Die vorliegende Arbeit untersuchte die Durchführbarkeit und Genauigkeit der manuellen Segmentierung des Nervus facialis in hochauflösenden CT – Bildern im Vergleich mit einer semi – automatischen Segmentierung durch verschiedene Probanden. Die Untersuchung erfolgte für beide Segmentierformen Software gestützt. Zusätzlich wurde das subjektive Vertrauen der Probanden in die eigene Segmentierung abgefragt. Die beiden in dieser Arbeit untersuchten Methoden wiesen keinen signifikanten Unterschied für die Genauigkeit auf. Dabei betrug die mittlere quadratische Abweichung für die manuelle Segmentierform 0,53 mm und 0,42 mm für den semi-automatischen Ansatz. Die semi – automatische Segmentierung benötigte zudem mit einer mittleren Segmentierzeit/Datensatz von t = 94 sec deutlich weniger Zeit als die Probanden der manuellen Segmentierung mit einer mittleren Segmentierzeit/Datensatz von t = 219,5 sec. Anhand einer Korrelationsanalyse konnte festgestellt werden, dass bei der manuellen Segmentierung die Höhe der Abweichung (in mm) nicht mit der Segmentierzeit (in sec) korrelierte. Für den semi-automatischen Ansatz ergab sich auch lediglich für den zweiten Durchlauf eine Korrelation zwischen Höhe der Abweichung (in mm) und der Segmentierzeit (in sec) auf Signifikanzniveau (p < 0,01): Je mehr Zeit der Proband für seine Segmentierung in Anspruch nahm, desto höher fiel die Abweichung vom Referenzverlauf aus. Die Abfrage des subjektiven Segmentierungsvertrauens zeigte deutlich, dass sich die Probanden in ihrer Festlegung des Fazialisverlaufes sicher waren. Des Weiteren traten keine Unterschiede des Segmentierungsvertrauens zwischen den verschiedenen Durchläufen auf. Im Ergebnis zeigen die manuelle und die semi-automatische Segmentierung keine signifikanten Genauigkeitsunterschiede im Vergleich zur Referenz und können genutzt werden, um vor Eingriffen am Felsenbein eine sichere Identifikation des Nervus facialis zu liefern.

Zugl.: Stuttgart, Univ., Diss., 2008.

Nürtingen, FH, Diplomarb., 2004. / Betreuer: Rudolf Sick.

Zugl.: Hannover, Universiẗat, Diss., 2009.

Neuroanatomical data in fly brain research are mostly available as spatial gene expression patterns of genetically distinct fly strains. The Drosophila standard brain, which was developed in the past to provide a reference coordinate system, can be used to integrate these data. Working with the standard brain requires advanced image processing methods, including visualisation, segmentation and registration. The previously published VIB Protocol addressed the problem of image registration. Unfortunately, its usage was severely limited by the necessity of manually labelling a predefined set of neuropils in the brain images at hand. In this work I present novel tools to facilitate the work with the Drosophila standard brain. These tools are integrated in a well-known open-source image processing framework which can potentially serve as a common platform for image analysis in the neuroanatomical research community: ImageJ. In particular, a hardware-accelerated 3D visualisation framework was developed for ImageJ which extends its limited 3D visualisation capabilities. It is used for the development of a novel semi-automatic segmentation method, which implements automatic surface growing based on user-provided seed points. Template surfaces, incorporated with a modified variant of an active surface model, complement the segmentation. An automatic nonrigid warping algorithm is applied, based on point correspondences established through the extracted surfaces. Finally, I show how the individual steps can be fully automated, and demonstrate its application for the successful registration of fly brain images. The new tools are freely available as ImageJ plugins. I compare the results obtained by the introduced methods with the output of the VIB Protocol and conclude that our methods reduce the required effort five to ten fold. Furthermore, reproducibility and accuracy are enhanced using the proposed tools. / Expressionsmuster genetisch manipulierter Fliegenstämme machen den Großteil neuroanatomischer Daten aus, wie sie in der Gehirnforschung der Taufliege Drosophila melanogaster entstehen. Das Drosophila Standardgehirn wurde u.a. entwickelt, um die Integration dieser Daten in ein einheitliches Referenz-Koordinatensystem zu ermöglichen. Die Arbeit mit dem Standardgehirn erfordert hochentwickelte Bildverarbeitungsmethoden, u.a. zur 3D Visualisierung, Segmentierung und Registrierung. Das bereits publizierte "VIB Protocol" stellte bisher eine Möglichkeit für die Registrierung zur Verfügung, die aber duch die Notwendigkeit manueller Segmentierung bestimmter Neuropile nur eingeschränkt verwendbar war. In der vorliegenden Arbeit stelle ich neue Werkzeuge vor, die den Umgang mit dem Standardgehirn erleichtern. Sie sind in ein bekanntes, offenes Bildverarbeitungsprogramm integriert, das potentiell als Standardsoftware in der neuroanatomischen Forschung dienen kann: ImageJ. Im Zuge dieser Arbeit wurde eine hardwarebeschleunigte 3D Visualisierungs-Bibliothek entwickelt, die die Visualisierungsmöglichkeiten von ImageJ ergänzt. Auf Basis dieser Entwicklung wurde anschließend ein neuer halbautomatischer Segmentierungs-Algorithmus erstellt. In diesem Algorithmus werden Neuropil-Oberflächen, ausgehend von ausgewählten Ausgangspunkten, aufgebaut und erweitert. Vorlagen von Neuropil-Oberflächen aus der Segmentierung eines Referenz-Datensatzes, die anhand eines modifizierten "Active Surface" Modells einbezogen werden können, ergänzen die aktuelle Segmentierung. Die so erhaltenen Oberflächen ermöglichen es, korrespondierende Landmarken in den Bildern zu ermitteln, die für eine nicht-rigide Registrierung verwendet werden. Schließlich wird dargelegt, wie die einzelnen Schritte voll automatisiert werden können, um die Bilder der Fliegengehirne aufeinander abzubilden. Die vorgestellten Methoden sind frei als Erweiterungen für ImageJ verfügbar (Plugins). Ein direkter Vergleich mit dem VIB Protokoll zeigt, dass durch die vorgestellten Methoden nicht nur der Benutzeraufwand auf ein Sechstel reduziert, sondern dass gleichzeitig auch die Genauigkeit und Reproduzierbarkeit erhöht wird.

