Optimal segmentering av histokjemisk merkede nervecellenettverk i mikroskopiske snittbilder

Teknologiske framsteg har gjort det mulig å innhente store mengder medisinske bildedata, men manuell analyse av slike data tar stadig tid og er et hinder for effektiv behandling av store datamengder. Etter hvert som datamaskiner har blitt kraftigere, er det blitt aktuelt å automatisere analysen også. Denne oppgaven ser på et bestemt datasett bestående av histokjemisk merkede nervecellenettverk i mikroskopiske snittbilder, som det fra før er skissert en behandlingskjede til å analysere automatisk. Nye tilnærminger er her undersøkt med sikte på å forbedre segmenterings-/binariseringssteget i kjeden: lokalt adaptiv terskling, bakgrunnsmodellering, teppeflateutvikling og top-hat-transformen. Metodene har hver sine fordeler og ulemper, og resultatene indikerer at segmenteringen med fordel kan deles opp, slik at ulike metoder brukes til å finne ulike typer merking. Særlig utmerker top-hat-transformen seg som god til å finne strekstrukturer (aksoner), mens teppeflateutvikling kan brukes til å finne klumpstrukturer (cellekropper). En undersøkelse ble utført blant et knippe eksperter på manuell analyse, og resultatene fra denne peker også i retning av at et slikt delt segmenteringssteg vil kunne gi mer presise resultater