h1

001009666 001__ 1009666
001009666 005__ 20251006101401.0
001009666 0247_ $$2HBZ$$aHT030991127
001009666 0247_ $$2Laufende Nummer$$a44238
001009666 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-03601
001009666 037__ $$aRWTH-2025-03601
001009666 041__ $$aEnglish
001009666 082__ $$a510
001009666 1001_ $$0P:(DE-588)1362701505$$aRuzaeva, Karina$$b0$$urwth
001009666 245__ $$aGeometry-aware image analysis for microfluidic live-cell experimentation$$cvorgelegt von Karina Ruzaeva, Master of Science (M. Sc.)$$honline
001009666 246_3 $$aGeometriebasierte Bildanalyse für mikrofluidische Lebendzell-Experimente$$yGerman
001009666 260__ $$aAachen$$bRWTH Aachen University$$c2025
001009666 300__ $$a1 Online-Ressource : Illustrationen
001009666 3367_ $$02$$2EndNote$$aThesis
001009666 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
001009666 3367_ $$2BibTeX$$aPHDTHESIS
001009666 3367_ $$2DRIVER$$adoctoralThesis
001009666 3367_ $$2DataCite$$aOutput Types/Dissertation
001009666 3367_ $$2ORCID$$aDISSERTATION
001009666 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
001009666 502__ $$aDissertation, RWTH Aachen University, 2025$$bDissertation$$cRWTH Aachen University$$d2025$$gFak01$$o2025-02-12
001009666 5203_ $$aDie Zeitraffer-Mikroskopie in Kombination mit fortschrittlichen Bildgebungstechniken eröffnet neue Möglichkeiten, grundlegende und angewandte biologische Fragestellungen anzugehen. Insbesondere ermöglichen mikrofluidische Werkzeuge, die Entwicklung lebender Zellen unter präzisen Umgebungsbedingungen (Medium, Temperatur, Licht) zu untersuchen und mittels Lebendzell-Mikroskopie aufzuzeichnen. Diese Methode ermöglicht die Erfassung zeitaufgelöster Zellantworten, die als hochvolumige Zeitraffer-Bildsequenzen aufgezeichnet werden. Die Verarbeitung der anfallenden hochvolumigen Bildsequenzen stellt zahlreiche Herausforderungen an die Bildanalyse, wie etwa variierende Rauschpegel, geringe Intensitätsgradienten und begrenzte Bildaufnahmeraten. Die Bewältigung dieser Herausforderungen ist entscheidend, da es für die Entwicklung biotechnologischer Prozesse zunehmend notwendig wird, das Verhalten von Mikroorganismen auf Einzelzellebene besser zu verstehen. Hier spielen fortschrittliche Bildverarbeitungstechniken eine entscheidende Rolle, um wertvolle Einblicke zu gewinnen, die für die Optimierung biotechnologischer Anwendungen unerlässlich sind. Die Dissertation “Geometriebasierte Bildanalyse für mikrofluidische Lebendzell-Experimente” betont die Bedeutung der Einbeziehung von Vorwissen über die Geometrie und das Verhalten von Mikroorganismen—insbesondere ihrer Form, Größe und Teilungsmechanismen— in Bildanalysetechniken. In dieser Arbeit wird ein Bildverarbeitungs-Workflow vorgestellt, der die Generierung von Ground-Truth-Daten, Segmentierung und Nachverfolgung umfasst. Diese Ground-Truth-Generierung sowie die nachfolgende Segmentierungs- und Tracking-Algorithmen werden durch die geometrischen und verhaltensspezifischen Merkmale der Zellen, die durch den ausgewählten Mikroorganismus bestimmt werden, informiert. Um diesen Workflow umzusetzen, schlägt diese Dissertation Methoden zur Generierung von Ground-Truth-Daten vor, die sowohl synthetische Bildsimulationen als auch die Prozessierung von Annotationen realer Daten umfassen. Für die Segmentierung kombinieren wir geometrie-bewusste variationale Spline-basierte Segmentierung mit maschinellem Lernen zur Erkennung, um die Genauigkeit der Zellerkennung zu verbessern. Dieser Ansatz wird durch ein aktivitätsbasiertes Tracking ergänzt, das das Verhalten von Zellen im Zeitverlauf überwacht und es ermöglicht, kritische Parameter wie Zellgröße, Zellzahl und dynamisches Verhalten zu extrahieren. Die extrahierten Daten können zur dynamischen Anpassung der Bioprozessbedingungen verwendet werden, um das Wachstum und den Ertrag zu optimieren, was zu einer höheren Effizienz und Produktivität der biotechnologischen Prozesse führt. Durch die Integration dieser geometrie- und verhaltensbewussten Bildverarbeitungsmethoden, einschließlich der Ground-Truth-Generierung, geometrie-bewusster Segmentierung und aktivitätsbasierter Nachverfolgung, unterstreicht diese Dissertation das Potenzial einer präzisen Bildanalyse zur Verbesserung von Lebendzell-Experimenten. Die Ergebnisse verbessern nicht nur die Genauigkeit der Einzelzell-Analyse, sondern tragen auch zur Optimierung biotechnologischer Prozesse bei, indem sie das zelluläre Verhalten besser verstehen.$$lger
