Quality Bioimage SEGmentation - Erweiterung des Bildanalyse-Tools Allen Cell and Structure Segmenter und Verbreitung von KI-Vorlagen und Testsuiten zur Qualitätssicherung und Wiederverwendbarkeit in einer breiteren Bioimaging-Gemeinschaft

• Antragsteller: Dr. Jianxu Chen
• Fachliche Zuordnung: Zellbiologie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528777169

„Allen Cell and Structure Segmenter“ (ACSS) ist eine Open-Source-Python-Software für die Segmentierung intrazellulärer Strukturen in 3D-Fluoreszenzmikroskopie-Bildern. Sie kombiniert nahtlos (1) klassische Bildsegmentierungs-Workflows mit einer großen Bibliothek an Beispielen für Organellen verschiedener Morphologien und (2) iterative Deep Learning (DL)-Workflows, ohne dass aufwendige manuelle Annotationen erforderlich sind. Die Software wurde ursprünglich für die integrierte 3D-Analyse von 25 verschiedenen Zellorganellen entwickelt, um die grundlegenden Prinzipien aufzudecken, nach denen sich Stammzellen organisieren. Bereits kurz nach der ersten Veröffentlichung der Software wurde sie in zellbiologischen Wissenschaftskreisen für verschiedene Anwendungen übernommen. In diesem Projekt zielen wir darauf ab, die Qualität und Benutzerfreundlichkeit dieser Bildanalyse-Software zu verbessern und seine Bedeutung für die breite Mikroskopie- und Bildanalysegemeinschaft unter den folgenden drei Aspekten zu maximieren. 1. Qualitätssicherung: Fast alle gängigen Open-Source DL-basierten Bioimage-Analyse-Software Tools (in PyTorch) weisen geringfügige oder keine maßgebliche Testung auf, meist auch nicht für den zugrundliegenden Code. Nachdem wir also zunächst klare Qualitätsmetriken und die notwendigen Automatisierungswerkzeuge zur Überwachung der Softwarequalität festgelegt haben, werden wir uns auf die Entwicklung systematischer Code-/Daten-/Modelltests für die DL-Komponenten in ACSS konzentrieren, die wir als praktische Testsuite für DL-basierte Bioimage-Analysesysteme ausgliedern wollen. 2. Wiederverwendbarkeit des Codes für die weitere Entwicklung: Heutzutage findet man viele verschiedene Implementierungen eines einfachen U-Net-Modells in unterschiedlichen Mikroskopie-Bildanalysesystemen, sogar im selben Labor. Um die Verständlichkeit, Wiederverwendbarkeit und Erweiterbarkeit des Codes zu verbessern, werden wir die DL-Komponenten im ACSS mit dem neuen AI-Template-Konzept aus unserer jüngsten Arbeit refaktorisieren. Solche modularisierten DL-Komponenten machen nicht nur das systematische Testen praktikabler, sondern erhöhen auch die Wiederverwendbarkeit des Codes und dessen weitere Entwicklung. 3. Benutzerfreundlichkeit und Auswirkungen: Ausgehend vom bisherigen Nutzer-Feedback wird ACSS an Bedeutung gewinnen, wenn der Anwendungsbereich erweitert und eine bessere grafische Schnittstelle für iterative DL-Workflows bereitgestellt wird. Daher werden wir die Funktionalitäten weiter generalisieren (z.B. die Unterstützung von 2D). Gemeinsam mit dem Allen Institute for Cell Science werden wir den DL-Workflow als Napari-Plugin weiterentwickeln, im Sinne einer breiteren Zugänglichkeit und Benutzerfreundlichkeit. Über Kooperationen, z.B. als Partner des NFDI4BioImage-Konsortiums, wird die qualitätsgesicherte Bildanalyse-Software in die Community, an Entwickler und Nutzer, kommuniziert.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Kooperationspartnerin: Dr. Susanne Rafelski