Diese Arbeit befasst sich mit der automatisierten Analyse der Ausrichtungen von Neuronenfasern in Mikroskopiebildern des menschlichen Gehirns. Für eine solche Analyse wurden vom Paul-Flechsig-Institut für Hirnforschung Leipzig (PFI) Fluoreszenzbilddaten zur Verfügung gestellt. Um für diese Daten Faserausrichtungen zu ermitteln, werden drei Schritte durchgeführt: Neuronenfasern werden hervorgehoben, bzw. freigestellt, es werden Orientierungen zu diesen zugeordnet und die hierdurch ermittelten Ergebnisse werden visualisiert. Es werden für jeden dieser Schritte mehrere Verfahren der klassischen Bildverarbeitung vorgestellt und die Auswirkung verschiedener Parameter auf deren Ergebnisse untersucht. Betrachtet werden Verfahren zur Kontrasterhöhung, Gauß-Filter, auf Hessematrizen basierende Filter, Berechnung von Phasenübereinstimmung und eine Wavelet-Transformation. Alle während dieser Arbeit vorgenommenen Implementierungen stehen als Python-Skripte auf GitHub (https://github.com/saphyll/fiber-orientation) zur Verfügung.:Einleitung
1. Grundlagen
1.1 Datengrundlage
1.2 Architektur
1.3 Grundlagen der Bildverarbeitung
1.3.1 Histogramme
1.3.2 Konvolution
1.3.3 Gaußkernel
1.3.4 Hessematrix und Eigenvektoren
1.4.5 Fourier-Transformation
2. Faseranalyse in 2D
2.1 Hervorhebung von Fasern
2.1.1 Histogram Equalization
2.1.2 Gauß-Filter
2.1.3 Hessematrix-basierte Filter
2.1.4 Phase Congruency
2.1.5 Isotropic Undecimated Wavelet Transform
2.2 Analyse und Visualisierung von Faserrichtungen
2.2.1 Richtungshistogramme
2.2.2 Kacheln
2.2.3 Direkte Ergebnisbilder
3. Zusammenfassung und Ausblick / This thesis covers the automated analysis of fiber orientations in microscopic images of the human brain in regard to data provided by the Paul Flechsig Institute of Brain Research Leipzig (PFI). For the retrieval of information about fiber orientations, three steps are used: An enhancement of fiber visibility and definition, an assignment of orientations to those fibers and a visualisation of fibers and their orientations. Multiple methods from classical image processing are presented for each of these steps and are evaluated according to the available data. These methods include contrast enhancement, gaussian filters, hessian filters, calculation of phase congruency and a wavelet transformation. All implementations resulting from this thesis are available as Python scripts on GitHub (https://github.com/saphyll/fiber-orientation).:Einleitung
1. Grundlagen
1.1 Datengrundlage
1.2 Architektur
1.3 Grundlagen der Bildverarbeitung
1.3.1 Histogramme
1.3.2 Konvolution
1.3.3 Gaußkernel
1.3.4 Hessematrix und Eigenvektoren
1.4.5 Fourier-Transformation
2. Faseranalyse in 2D
2.1 Hervorhebung von Fasern
2.1.1 Histogram Equalization
2.1.2 Gauß-Filter
2.1.3 Hessematrix-basierte Filter
2.1.4 Phase Congruency
2.1.5 Isotropic Undecimated Wavelet Transform
2.2 Analyse und Visualisierung von Faserrichtungen
2.2.1 Richtungshistogramme
2.2.2 Kacheln
2.2.3 Direkte Ergebnisbilder
3. Zusammenfassung und Ausblick
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:86548 |
| Date | 25 July 2023 |
| Creators | Schätzchen, Sarah |
| Contributors | Paul-Flechsig-Institut, HTWK Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:masterThesis, info:eu-repo/semantics/masterThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds