Vom Signal zum Modell

Vom Signal zum Modell

Die komprimierten Signaldaten verbleiben hingegen auf schnellen Speichersystemen, die direkt an das HPC-System angebunden sind. Dadurch stehen sie für nachgelagerte Analysen und Visualisierungen weiterhin effizient zur Verfügung.

Im einfachsten Fall entspricht die Messung der Drehung von Polarisationsfiltern, was zu einem sinusförmigen Signal pro Pixel führt. Mithilfe der Fourierreihe wird dieses Signal in seine Hauptfrequenz zerlegt, aus der sich die Lichtdurchlässigkeit (Transmittanz), die Amplitude (Retardierung) und die Phase (Richtung) bestimmen lassen. Dies ergibt eine zweidimensionale Projektion der doppelbrechenden Achse.

Mithilfe einer Tilt-Stage oder eines Tilted-Light-Beams lässt sich diese Messung in die dritte Dimension bringen. Dadurch wird die Inklination der doppelbrechenden Achse direkt bestimmbar.

Zum Seitenanfang

Bei der 3D-PLI werden für jedes einzelne Bildpixel sinusförmige Intensitätsprofile berechnet. Pro Bild müssen dadurch mehrere 10¹⁰ Pixel analysiert werden. Jede Messung umfasst neun Rotationsbilder sowie bis zu vier zusätzliche Neigungsmessungen.

Die erzeugten Daten werden zunächst automatisch einer Qualitätsprüfung unterzogen, um Mess- oder Datenprobleme möglichst früh zu erkennen. Anschließend werden sie in einen HPC-konformen Datencontainer konvertiert und in unsere Datenbank auf den JSC-Systemen übertragen.

Die weitere Verarbeitung erfolgt auf dem HPC-System JURECA. Für jede Messung wird ein eigener Job erzeugt, der die jeweilige Messung parallel verarbeitet. Dieser Workflow umfasst die Signalanalyse, das Stitching sowie die Berechnung weiterer Visualisierungen.

Für einen einzelnen menschlichen Hirnschnitt entstehen je nach Messumfang mehrere hundert Gigabyte bis mehrere Terabyte an Daten. Für ein vollständiges menschliches Gehirn ergibt sich daraus ein Datenvolumen im Petabyte-Bereich. Der größte Anteil entfällt auf die mikroskopischen Rohdaten. Nach Abschluss der Analyse werden diese Rohdaten zur Langzeitarchivierung auf Magnetband übertragen.

Die komprimierten Signaldaten verbleiben hingegen auf schnellen Speichersystemen, die direkt an das HPC-System angebunden sind. Dadurch stehen sie für nachgelagerte Analysen und Visualisierungen weiterhin effizient zur Verfügung.

Zum Seitenanfang

3D Blockface Rekonstruktion

Vor dem Schneiden des Gehirngewebes werden hochauflösende Blockface-Bilder der Gewebeoberfläche aufgenommen. Da diese Bilder keine Deformationen aufweisen, dienen sie als stabile Referenz für die 3D-Rekonstruktion. Die Rekonstruktion erfolgt in zwei Schritten. Zunächst werden fiduzielle Marker automatisch segmentiert, überprüft und zur groben Ausrichtung der einzelnen Schnitte verwendet. Anschließend wird die Registrierung durch eine intensitätsbasierte Ausrichtung verfeinert, bei der zunächst Markerinformationen und bei Bedarf zusätzlich Gewebeinformationen einbezogen werden. Nach einer visuellen Qualitätskontrolle können auffällige Schnitte erneut registriert werden. Dadurch entsteht eine präzisere räumliche Rekonstruktion des ursprünglichen Gewebeblocks.

Feature Matching

Zur initialen Ausrichtung der Gewebeschnitte und Blockface-Bilder werden Methoden des Feature Matchings eingesetzt. Dabei werden markante anatomische Strukturen oder Texturmerkmale in den Bildern automatisch detektiert und miteinander abgeglichen, um korrespondierende Punkte zu ermitteln. Diese mathematisch verknüpften Punktpaare bilden die Grundlage, um die Schnitte zu transformieren und grob in den gemeinsamen 3D-Raum einzupassen.

Zum Seitenanfang

Segmentierung Hirngewebe

Ein zentraler Schritt der Bildverarbeitung ist die automatisierte Segmentierung der Bilddaten. In einem ersten Schritt wird dabei das Hirngewebe vom Bildhintergrund isoliert, um Artefakte und Bildrauschen für die nachfolgenden Prozesse auszuschließen. Innerhalb des Gewebes ermöglicht die Methode zudem eine exakte Unterscheidung zwischen grauer und weißer Substanz. Zum Einsatz kommt eine auf U-Net basierende Deep-Learning-Pipeline, die mit verschiedenen Encodern und Sampling-Strategien kombiniert ist. Das Modell lernt, komplexe anatomische Muster und schwache Gewebeübergänge zuverlässig zu erfassen. Dadurch entstehen belastbare Grundlagen für 3D-Rekonstruktionen, serielle Registrierung und detailliertes Brain Mapping in der Hirnforschung sowie für die Integration mit weiteren mikroskopischen und multimodalen Bilddaten, um zukünftige Analysen zu ermöglichen.

Segmentierung von Blutgefäßen

Das Ziel der automatisierten Segmentierung und Visualisierung zerebraler Blutgefäße in hochauflösenden Blockface-Bilddaten ist die präzise Erfassung und bessere Verständlichkeit komplexer Gefäßstrukturen im Gehirn, um neurobiologische Analysen zu unterstützen. Dazu werden interaktive Machine-Learning-Verfahren mit ilastik, dem Frangi-Filter sowie morphologische Operationen wie Dilatation, Erosion und Größenfilterung kombiniert. Mithilfe von Skelettierung und kugelbasierten Darstellungen entlang der Gefäßverläufe können anschließend Verbindungen und Gefäßdurchmesser anschaulich visualisiert werden. Die daraus entstehenden 3D-Visualisierungen und Animationen erleichtern die Interpretation des vaskulären Netzwerks und bilden die Grundlage für weiterführende Forschung und verbesserte Bildanalyse.

Zum Seitenanfang

2D und 3D Visualisierung

Zur Visualisierung unserer Schnitte setzen wir Tile-Server ein. Diese erlauben es Software wie OpenSeadragon oder Neuroglancer, unsere großen Datenmengen abhängig von der aktuellen Skalierung des Bildausschnitts zu visualisieren.

Zusätzlich kommen weitere hauseigene Visualisierungen zum Einsatz, die beispielsweise die statistischen Faserorientierungen darstellen können.

Visualisierung der Faserarchitektur

Eine anschauliche und interaktive Analyse wird durch die geeignete Visualisierung der 3D-PLI-Daten ermöglicht. Gewebestrukturen werden mithilfe von Oberflächen- und Volumenrendering dargestellt, während Clipping-Boxen gezielte Einblicke in innere Hirnareale ermöglichen. Die Orientierung der Nervenfasern wird über farbcodierte Glyphen sichtbar gemacht: Unterschiedliche Farben zeigen verschiedene Faserrichtungen an. Beleuchtung und Schattierung verbessern die räumliche Wahrnehmung. Um große Datenmengen übersichtlich darzustellen, werden Vektoren zu Supervoxeln zusammengefasst. Ergänzend helfen Traktographie und atlasbasierte Maskierung dabei, Faserbahnen und anatomische Regionen gezielt zu untersuchen. So werden komplexe neuronale Strukturen verständlich, vergleichbar und wissenschaftlich interpretierbar.

Zum Seitenanfang