Zum Inhalt springen

Die Kunst des Abwägens: Genauigkeit in der Bildanalyse

Dortmund, 20. Dezember 2023

Vor Jahrhunderten öffnete die Erfindung des Mikroskops ein Fenster zu einer winzigen, bis dato unsichtbaren Welt. Seitdem hat sich nicht nur die Qualität der Bilder, sondern auch die Art und Weise, wie wir sie interpretieren, stark verändert. Statt nur optisch in die Tiefen kleinster Strukturen einzudringen, können wir biologische Prozesse heute mithilfe moderner Bildanalyseverfahren in präzise Zahlen übersetzen. Doch damit diese Übersetzung gelingt, müssen sich alle Forschenden zunächst dieselben Fragen stellen: Was wollen wir messen? Wie genau müssen diese Messungen sein, damit wir sie sinnvoll interpretieren können?

Moderne Mikroskope erzeugen enorme Datenmengen. Ein Lichtblattfluoreszenz-Mikroskop beispielsweise, produziert am ISAS pro Probe durchschnittlich weit über 500 hochauflösende Bilder. Um diese Datenvielfalt zu bewältigen und im Anschluss effizient auszuwerten, braucht es innovative Ansätze in der Datenanalyse. Hierbei kommen spezielle Softwares oder Bildanalyseverfahren zum Einsatz, zunehmend auch mithilfe Künstlicher Intelligenz (KI). Einen universell anwendbaren Ansatz für die Bildanalyse gibt es jedoch nicht. „Genauso wie es kein 'one size fits all' Mikroskop gibt, erfordern verschiedene Forschungsvorhaben maßgeschneiderte und auf die spezifischen Anforderungen abgestimmte Bildanalyse-Workflows oder Softwares“, erläutert Dr. Jianxu Chen. Er leitet die Nachwuchsgruppe AMBIOM – Analysis of Microscopic BIOMedical Images, die am ISAS an genau solchen KI-basierten biomedizinischen Bildanalysealgorithmen forscht.

Die Abbildung zeigt eine Wage und symbolisiert das Gleichgewicht zwischen Analyse und Genauigkeit bei der Validierung von biomedizinischen Aufnahmen.

Bei der Checkliste geht es um das Gleichgewicht zwischen Analyse und Genauigkeit. Diese Abbildung hat Dr. Jianxu Chen am 13. Dezember 2023 mittels ChatGPT, Modell „DALL-E“ erstellt. Details hierzu inkl. Prompt siehe Seitenende.

© ChatGPT

Eine Checkliste, um Bioimage-Analyseergebnisse zu validieren

Die Herausforderung bei der Bildanalyse besteht darin, sicherzustellen, dass die gewonnenen Erkenntnisse am Ende nicht nur quantitativ oder statistisch genau, sondern auch biologisch relevant für die Fragestellung sind. „Dafür sollten Forschende die Versuchsplanung, die Details der mikroskopischen Bildgebung und die Zielmetriken der Bildanalyse von Anfang an feinsäuberlich aufeinander abstimmen“, rät Chen. Einige für Forschende dafür zentrale Überlegungen hat er vor kurzem mit Dr. Susanne Rafelski und Dr. Matheus Viana vom Allen Institute for Cell Science (USA) im Fachjournal Nature Methods festgehalten hat (siehe unten). Forschende können sie als eine Art Checkliste nutzen, wenn sie sich Gedanken über die Analyse ihrer Bilddaten machen.

  • Grundlagen

      • Sollen die Messungen relativ oder absolut sein?

      • Welche Messungen oder Variablen werden benötigt?

      • Soll eine Segmentierung oder eine Vorhersage mit Hilfe von Deep Learning erfolgen oder besteht ein bestimmtes Quantifizierungsziel?

  • Grenzen

      • Welche experimentellen Faktoren gibt es zu berücksichtigen?

      • Welche Mikroskop-Typen und Einstellungen kommen infrage?

      • Wo liegen die Grenzen der Auflösung?

  • Validierung

      • Relative oder absolute Validierung?

      • Ist das Ziel ein einmaliges oder ein robustes, skalierbares Ergebnis?

      • Soll die Genauigkeit für das gesamte Bild oder spezifische Merkmale gelten?

      • Qualitative oder quantitative Fehlerbalken?

  • Zeit und Aufwand

      • Was ist der beste Ansatz für die Analyse?

      • Wieviel Zeit und Aufwand darf die Analyse kosten?

Wie gut ist gut genug?

