„Deep Learning“ für alle

Biomedizinische Forschungslabore produzieren Bilddaten mit immer höherer Geschwindigkeit. Wie aber können Wissenschaftlerinnen und Wissenschaftler diese Datenmenge optimal nutzen, ohne viel Zeit damit zu verbringen, Elemente in den Bildern – wie beispielsweise einzelne Zelltypen im kranken Gewebe – manuell zu zählen und zu klassifizieren?

Der Zugang zu maschinell unterstützter Bildanalyse ist bisher ausschließlich auf Forschungslabore beschränkt, die im Bereich der Informatik arbeiten. Um dem entgegenzuwirken, haben Freiburger Forscherinnen und Forscher vom Institut für Informatik und den Exzellenzclustern im Bereich biologische Signalforschung BIOSS und CIBSS ein „Deep Learning“ basiertes Plug-in für eine weit verbreitete Bildanalysesoftware entwickelt. Ihr neues Softwarepaket stellen sie in der aktuellen Ausgabe von „Nature Methods“ vor.

„Deep Learning“ ist eine aktuelle Methodik des maschinellen Lernens, bei der komplexe Merkmale, zum Beispiel in Bildern, automatisch anhand von Daten gelernt werden. Dadurch lassen sich mit dem Verfahren sehr einfach neue Aufgaben antrainieren. Die Leistung eines „Deep Learning“-Verfahrens steigt mit der Menge der zum Lernen bereitgestellten Daten.

Deshalb gingen Forschende bisher davon aus, dass für ein erfolgreiches Training künstlicher neuronaler Netze große Datensätze erforderlich sind – für die Bildanalyse wären das Tausende von Trainingsbildern. Doch für viele Spezialanwendungen ist es nicht möglich, so großes Datenvolumen zu generieren.

Im Jahr 2015 entwickelten Prof. Dr. Olaf Ronneberger und Prof. Dr. Thomas Brox vom Institut für Informatik das U-Net, ein „Deep Learning“-Netzwerk zur Analyse biomedizinischer Bilder. Der Hauptvorteil von U-Net ist die Fähigkeit, aus relativ wenigen Trainingsbildern effizient zu lernen und damit sehr hohe Genauigkeiten zu erreichen.

Jetzt hat das Team ein U-Net-Plug-in für eine weit verbreitete biomedizinische Bildanalysesoftware namens ImageJ entwickelt. Die Plug-in-Software ist für 2D- und 3D-Bilddaten konzipiert und kann auf neue Datensätze trainieren sowie von den Benutzerinnen und Benutzern definierte Eigenschaften extrahieren.

Dadurch muss nicht für jedes Forschungslabor ein neues Softwarepaket, das sich auf verschiedene biologische Proben und Merkmale innerhalb der Bilddaten konzentriert, entwickelt werden. Diese Flexibilität macht das Plug-in für biomedizinische Forschungslabore breit zugänglich. „Das U-Net-Plug-in demokratisiert eine lernbasierte Bildanalyse“, sagt Brox.

Auf einem normalen Rechner benötigt die Software nur einige Stunden, um sich anhand der Benutzerdaten an eine neue Bildanalyseaufgabe anzupassen.

„Die renommierten Fachzeitschriften fordern immer stärker eine rigorose Quantifizierung und Statistik der Bilddaten“, sagt Prof. Dr. Marco Prinz vom Institut für Neuropathologie des Universitätsklinikums Freiburg, der an der Studie beteiligt war.

„Das U-Net-Plug-in lässt sich problemlos in unsere bestehenden Arbeitsabläufe integrieren. Es spart uns Zeit und ermöglicht uns, wertvolle Informationen aus unseren Bildern zu ziehen.“

Prof. Dr. Thomas Brox
Institut für Informatik & BIOSS Centre for Biological Signalling Studies und CIBSS – Centre for Integrative Biological Signalling Studies
Albert-Ludwigs-Universität
Tel.: 0761/203-8261
E-Mail: brox@cs.uni-freiburg.de

Originalpublikation:
Falk, T., Mai, D., Bensch, R., et al.., Prinz, M., Palme, K., Simons, M., Diester, I., Brox, T., Ronneberger, O. (2018): U-Net – Deep Learning for Cell Counting, Detection, and Morphometry. In: Nature Methods. DOI: 10.1038/s41592-018-0261-2

https://www.pr.uni-freiburg.de/pm/2018/deep-learning-fuer-alle