This thesis project evaluates and compares different deep learning based segmentation tools for acquiring 3D segmentations of mitochondria. These segmentations could then hopefully be used in the future to quantify the mitochondria dynamics, which is vital for the survival of human cells. Four different models were evaluated and compared using the metrices Intersection over Union (IoU) and Dice, and a measurement of the quantity and area of the segmented mitochondria. The four different models were from the Fiji U-Net plugin, MitoSegNet, EmbedSeg 2D and EmbedSeg 3D. The data used was microscopic images of transfected MDCKII cells taken using a Lattice light-sheet microscope. Processing of the data was done in Fiji, which included manual annotation of the images in order to acquire ground truth segmentations. The results showed that the most suited model for this task was the model from the Fiji U-Net plugin. The other models also generated adequate segmentations, but could not adapt to images from a different cell. It was also concluded that stacking together 2D segmentations in order to achieve a 3D segmentations was successful. / Detta examensarbete utvärderar och jämför olika djupinlärningsbaserade segmenteringsverktyg för att få 3D-segmenteringar av mitokondrier. Dessa segmenteringar kan sedan förhoppningsvis användas i framtiden för att kvantifiera mitokondriernas dynamik, vilken är avgörande för de mänskliga cellernas överlevnad. Fyra olika modeller utvärderades och jämfördes med hjälp av måtten IoU och Dice, samt en mätning av kvantiteten och arean av de segmenterade mitokondrierna. De fyra olika modellerna var från en Fiji U-Net-plugin, MitoSegNet, EmbedSeg 2D och EmbedSeg 3D. Datan som användes var mikroskopbilder av transfekterade MDCKII-celler tagna med ett Lattice light-sheet mikroskop. Processeringen av datan gjordes i Fiji, som inkluderade manuell annotering av bilderna för att få ground truth segmenteringar. Resultaten visade att modellen som var bäst lämpad för denna uppgift var modellen från Fiji U-Net-pluginen. De andra modellerna genererade också adekvata segmenteringar, men kunde inte anpassa sig till bilder av en annan cell. En slutsats var också att stapla samman 2D-segmenteringar för att få 3D-segmenteringar var en lyckad metod.

In biology, it is common to study cultured cells (in vitro) with fluorescence time-lapse microscopy. The cells are recorded for longer period of time and can later be viewed at an accelerated speed. During the acquisition some live cells tend to migrate. This can be a problem if the cell’s migration speed is high enough to move outside the field of view (FOV) during the acquisition time. The cells that moves outside the FOV can no longer be recorded and the information about them will be lost. This thesis presents scripts that have been developed for ZEN (blue) to be able to track a specific migrating cell of interest in real-time with automated control of imaging parameters. The microscope stage position is modified on-the-fly to have the tracked cell in the center of the FOV for the whole experiment. Three different types of experiments to track migrating NK cells were performed with the scripts. The results show that the scripts were able to track one NK cell for more than 1 hour in both conventional wide-field and lattice light-sheet microscopy. The segmentation was inaccurate when one or more objects were in close proximity to the tracked cell. By applying a watershed algorithm the segmentation result can be improved in some cases. / Inom cellulär biologi är det vanligt att studera odlade celler (in vitro) med time- lapse-mikroskopi. Flertals bilder tas på cellerna under en längre tidsperiod och när experimentet är klart så kan man titta på bilderna som en video. Under förvärvet av bilderna så tenderar vissa levande celler att migrera. Ett problem som kan uppstå är om cellens migrationshastighet är tillräckligt hög för att röra sig utanför synfältet under anskaffningstiden. De celler som rör sig utanför synfältet kan inte längre avbildas och informationen om dem kommer att gå förlorad. I denna avhandling presenteras programmeringskoder som har utvecklats för ZEN (blue) som kan spåra en specifik migrerande cell i realtid med automatiserad kontroll av bildbehandlings parametrar. Mikroskopets scenposition modifieras under experimentets gång för att få den spårade cellen kontinuerligt i mitten av synfältet. Tre olika sorters experiment i kombination med programmeringskoderna utfördes för att spåra NK-celler. Resultaten visar att programmeringskoderna lyckades spåra en NK-cell i mer än 1 timme i både ett bredfältsfluorescensmikroskop och ett lattice light-sheet mikroskop. Segmenteringen var felaktig när ett eller flera objekt var i närheten av den spårade cellen. Genom att tillämpa en watershed algoritm kan segmenteringsresultatet förbättras i vissa fall.