Einen Schlüsselschritt auf dem Weg zur biologisch gültigen Bildanalyse ist die Frage nach der Validierung, also wie genau und präzise die Messungen sein sollen. „Es ist wichtig, dass die Validierung anwendungsgerecht ist und sich an den spezifischen Zielen der Forschung orientiert“, betont Chen. Konkret heißt das, dass Wissenschaftler:innen sich im Voraus überlegen müssen, wie genau ihre Messungen sein sollen und wie viele Fehler akzeptabel sind. Wollen sie etwa Zellteile wie den Zellkern oder die Mitochondrien messen, könnten sie sich die Frage stellen: Ist das exakte Volumen der Organellen relevant, oder geht es vielmehr darum, verschiedene Volumina zu vergleichen? Bei Letzterem spielt das genaue Volumen möglicherweise keine so große Rolle, für den Vergleich müssen die genutzten Computerprogramme aber in verschiedenen Situationen umso besser konstant funktionieren.  

Portrait von Dr.  Jianxu Chen.

Dr. Jianxu Chen

© ISAS / Hannes Woidich

Ein ständiges Anpassen – mithilfe von KI

Doch selbst sehr gute Bilderkennungsalgorithmen arbeiten nicht immer gleich gut, wenn sich beispielsweise die Form der Organellen nur leicht verändert. Die Forschenden müssen ihre Messungen also regelmäßig überprüfen und validieren, einzelne Parameter anpassen oder im schlimmsten Fall sogar ein ganz anderes Programm verwenden. „Bleiben solche Anpassungen unberücksichtigt, kann dies zu grundlegenden Missinterpretationen biologischer Ergebnisse führen“, warnt Chen. Eine Lösung sieht er im Deep Learning, eine Form des maschinellen Lernens, die automatisch Muster und Merkmale aus großen Datenmengen extrahieren kann. Seine Arbeitsgruppe hat bereits ein Plug-in basierend auf Deep Learning für die Segmentierung von Immunzellen (s. Infobox) entwickelt. Bei der Validierung könnte Deep Learning Forschenden zukünftig etwa dabei helfen, Leistungsabfälle in ihren Bildanalysealgorithmen automatisiert zu erkennen.

Segmentierung

In der biomedizinischen Forschung kann es hilfreich sein, verschiedene Strukturen wie Zellen in einem Bild zu erkennen und voneinander abzugrenzen. Diesen Prozess nennt man Segmentierung. Lange war es üblich, die Aufnahmen dafür einzeln durchzugehen und per Hand zu annotieren (zuzuordnen). Mit steigenden Datenmengen und Bildgrößen greifen Forschende heute jedoch zunehmend auf Deep Learning basierte Programme zurück. Diese sind nicht nur deutlich schneller, sondern auch wesentlich objektiver und genauer. Trotzdem dienen die händischen Annotationen häufig noch als Trainingsgrundlage für diese Deep-Learning-Algorithmen. Im Vergleich zu mit biologischer Grundwahrheit trainierten Modellen, kommt es bei solchen, die mit manuellen Annotationen trainiert wurden, zu über 30 Prozent Fehlern (siehe Sonneck 2023). Unter der biologischen Grundwahrheit verstehen die KI-Expert:innen die optimale Annäherung an die objektive Realität, die mit einer einzelnen Analyse nur schwer zu bestimmen ist. Statt mit manuellen Annotationen, ermitteln Expert:innen die biologische Grundwahrheit mithilfe experimentell-computergestützten Analysen.

Die Zukunft der Bildanalyse ist interdisziplinär

Doch Chen und seinem Team geht es nicht nur darum, bessere Wege für die Bildanalyse zu finden. Ihnen liegt viel daran sicherzustellen, dass sich ihre Methoden sowohl in der Biologie als auch in der Computertechnologie verstehen und anwenden lassen. „Wir brauchen mehr interdisziplinäre Zusammenarbeit zwischen Forschenden im Labor- und den KI-Expert:innen, am besten schon früh in der jeweiligen Ausbildung“, fordert Chen. Für diejenigen, die es nicht erwarten können, loszulegen, aber keine Spezialist:innen für Bildverarbeitung in der Nähe haben, empfiehlt Chen Online-Lernmaterialien wie den Bioimaging Guide oder Ressourcen über das Deutsche Netzwerk für Bioinformatik-Infrastruktur - de.NBI. Für spezielle Fragen gibt es auch ein Forum bei der Plattform GitHub. „Nur durch Zusammenarbeit kann sich die quantitative Mikroskopie-Bildanalyse wirklich weiterentwickeln", resümiert Chen.

Das Bundesministerium für Bildung und Forschung (BMBF) fördert die MSCoreSys-assoziierte Nachwuchgruppe AMBIOM – Analysis of Microscopic BIOMedical Images unter dem Förderkennzeichen 161L0272.

Zur Abbildung: Prompt = „I am creating a picture illustration for my article with name “The Art of Balancing: Accuracy in Image Analysis”. It is a press article about how to do bioimage analysis validation. Could you help make an illustration, as normal as possible, and as simple as possible?” Seitens ChatGPT liegen ausschließlich folgende Informationen zur Abbildung vor: „Here is the illustration representing the concept of „The Art of Balancing: Accuracy in Image Analysis” for your article. It features a balance scale with a magnifying glass on one side and a checkmark on the other, symbolizing the equilibrium between analysis and accuracy in bioimage validation.”

