Show simple item record

2021-01-29Dissertation DOI: 10.18452/22324
Towards accurate and efficient live cell imaging data analysis
dc.contributor.authorHan, Hongqing
dc.date.accessioned2021-01-29T09:28:39Z
dc.date.available2021-01-29T09:28:39Z
dc.date.issued2021-01-29none
dc.identifier.urihttp://edoc.hu-berlin.de/18452/23024
dc.description.abstractDynamische zelluläre Prozesse wie Zellzyklus, Signaltransduktion oder Transkription zu analysieren wird Live-cell-imaging mittels Zeitraffermikroskopie verwendet. Um nun aber Zellabstammungsbäume aus einem Zeitraffervideo zu extrahieren, müssen die Zellen segmentiert und verfolgt werden können. Besonders hier, wo lebende Zellen über einen langen Zeitraum betrachtet werden, sind Fehler in der Analyse fatal: Selbst eine extrem niedrige Fehlerrate kann sich amplifizieren, wenn viele Zeitpunkte aufgenommen werden, und damit den gesamten Datensatz unbrauchbar machen. In dieser Arbeit verwenden wir einen einfachen aber praktischen Ansatz, der die Vorzüge der manuellen und automatischen Ansätze kombiniert. Das von uns entwickelte Live-cell-Imaging Datenanalysetool ‘eDetect’ ergänzt die automatische Zellsegmentierung und -verfolgung durch Nachbearbeitung. Das Besondere an dieser Arbeit ist, dass sie mehrere interaktive Datenvisualisierungsmodule verwendet, um den Benutzer zu führen und zu unterstützen. Dies erlaubt den gesamten manuellen Eingriffsprozess zu rational und effizient zu gestalten. Insbesondere werden zwei Streudiagramme und eine Heatmap verwendet, um die Merkmale einzelner Zellen interaktiv zu visualisieren. Die Streudiagramme positionieren ähnliche Objekte in unmittelbarer Nähe. So kann eine große Gruppe ähnlicher Fehler mit wenigen Mausklicks erkannt und korrigiert werden, und damit die manuellen Eingriffe auf ein Minimum reduziert werden. Die Heatmap ist darauf ausgerichtet, alle übersehenen Fehler aufzudecken und den Benutzern dabei zu helfen, bei der Zellabstammungsrekonstruktion schrittweise die perfekte Genauigkeit zu erreichen. Die quantitative Auswertung zeigt, dass eDetect die Genauigkeit der Nachverfolgung innerhalb eines akzeptablen Zeitfensters erheblich verbessern kann. Beurteilt nach biologisch relevanten Metriken, übertrifft die Leistung von eDetect die derer Tools, die den Wettbewerb ‘Cell Tracking Challenge’ gewonnen haben.ger
dc.description.abstractLive cell imaging based on time-lapse microscopy has been used to study dynamic cellular behaviors, such as cell cycle, cell signaling and transcription. Extracting cell lineage trees out of a time-lapse video requires cell segmentation and cell tracking. For long term live cell imaging, data analysis errors are particularly fatal. Even an extremely low error rate could potentially be amplified by the large number of sampled time points and render the entire video useless. In this work, we adopt a straightforward but practical design that combines the merits of manual and automatic approaches. We present a live cell imaging data analysis tool `eDetect', which uses post-editing to complement automatic segmentation and tracking. What makes this work special is that eDetect employs multiple interactive data visualization modules to guide and assist users, making the error detection and correction procedure rational and efficient. Specifically, two scatter plots and a heat map are used to interactively visualize single cells' visual features. The scatter plots position similar results in close vicinity, making it easy to spot and correct a large group of similar errors with a few mouse clicks, minimizing repetitive human interventions. The heat map is aimed at exposing all overlooked errors and helping users progressively approach perfect accuracy in cell lineage reconstruction. Quantitative evaluation proves that eDetect is able to largely improve accuracy within an acceptable time frame, and its performance surpasses the winners of most tasks in the `Cell Tracking Challenge', as measured by biologically relevant metrics.eng
dc.language.isoengnone
dc.publisherHumboldt-Universität zu Berlin
dc.rights(CC BY-NC-ND 4.0) Attribution-NonCommercial-NoDerivatives 4.0 Internationalger
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectZellen-Biologieger
dc.subjectLive Cell Imagingger
dc.subjectDatenvisualisierungger
dc.subjectAutomatisierung in der Bioinformatikger
dc.subjectcell biologyeng
dc.subjectlive cell imagingeng
dc.subjectdata visualizationeng
dc.subjectautomation in bioinformaticseng
dc.subject.ddc570 Biowissenschaften; Biologienone
dc.titleTowards accurate and efficient live cell imaging data analysisnone
dc.typedoctoralThesis
dc.identifier.urnurn:nbn:de:kobv:11-110-18452/23024-1
dc.identifier.doihttp://dx.doi.org/10.18452/22324
dc.date.accepted2020-06-05
dc.contributor.refereeKlipp, Edda
dc.contributor.refereeZi, Zhike
dc.contributor.refereeSchulz, Edda
dc.subject.rvkWE 2600
dc.subject.rvkWC 5100
dc.subject.rvkWC 7700
dc.subject.rvkWC 3420
dc.subject.rvkWC 3200
local.edoc.pages131none
local.edoc.type-nameDissertation
local.edoc.institutionLebenswissenschaftliche Fakultätnone

Show simple item record