Development and Evaluation of interest Point Detection for Neural Imaging

In 1998 a new method to reduce the production of an optional protein in a cell was discovered, which enabled a new way of performing high throughput experiments. The effect of individual proteins on essential cell-properties could be analyzed by silencing one protein at a time. These experiments resulted in large quantities of data that had to be analyzed. In practice this was only possible if automated computer algorithms were available. The human neural system consists of more than one hundred billion nerve cells (called neurons) working together in a complex network enabling us to walk, eat, understand and think among other things. The healthiness of a neuron is affected by the access of different proteins during the growth and can be measured by counting the average number of synapses per area in the branches of the neuron. The process of evaluating the effect of knocking out proteins during the development can be rendered more effective if automated computer algorithms are utilized. This thesis is focused on developing and evaluating tools that can be used to study neuron development. The synapses can be characterized as intensity peaks with a radius of 2-3 pixels located on an unknown background. Effective algorithms to find these intensity peaks had to be developed to make the required measurements possible. Four different methods to find synapses in neural images are described and evaluated in this thesis. Methods based in the frequency domain prove to be unstable and lead to numerous of false positives. A spatial method, measuring the relation of the spread and the depth of the intensity peaks simultaneously, put all the other approaches in the shadow. The reliability of detection algorithms are heavily affected by the quality of the input images. To achieve equivalent inputs several pre-processing methods are discussed. Background subtraction methods are used to set the background to zero and contrast stretching methods are used to match the foregrounds of the inputs. By making the input images more equivalent the crucial detection variables can be fixed without deteriorating the result markedly. Utveckling och utvärdering av detektionsalgoritmer för neural bildbehandling Sammanfattning Under 1998 upptäcktes en ny metod för att dämpa produktionen av ett valfritt protein i en cell. Detta möjliggjorde ett nytt sätt att utföra kvantitativa cellexperiment. Inverkan av enskilda proteiner på viktiga cellegenskaper kunde analyseras genom att hindra produktionen av ett protein i taget. Denna form av experiment resulterar i stora kvantiteter data som måste analyseras. I praktiken kan detta endast genomföras om automatiska datoralgoritmer finns tillgängliga. Det mänskliga nervsystemet består av över hundra miljarder nervceller. Dessa samarbetar i ett komplext nätverk, vilket gör det möjligt för oss att gå, äta, tänka och minnas som några få exempel. En neurons hälsa påverkas av tillgången av olika proteiner under uppväxten och kan mätas genom att räkna antalet synapser per area i neuronens armar. Arbetet med att utvärdera effekten av att blockera protein i utvecklingsfasen kan effektiviseras genom att använda automatiska dataalgoritmer. Detta examensarbete är fokuserat på att utveckla och utvärdera verktyg som kan användas för att studera en neurons utveckling. Synapserna kan kännetecknas som intensitetstoppar med 2-3 pixlars radie placerade i en okänd bakgrund. Effektiva algoritmer för att detektera dessa intensitetstoppar var nödvändiga för att kunna utföra mätningarna. Fyra olika metoder för att detektera synapser i bilder tagna av neuroner är beskrivna och utvärderade i detta examensarbete. Frekvensbaserade metoder visar sig opålitliga med en stor frekvens av falska detektioner. En metod baserad på en mätning av intensitetstoppens höjd i relation till dess utbredning visade sig utklassa alla andra angreppssätt. Tillförlitligheten hos detektionsalgoritmerna är kraftigt påverkbara av bildkvaliteten hos inputbilderna. För att dessa bilder ska vara likvärdiga är förbehandling nödvändigt. Metoder att sätta bakgrunden till noll och skapa matchande kontrast hos förgrunden beskrivs. Genom att skapa likvärdiga inputbilder kan nödvändiga variabler i detektionsalgoritmerna sättas till statiska värden utan att försämra resultaten märkbart.