(Cheyenne Peters)

Teilen

Weitere Beiträge

30. April 2025

Humboldt-Stipendiat Prof. Dr. Xiaowei Xu forscht seit März am ISAS

Prof. Dr. Xiaowei Xu vom chinesischen Guangdong Cardiovascular Institute forscht an der klinischen Anwendung von Künstlicher Intelligenz (KI) im Kontext kardiovaskulärer Erkrankungen. Für insgesamt 18 Monate forscht er als Humboldt-Stipendiat am ISAS an verschiedenen KI-Methoden für die Analyse von Zellaufnahmen.

Prof. Dr. Xiaowei Xu vor dem ISAS Gebäude am Standort City.
22. April 2025

Wertvolle Verbindungen: Dr. Mohammad Ibrahim AlWahsh

Dr. Mohammad Ibrahim AlWahsh arbeitete während seiner Promotion als wissenschaftlicher Mitarbeiter am ISAS. Mittlerweile ist er Prodekan der Fakultät für Pharmazie und Assistenzprofessor für Toxikologische Pathologie an der Al-Zaytoonah University in Jordanien. In der Komapkt-Reihe "Wertvolle Verbindungen" berichtet er von seiner Zeit am ISAS und der anhaltenden Vernetzung mit dem Institut.

Mohammad Alwahsh.
9. April 2025

Bakterien & Bonbons: Schülerinnen untersuchen beim Girls‘ Day ihre Atemluft

Beim Girls' Day 2025 haben zwölf Schülerinnen die Arbeit der Forscherinnen und Technischen Assistentinnen am Institut kennengelernt. Sie haben sich mit der Ursache und Bekämpfung von Entzündungen beschäftigt, sind auf die Jagd nach Bakterien gegangen und haben mittels Ionenmobilitätsspektrometrie Duftstoffe verschiedener Bonbons in ihrer Atemluft analysiert.

Luisa Speicher erklärt drei Mädchen den Vortexmischer.
27. März 2025

Wertvolle Verbindungen: Dr. Jianxu Chen

Dr. Jianxu Chen leitet seit 2021 die Nachwuchsgruppe AMBIOM – Analysis of Microscopic BIOMedical Images am ISAS. Zuvor war er am Allen Institute for Cell Science in Seattle, USA tätig. In der ISAS Kompakt Reihe „Wertvolle Verbindungen“ berichtet der Computerwissenschaftler von seinem Wechsel in die Gesundheitsforschung und nach Deutschland.

Portrait von Dr.  Jianxu Chen.
12. März 2025

Innovative Massenspektrometrie erspart doppelte Analysegänge

Unpolare Stoffe wie Cholesterin zusammen mit polaren Substanzen zielgenau und schnell massenspektrometrisch nachweisen? Und das in nur einem Analysedurchgang? Das ermöglicht eine neue Kombinationsmethode, welche zwei Ionisierungsquellen in einem Aufbau vereint.

Daniel Foest steht im Labor und hält ein Papier mit einer Leberprobe, die er am Massenspektrometer untersucht.
26. Februar 2025

Was machst du am ISAS, Leon?

Was haben Marshmallows und Schokolade mit der Analyse von Zellen zu tun? Das darf Leon bei seinem Schülerpraktikum am ISAS herausfinden. Was der 15-jährige außerdem während seiner Zeit am Institut lernt, berichtet er bei ISAS Kompakt.

Leon hält Marshmallows, Schokolade und die Hardware für sein Projekt zur Bilderkennung.
14. Februar 2025

Valentinstag: Perfekte Paare im Labor

Was die Herzen unserer Forschenden höherschlagen lässt, wollte die Redaktion von ISAS Kompakt am Valentinstag wissen. Die Beispiele aus den Laboren der Forschungsgruppen Bioimaging und NMR Metabolomics zeigen: besondere Verbindungen gibt es nicht nur in der Liebe, sondern auch in der Wissenschaft.

Porträt von Dr. Themistoklis Venianakis.
4. Februar 2025

Wertvolle Verbindungen: Adrian Sebuliba

Adrian Sebuliba ist seit 2023 als Software-Ingenieur in der ISAS-Nachwuchsgruppe AMBIOM tätig. Zuvor arbeitete er für eine Digital-Commerce-Plattform für die chemische Industrie in Uganda. In der ISAS Kompakt Reihe „Wertvolle Verbindungen“ berichtet er unter anderem von seinem Wechsel in die Gesundheitsforschung.

Portrait von Adrian Sebuliba.
28. Januar 2025

Ein kleiner, aber sehr wichtiger Schritt

Susmita Ghosh forscht seit Oktober 2021 in der Arbeitsgruppe Biofluoreszenz am ISAS. Für ihr Pilotprojekt »Dissecting the neutrophil-tumor cell interactome using SILAC-labelling« hat die Doktorandin nun die erste Förderung ihrer Karriere erhalten.

Portrait Susmita Ghosh.