Segmentation of Multi-Dimensional Multi-Parametric Microscopic Data of Biological Samples Using Convolutional Neural Networks

Abstract

Multi-parametric highly dimensional images have become a standard way of imaging biological samples. To quantify results from these images, segmentation must be often applied first. However, due to the underlying shortcomings of the fluorescence microscopy of biological samples, i.e. low signal-to-noise ratio, convolutional neural networks have become widely used for automatization of the segmentation. Convolution neural networks showed to be versatile in their potential uses and able to segment complex images. In this work, we utilise neural network U-Net for segmentation of images, which contain not only intensity information, but fluorescence excited state lifetime information as well. We try different representations of the data to assess, whether the added information of the pixel values leads to improved performance. We present an application of the segmentation results with phasor analysis to study the fertility of mice sperm. 1

Štandardným spôsobom zobrazovania biologických vzoriek sa stali viacparametrické vysoko rozmerné obrázky. Na kvantifikáciu výsledkov z týchto obrázkov je často potrebné najskôr použiť segmentáciu. Avšak kvôli základným nedostatkom fluorescenčnej mikroskopie bi- ologických vzoriek, ako napríklad kvôli nízkemu pomeru signálu k šumu, sa konvolučné neurónové siete stali často používaným nástrojom na automatizáciu segmentácie. Kon- volučné neurónové siete sa ukázali byť všestranné v ich potenciálnom použití, ako aj schopné segmentovať komplexné obrázky. V tejto práci využívame neurónovú sieť U-Net na segmentáciu obrázkov, ktoré obsahujú nielen informácie o intenzite, ale aj informácie o dobe života excitovaného stavu. Skúšame rôzne reprezentácie obrázkov, aby sme zis- tili, či pridaná informácia v hodnotách pixelov vedie k zlepšeniu segmentácie. Uvádzame ukážku aplikácie výslednej segmentácie s fázorovou analýzou na štúdium plodnosti myších spermií. 1