Segmentierung von Zellkernen für Hochdurchsatz-DNA-Bildzytomerie

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.