Fluoreszenz-Mikroskopie für die Life Science Forschung

Problem:
Zellen, die nahe beieinanderliegen, zu finden und die Kontaktstellen zu zählen, ist eine langwierige und aufwendige Arbeit. Zudem ist die manuelle Auswertung fehlerbehaftet und z.B. wegen der inter- und intraindividuellen Untersuchungsvariabilität nicht immer reproduzierbar.

Unsere Lösung:
Automatische Analyse der Fluoreszenz-Bilder und Ausgabe eines Excel-Datensatzes

Aktueller Status:

• Erfolgreich in der wissenschaftlichen Praxis eingesetzt:
  C. Gross, et al. The Tax-Inducible Actin-Bundling Protein Fascin Is Crucial for Release and Cell-to-Cell Transmission of Human T-Cell Leukemia Virus Type 1 (HTLV-1). PLoS Pathog. 2016 Oct 24;12(10):e1005916
• C/C++ API in Entwicklung
  

Lösung:

• Umfangreiche modulare Toolbox mit ca. 50 Bildanalyse-Bausteinen verfügbar. Wir kombinieren und justieren diese Bausteine, um leistungsfähige Bildanalyse-Algorithmen zu erstellen, die als Vorlage/Presets gespeichert werden können
•  Unsere Lösung ist KI-frei und benötigt daher keine große Datenbank mit annotierten Grundwahrheiten
•  Optional kann die Bildanalyse-Pipeline auch automatisch optimiert werden, indem man die Grundwahrheit durch wenige annotierte Bilder vorgibt

Problem:
Die manuelle Messung der Zellkontur, -größe und –fläche oder die Bestimmung des Nukleus-Zytoplasma-Ratios (N/C) ist zeitaufwendig und wegen fehlender automatisierter Quantifizierung oft fehleranfällig.

Unsere Lösung:
Automatische Analyse der Fluoreszenz-Bilder und Ausgabe eines Excel-Datensatzes

Aktueller Status:

• Erfolgreich in der wissenschaftlichen Praxis eingesetzt:
  Wiesmann V, et al. Automated high-throughput analysis of B cell spreading on immobilized antibodies with whole slide imaging. Current Directions in Biomedical Engineering. 1.1 (2015): 224-227
• C/C++ API in Entwicklung

Lösung:

• Umfangreiche modulare Toolbox mit ca. 50 Bildanalyse-Bausteinen verfügbar. Wir kombinieren und justieren diese Bausteine, um leistungsfähige Bildanalyse-Algorithmen zu erstellen, die als Vorlage/Presets gespeichert werden können
• Unsere Lösung ist KI-frei und benötigt daher keine große Datenbank mit annotierten Grundwahrheiten
• Optional kann die Bildanalyse-Pipeline auch automatisch optimiert werden, indem man die Grundwahrheit durch wenige annotierte Bilder vorgibt

Ziel:
Automatische Detektion und Quantifizierung von Mikroorganismen anhand von FISH-Untersuchungen

Partner: Gemeinsame Initiative des Biofilm Zentrum der Charité / MoKi Analytics GmbH, Chili GmbH, HB Technologies

Aktueller Status:

• Segmentierung von Gewebe auf dem Hintergrund
• Segmentierung von Defekten (z.B. Löchern) im Gewebe
• Spot-Detektion in 40x Vergrößerung – mögliche Bakterien
• Finden der Hotspots

Datenbank:

• 30 annotierte FISH Whole Slide Images (40x WSIs und einzelne 100x Kacheln) von natürlichen und künstlichen Herzklappen

Unsere Lösung:

• Detektion potentieller Bakterien in 40x Auflösung und Erstellen eines 100x Scans des Hotspots

Weitere Informationen zu iSOLID
iSOLID wird im Rahmen des Programmes "Photonics in the Life Sciences" (Förderkennzeichen: 13N14917) des Bundesministeriums für Bildung und Forschung (BMBF) gefördert.