular segmentation by monte-carlo sampling |
| WO2007026266A2 (en) * | 2005-06-15 | 2007-03-08 | Koninklijke Philips Electronics N.V. | Noise model selection for emission tomography |
| EP2752699A1 (de) * | 2012-12-21 | 2014-07-09 | Carl Zeiss Microscopy GmbH | Verfahren zur hochauflösenden 3D-Lokalisierungsmikroskopie |
-
2016
- 2016-07-06 DE DE102016212348.3A patent/DE102016212348A1/de not_active Withdrawn
-
2017
- 2017-07-04 WO PCT/EP2017/066542 patent/WO2018007341A1/de active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002099763A1 (de) | 2001-06-02 | 2002-12-12 | Invensys Metering Systems Gmbh Ludwigshafen | Piezo-elektrische signalvorrichtung |
| WO2006102570A2 (en) | 2005-03-23 | 2006-09-28 | Siemens Medical Solutions Usa, Inc. | System and method for vascular segmentation by monte-carlo sampling |
| WO2007026266A2 (en) * | 2005-06-15 | 2007-03-08 | Koninklijke Philips Electronics N.V. | Noise model selection for emission tomography |
| EP2752699A1 (de) * | 2012-12-21 | 2014-07-09 | Carl Zeiss Microscopy GmbH | Verfahren zur hochauflösenden 3D-Lokalisierungsmikroskopie |
Non-Patent Citations (3)
| Title |
|---|
| "Raster Image Correlation Spectroscopy (RICS", NATURE PROTOCOLS, vol. 5, 2010, pages 1761 - 1774 |
| BETZIG ET AL., SCIENCE, 2006 |
| JAY R. UNRUH; ENRICO GRATTON, BIOPHYS. JOURNAL, 2008 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102016212348A1 (de) | 2018-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3807838A2 (de) | Materialprüfung von optischen prüflingen | |
| DE112009000949T5 (de) | Detektion eines freien Fahrpfads für ein Fahrzeug | |
| DE102019114012A1 (de) | Mikroskopieverfahren, Mikroskop und Computerprogramm mit Verifikationsalgorithmus für Bildverarbeitungsergebnisse | |
| WO2005122092A1 (de) | Verfahren und vorrichtung zur segmentierung einer digitalen abbildung von zellen | |
| DE102020126554A1 (de) | Mikroskopiesystem und verfahren zum überprüfen von eingabedaten | |
| DE19633693C1 (de) | Verfahren und Vorrichtung zur Erfassung von Targetmustern in einer Textur | |
| DE102018104616A1 (de) | Verfahren zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten, Computerprogrammprodukt, computerlesbares Medium, auf dem das Computerprogrammprodukt gespeichert ist, und System zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten | |
| DE102021100444A1 (de) | Mikroskopiesystem und verfahren zum bewerten von bildverarbeitungsergebnissen | |
| EP2534521B1 (de) | Verfahren und vorrichtung zum einstellen eines geeigneten auswerteparameters für ein fluoreszenzmikroskop | |
| EP3159681A1 (de) | Verfahren und vorrichtung zur automatisierbaren ermittlung der bestimmungsgrenze und des relativen fehlers bei der quantifizierung der konzentration einer zu untersuchenden substanz in einer messprobe | |
| DE102016220872A1 (de) | Analyseverfahren für Objektmarkierungen in Bildern auf Basis von Modellen | |
| DE102021127403A1 (de) | Qualitätsüberwachungssystem für stanzstreckenfehler und verfahren zum überwachen von stanzstreckenfehlern | |
| DE19928231A1 (de) | Verfahren und Vorrichtung zur Segmentierung einer Punkteverteilung | |
| EP3430565B1 (de) | Verfahren zur untersuchung verteilter objekte unter segmentierung eines übersichtbildes | |
| DE102013020705A1 (de) | Verfahren und Vorrichtung zur Untersuchung einer Maske | |
| DE102019117680A1 (de) | Automatisiertes segmentierungsverfahren für die qualitätsprüfung | |
| WO2018007341A1 (de) | Verfahren zur quantitativen auswertung von mikroskopbilddaten, mikroskop und softwareprodukt | |
| DE102021133868A1 (de) | Mikroskopiesystem und Verfahren zum Modifizieren von Mikroskopbildern im Merkmalsraum eines generativen Netzes | |
| DE102021114287A1 (de) | Mikroskopiesystem und Verfahren zum Erzeugen stilisierter Kontrastbilder | |
| DE102018133092B3 (de) | Computer-implementiertes Verfahren zur Analyse von Messdaten aus einer Messung eines Objektes | |
| DE102014224916B4 (de) | Verfahren zur rechnergestützten Analyse eines oder mehrerer Gewebeschnitte des menschlichen oder tierischen Körpers | |
| DE102015210619A1 (de) | Dreidimensional-Formmessapparatur, Messdaten-Verarbeitungseinheit, Messdaten-Verarbeitungsverfahren und Computerprogramm | |
| DE102020113313A1 (de) | Verfahren, computerprogramm und mikroskopsystem zum verarbeiten von mikroskopbildern | |
| DE102015212703B3 (de) | Verfahren und Vorrichtung zum Bestimmen von Eigenschaften mindestens einer Struktur im Submikrometerbereich | |
| DE102020204508A1 (de) | System und Verfahren zur Inspektion einer Maske für die EUV-Lithographie |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17736640 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 17736640 Country of ref document: EP Kind code of ref document: A1 |