001009666 520__ $$aTime-lapse microscopy combined with advanced imaging techniques offers new opportunities to approach fundamental and applied biological questions. Specifically, microfluidic tools enable the study of living cells under precisely controlled environmental conditions (medium, temperature, light) and allow for their observation through live-cell microscopy. This approach enables the capture of time-resolved cellular responses, which are recorded as high-volume time-lapse image sequences. Processing these large-scale image sequences poses numerous challenges for image analysis, such as varying noise levels, low-intensity gradients and limited image capture rates. Addressing these challenges is crucial for developing biotechnological processes as it becomes increasingly necessary better to understand the behavior of microorganisms at the single-cell level. Advanced image-processing techniques play a critical role in extracting valuable insights from these datasets, which are essential for optimizing biotechnological applications. The dissertation “Geometry-aware image analysis for microfluidic live-cell experimentation” emphasizes the importance of incorporating prior knowledge of microorganisms' geometry and behavior—specifically their shape, size, and division mechanisms—into image analysis techniques. In this dissertation, we present an image processing workflow comprising ground truth data generation, segmentation, and tracking. This ground truth generation and subsequent segmentation and tracking algorithms are informed by the geometry and behavioral characteristics of cells, which are determined by the selected microorganism. To implement this workflow, this dissertation proposes ground truth data generation methods that include both synthetic image simulations and the processing of annotations from real data. For the segmentation task, we combine geometry-aware variational spline-based segmentation with machine learning-based detection to enhance the accuracy of cell identification. This approach is complemented by activity-based tracking that monitors cell behavior over time, enabling the extraction of critical parameters such as cell size, count, and dynamic behavior. The extracted data can be used to dynamically adjust bioprocess conditions to optimize growth and yield, leading to greater efficiency and productivity in biotechnological processes. By integrating this geometry and behavior-aware image processing methods, including ground truth generation, geometry-aware segmentation, and activity-based tracking, this dissertation underscores the potential of precise image analysis in enhancing live-cell experimentation. The results not only improve the accuracy of single-cell analysis but also help to optimize biotechnological processes by understanding cellular behavior.$$leng
001009666 536__ $$0G:(DE-Juel1)HDS-LEE-20190612$$aHDS LEE - Helmholtz School for Data Science in Life, Earth and Energy (HDS LEE) (HDS-LEE-20190612)$$cHDS-LEE-20190612$$x0
001009666 536__ $$0G:(DE-HGF)PHD-PROGRAM-20170404$$aDoktorandenprogramm (PHD-PROGRAM-20170404)$$cPHD-PROGRAM-20170404$$x1
001009666 588__ $$aDataset connected to Lobid/HBZ
001009666 591__ $$aGermany
001009666 653_7 $$aimage analysis
001009666 653_7 $$alive-cell imaging
001009666 653_7 $$asegmentation
001009666 653_7 $$asingle-cell analysis
001009666 653_7 $$atracking
001009666 653_7 $$avariational methods
001009666 7001_ $$0P:(DE-82)IDM01595$$aBerkels, Benjamin$$b1$$eThesis advisor$$urwth
001009666 7001_ $$0P:(DE-82)IDM04476$$aBerlage, Thomas Leo$$b2$$eThesis advisor$$urwth
001009666 7001_ $$0P:(DE-82)105223$$aWiechert, Wolfgang$$b3$$eThesis advisor$$urwth
001009666 8564_ $$uhttps://publications.rwth-aachen.de/record/1009666/files/1009666.pdf$$yOpenAccess
001009666 8564_ $$uhttps://publications.rwth-aachen.de/record/1009666/files/1009666_source.zip$$yRestricted
001009666 909CO $$ooai:publications.rwth-aachen.de:1009666$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
001009666 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1362701505$$aRWTH Aachen$$b0$$kRWTH
001009666 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01595$$aRWTH Aachen$$b1$$kRWTH
001009666 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04476$$aRWTH Aachen$$b2$$kRWTH
001009666 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)105223$$aRWTH Aachen$$b3$$kRWTH
001009666 9141_ $$y2025
001009666 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001009666 9201_ $$0I:(DE-82)111410_20170801$$k111410$$lLehrstuhl für Angewandte Mathematik und Institut für Geometrie und Praktische Mathematik$$x0
001009666 9201_ $$0I:(DE-82)112430_20140620$$k112430$$lJuniorprofessur für Mathematische Bild- und Signalverarbeitung$$x1
001009666 9201_ $$0I:(DE-82)110000_20140620$$k110000$$lFachgruppe Mathematik$$x2
001009666 961__ $$c2025-05-20T11:26:28.409806$$x2025-04-07T22:46:17.912330$$z2025-05-20T11:26:28.409806
001009666 9801_ $$aFullTexts
001009666 980__ $$aI:(DE-82)110000_20140620
001009666 980__ $$aI:(DE-82)111410_20170801
001009666 980__ $$aI:(DE-82)112430_20140620
001009666 980__ $$aUNRESTRICTED
001009666 980__ $$aVDB
001009666 980__ $$aphd