Gefäßsegmentierung mit U-Net
Peer-reviewed Publikation (MDPI Cancers, 2023): Ein Deep-Learning-Verfahren, das Blutgefäße in histologischen Tumorbildern automatisch segmentiert – mit einer modifizierten U-Net-Architektur und einer neuartigen Sparse-Labeling-Technik. Ich bin Zweitautor und habe die Implementierung (Software) beigetragen.
Autoren: Lukas Glänzer, Husam E. Masalkhi (Zweitautor), Anjali A. Roeth, Thomas Schmitz-Rode und Ioana Slabu · Cancers 2023, 15(15), 3773.
Vessel Delineation Using U-Net: A Sparse Labeled Deep Learning Approach for Semantic Segmentation of Histological Images ist eine peer-reviewte wissenschaftliche Publikation, erschienen 2023 in der Fachzeitschrift Cancers (MDPI) – in der Special Issue „Unlocking the Potential of AI and Big Data in Cancer Research”. Sie ist aus meiner Masterarbeit am Institut für Angewandte Medizintechnik (AME) der RWTH Aachen hervorgegangen, an der ich als Zweitautor beteiligt bin.
📄 Open Access: Das Paper ist frei zugänglich – als Artikel bei MDPI und unten in der Galerie als eingebettetes PDF. Es steht unter der Creative-Commons-Lizenz CC BY 4.0; die hier gezeigten Abbildungen stammen aus dem Originalartikel und werden mit Quellenangabe nachgenutzt (siehe Lizenz & Quelle unten).
Worum es geht
Um Tumorgewebe zu verstehen, müssen feine Strukturen in histologischen Bildern erkannt werden – allen voran die Blutgefäße. Das von Hand zu markieren ist extrem aufwändig, und es gibt nur wenige Trainingsdaten. Die Arbeit zeigt, dass sich diese Gefäße mit Deep Learning automatisch und zuverlässig segmentieren lassen – selbst dann, wenn nur spärlich gelabelte Daten zur Verfügung stehen („Sparse Labeling”).
Der Ansatz
Den Kern bildet ein U-Net, das gezielt erweitert wurde – um Attention Gates, Residual- und Recurrent-Links sowie Dropout-Regularisierung. Gegen die starke Klassen-Ungleichverteilung histologischer Daten halfen Under-/ Oversampling und umfangreiche Data Augmentation. In einer Ablation-Study wurden verschiedene Architektur-Varianten gegeneinander getestet und das beste Modell bestimmt: Attention Gates, Residual-Links und ein Dropout von 0,125.
Mein Beitrag
Laut Author Contributions habe ich den Part „software” übernommen, also die Implementierung der Pipeline und der verschiedenen U-Net-Varianten, sowie die Validierung der Modelle. In meiner Masterarbeit umfasste das die Datenverarbeitung und das manuelle Labeling, den Aufbau der Segmentierungs- Pipeline, das Training und Testing der Modelle und die Analyse der Ergebnisse – in Python mit TensorFlow/Keras.
Ergebnis
Das beste Modell segmentiert die Gefäßstrukturen mit einer Präzision von 0,9088 und einem AUC-ROC von 0,9717 und ist dabei robust gegenüber Färbeschwankungen und beschädigtem Gewebe. Damit belegt die Arbeit, dass sich Sparse Labeling in Kombination mit der modifizierten U-Net-Architektur für die Segmentierung histologischer Bilder eignet.
Lizenz & Quelle
Die auf dieser Seite gezeigten Abbildungen und das eingebettete PDF stammen aus dem oben genannten Artikel und werden gemäß seiner Open-Access-Lizenz mit Quellenangabe nachgenutzt.
© 2023 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).
All articles published by MDPI are made immediately available worldwide under an open access license. No special permission is required to reuse all or part of the article published by MDPI, including figures and tables. For articles published under an open access Creative Common CC BY license, any part of the article may be reused without permission provided that the original article is clearly cited. For more information, please refer to https://www.mdpi.com/openaccess.
Zitation: Glänzer, L.; Masalkhi, H.E.; Roeth, A.A.; Schmitz-Rode, T.; Slabu, I. Vessel Delineation Using U-Net: A Sparse Labeled Deep Learning Approach for Semantic Segmentation of Histological Images. Cancers 2023, 15(15), 3773. https://doi.org/10.3390/cancers15153773
