Automatic segmentation of cristae membranes in 3d electron microscopy tomography images using artificial neural networks

Abstract

Elektron Mikroskop Tomografi (EMT) tekniği yüzlerce kesit yüksek çözünürlükte karelerden oluşan görüntüler üretir. Hücrenin yapısal bileşenleri ile hücrenin davranışı arasında ilişkinin ortaya çıkarılabilmesi için bu görüntülerdeki membranların bölütlemesi önem arz etmektedir. Mitokondrinin bir membranı olan kristanın fiziksel şeklinin birçok hastalık ve mitokondri fonksiyon bozukluğu için bir erken uyarıcı olduğu hipotezi ortaya atılmıştır. EMT görüntülerindeki kristaların manuel bölütlemesi çok fazla miktarda insan gücü gerektirdiğinden bunların otomatik bölütlemesi çok önem arz etmektedir. Bu çalışmada, mitokondri içindeki kristaların otomatik bölütlemesini sağlayacak bir yöntem önerilmektedir. Yöntem, görüntülerdeki gürültünün giderilmesi için bilateral görüntü filtrelemenin uygulandığı bir ön işleme aşaması içermektedir. Krista membranları üç farklı veri setinden kırpılarak elde edilmiş mitokondri görüntüleri ile eğitilmiş bir yapay sinir ağı (YSA) ile tespit edilmektedir. Eğer bir kirsta membranın kenarları neredeyse veya tamamen görünmez ise YSA kopuk bir krista bölütlemesi yapabilir. Bu sorunu ortadan kaldırmak ve az görünen kenarları tespit ederek ve yanlış tespitleri azaltarak son performansı artırmak için 'yönsel büyütme' adı verilen bir yöntem önerilmiştir. Yöntem dört farklı veri setinde test edilmiş ve sayısal ve görsel analizler gerçekleştirilmiştir

Electron Microscopy Tomography (EMT) technique produces 3D images of cells comprising hundreds of slices of high resolution frames. Segmentation of membranes in these images are necessary in order to reveal the relations between the structural components of the cell and its behaviour. The physical shape of the crista which is a membrane of the mitochondria has been hypostatized for being an early indicator for many diseases or mitochondrial dysfunctions. Automatic segmentation of cristae in EMT images are necessary since it needs a huge human effort to manually segment these membranes. In this study, a method for automatic and robust segmentation of the crista membrane in mitochondria is proposed. The method incorporates a pre-processing stage in which a bilateral image smoothing is applied for noise removal while preserving the crista membrane boundaries. The cristae membranes are first detected by an artificial neural network (ANN) trained on cropped mitochondria images from three different data sets. When a portion of the membrane boundary is almost or totally invisible, ANN may produce disconnected segmentation. In order to overcome this issue and increase the final performance by means of detecting the barely invisible membrane boundaries and decreasing false alarms, a boundary growing method called 'directional growing' is proposed. The method is tested with examples from four different data sets and numerical and visual analysis of the results are conducted