In this thesis, I introduce the Virtual Brain Protocol, which facilitates applications of the Standard Brain of Drosophila melanogaster. By providing reliable and extensible tools for the handling of neuroanatomical data, this protocol simplifies and organizes the recurring tasks involved in these applications. It is demonstrated that this protocol can also be used to generate average brains, i.e. to combine recordings of several brains with the same features such that the common features are emphasized. One of the most important steps of the Virtual Insect Protocol is the aligning of newly recorded data sets with the Standard Brain. After presenting methods commonly applied in a biological or medical context to align two different recordings, it is evaluated to what extent this alignment can be automated. To that end, existing Image Processing techniques are assessed. I demonstrate that these techniques do not satisfy the requirements needed to guarantee sensible alignments between two brains. Then, I analyze what needs to be taken into account in order to formulate an algorithm which satisfies the needs of the protocol. In the last chapter, I derive such an algorithm using methods from Information Theory, which bases the technique on a solid mathematical foundation. I show how Bayesian Inference can be applied to enhance the results further. It is demonstrated that this approach yields good results on very noisy images, detecting apparent boundaries between structures. The same approach can be extended to take additional knowledge into account, e.g. the relative position of the anatomical structures and their shape. It is shown how this extension can be utilized to segment a newly recorded brain automatically. / In dieser Arbeit wird das Virtual Brain Protocol vorgestellt, das die Anwendungen rund um das Standardgehirn von \dm\ erleichtert. Durch das Bereitstellen robuster und erweiterbarer Werkzeuge zum Verarbeiten neuroanatomischer Datensätze ermöglicht es ein strukturiertes Abarbeiten der häufig benötigten Vorgänge im Zusammenhang mit der Arbeit mit dem Standardgehirn. Neben der Einpassung neuer Daten in das Standardgehirn kann dieses Protokoll auch dazu verwendet werden, sogenannte Durchschnittshirne zu erstellen; Aufnahmen mehrerer Hirne mit der gleichen zu zeigenden Eigenschaft können zu einem neuen Datensatz kombiniert werden, der die gemeinsamen Charakteristika hervorhebt. Einer der wichtigsten Schritte im Virtual Insect Protocol ist die Alignierung neuer Datensätze auf das Standardgehirn. Nachdem Methoden vorgestellt werden, die üblicherweise im biologischen oder medizinischen Umfeld angewendet werden, um Hirne aufeinander zu alignieren, wird evaluiert, inwiefern dieser Prozess automatisierbar ist. In der Folge werden diverse bildverarbeitende Methoden in dieser Hinsicht beurteilt. Es wird demonstriert, dass diese Verfahren den Anforderungen sinnvoller Alignierungen von Hirnen nicht genügen. Infolgedessen wird genauer analysiert, welche Umstände berücksichtigt werden müssen, um einen Algorithmus zu entwerfen, der diesen Anforderungen genügt. Im letzten Kapitel wird ein solcher Algorithmus mithilfe von Methoden aus der Informationstheorie hergeleitet, deren Verwendung das Verfahren auf eine solide mathematische Basis stellt. Es wird weiterhin gezeigt, wie Bayesische Inferenz angewendet werden kann, um die Ergebnisse darüber hinaus zu verbessern. Sodann wird demonstriert, daß dieser Algorithmus in stark verrauschten Bilddaten ohne zusätzliche Informationen Grenzen zwischen Strukturen erkennen kann, die mit den sichtbaren Grenzen gut übereinstimmen. Das Verfahren kann erweitert werden, um zusätzliche Informationen zu berücksichtigen, wie etwa die relative Position anatomischer Strukturen sowie deren Form. Es wird gezeigt, wie diese Erweiterung zur automatischen Segmentierung eines Hirnes verwendet werden kann.

Zugl.: Chemnitz, Techn. Univ., Diss., 2006

Zugl.: Mainz, Univ., Diss., 2007

Zugl.: Mainz, Universiẗat, Diss., 2007.

Zugl.: Hannover, Universiẗat, Diss.