|  | Entwicklung eines Verfahrens zur Quantifizierung von Vakuolen auf topographischen Aufnahmen von Zellen |  |
|  |  |  |  | Moritz Beutel | 19 |
| Ort: Münster |
|  |  |  |  |
| |  |  |  |  | 
Zum Vergrössern ins Bild klicken! |  |  |  |  |
|
 |  |  |  | |  | Schule: Universitätsklinikum Münster |  | Betreuung: Christoph Riethmüller
|  |  |
|  |  |  |  |
Kurzfassung:  |  |  |  | In der medizinischen Forschung gibt es viele Bereiche, die sich mit Phänomenen subzellulärer Größenordnung beschäftigen. Hochauflösende Aufnahmen in dieser Größenordnung können durch das Rastersondenkraftmiksokop (Atomic force microscope, AFM) gewonnen werden. Insbesondere Endothelzellen lassen sich auf Grund ihrer Monolage sehr gut mit einem AFM untersuchen. Aufnahmen von solchen Zellen haben wir in unserer Arbeit auf mathematische und informatische Weise analysiert.
Dabei griffen wir ein Problem auf, mit welchem sich Jonas bereits während seines Betriebspraktikums beschäftigt hatte. Damals sollte er Vertiefungen auf der Oberfläche von diesen Endothelzellen von Hand zählen, um eine physiologische Theorie zu stützen. Diese Vertiefungen stammen von flüssigkeitsspeichernden intrazellulären Organellen (Vakuolen), deren Zahl und Größe mit zentralen Funktionen wie beispielsweise dem Zellwachstum korreliert [Rie07]. Bisher mussten AFM-Aufnahmen dieser Art manuell ausgewertet werden.
Um diesen Vorgang zu automatisieren, wählten wir einen Ansatz, der flexibel und einfach erweiterbar ist, aber und die Probleme bei der Analyse in herkömmlichen Programmen umgeht: Zunächst teilen wir das Bild in überlappende quadratische Teilbereiche auf. Die Teilbereiche werden mittels „Plane-Fit“ oder mit zeilenweiser Anpassung begradigt. Um das Bild zu glätten, führen wir eine diskrete Faltung mit einer Gaußschen Normalverteilung durch und suchen dann mit unserem „Raindrop“Algorithmus in den nichtüberlappenden Ausschnitten der Teilbereiche nach den verbliebenen lokalen Minima. So erhalten wir bereits eine gute Auswahl an Punkten, die für Vakuolen in Frage kommen.
Für sämtliche Vertiefungen werden nun die durch die Wendepunkte der Gradienten definierten Umrisse mittels differentieller Kantenerkennung subpixelgenau bestimmt und daran weitere Eigenschaften der Vertiefungen gemessen: Volumen, Fläche, Umfang, Tiefe und Zirkularität (das Verhältnis von Umfang und Fläche). Da der Umriss einer Vakuole annähernd kreisförmig ist, ist die Zirkularität ein guter Indikator dafür, ob es sich bei einer Vertiefung um eine Vakuole handeln könnte. Auch dürfen die übrigen gemessenen Werte gewisse Grenzwerte nicht unterschreiten, um den Anforderungen zu entsprechen. Anhand dieser Daten kann die Zahl der Vakuolen bereits mit sehr guter Genauigkeit approximiert werden.
Die Auswertung der Messwerte nach herkömmlicher Vorgehensweise ist, insbesondere, wenn später noch mehr Parameter hinzukommen, bestenfalls eine gut funktionierende Schätzung. Wie wir herausfanden, lässt sich aber diese Aufgabe bei entsprechender Vorbereitung optimieren und automatisieren, und zwar durch den Einsatz eines künstlichen neuronalen Netzes. Ein solches Netz kann mit den gewonnenen Daten so trainiert werden, dass es in der Lage ist, anhand der gemessenen Parameter einer Vertiefung über deren Vakuolencharakter zu entscheiden. Dazu müssen die Messdaten manuell attribuiert werden, d.h., der Benutzer muss entscheiden, ob es sich bei den aufgefundenen Vertiefungen um Vakuolen handelt oder nicht. Die Implementation des Netzes ist noch nicht abgeschlossen, wir planen, für die Präsentation der Arbeit eine lauffähige und trainierbare Version vorzulegen. |  |  |  |  |
Sonderpreis: Platzierung:


| |