Maschinelles Lernen für Pflanzenzellsegmentierung und deren Korrektur, mit minimalem Aufwand für den Nutzer

• Antragstellerinnen / Antragsteller: Professor Dr. Fred A. Hamprecht; Anna Kreshuk, Ph.D.
• Fachliche Zuordnung: Zell- und Entwicklungsbiologie der Pflanzen ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2017 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 318879394

Die schnelle und zuverlässige Segmentierung von Pflanzenzellen ist Voraussetzung für einen Großteil der quantitativen Arbeit unserer Kooperationspartner in der Forschergruppe 2581. In der letzten Förderperiode haben wir erfolgreich Methoden (eine Kombination aus tiefen neuronalen Netzen und strukturierter Vorhersagen) entwickelt, welche die Segmentierung von Pflanzenzellen in volumenhaften lichtmikroskopischen Daten mit sehr hoher Genauigkeit ermöglichen. Leider benötigen diese Verfahren viele Trainingsdaten, um zuverlässig zu funktionieren. Während der Mensch von Natur aus ganz hervorragend für die Analyse von zweidimensionalen Bildern und von Oberflächenbildern ausgestattet ist, haben wir leider nicht die angeborene Fähigkeit, wahrhaft dreidimensionale Bilder effizient zu analysieren. Eine Konsequenz davon und von den letzten Neuerungen in der Bildverarbeitung ist, dass die Erstellung von dreidimensionaler Grundwahrheit sowie die manuelle Überprüfung automatisch erzeugter Vorhersagen inzwischen den neuen Flaschenhals in der Analyse volumetrischer Daten darstellen. Als Reaktion darauf verfolgt das vorliegende Projekt zwei Hauptziele: Erstens, unsere Segmentierungswerkzeuge derart weiterzuentwickeln, dass sie mit minimalen Annotationen trainiert werden können; und zweitens, maschinelle Lernverfahren zu entwickeln welche wahrscheinliche Segmentierungsfehler detektieren und, wenn möglich, korrigieren. Auch diese sollen mit minimalem menschlichen Aufwand trainiert werden können. Wir werden unser Entwicklungen in einer einzigen, allgemein anwendbaren Pipeline kombinieren, die hochgenaue Segmentierungen ausgehend von „schwachen“ und einfach zu erzeugenden Annotationen ermöglicht. Genau wie in der ersten Förderperiode werden wir die neuen Ideen und Verfahren laufend an echten Daten aus der Forschergruppe messen um ihre Möglichkeiten und Grenzen zu verstehen. Die besten Verfahren werden an das zentrale Projekt Z02 weitergegeben welches den Forschungscode in Endnutzer-Programme verwendet, die wir Open Source unseren Kooperationspartnern in der Forschergruppe und darüberhinaus der biologischen Bildanalysegemeinschaft zur Verfügung stellen werden.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 2581: Morphodynamik der Pflanzen