Geometry-aware image analysis for microfluidic live-cell experimentation

Ruzaeva, Karina; Wiechert, Wolfgang; Berkels, Benjamin; Berlage, Thomas Leo

doi:44238

Geometry-aware image analysis for microfluidic live-cell experimentation = Geometriebasierte Bildanalyse für mikrofluidische Lebendzell-Experimente

Ruzaeva, Karina^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Karina Ruzaeva, Master of Science (M. Sc.)

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Berkels, Benjamin (Thesis advisor)^RWTH* ; Berlage, Thomas Leo (Thesis advisor)^RWTH* ; Wiechert, Wolfgang (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-02-12

Online
DOI: 10.18154/RWTH-2025-03601
URL: https://publications.rwth-aachen.de/record/1009666/files/1009666.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
image analysis (frei) ; live-cell imaging (frei) ; segmentation (frei) ; single-cell analysis (frei) ; tracking (frei) ; variational methods (frei)

Thematische Einordnung (Klassifikation)
DDC: 510

Kurzfassung
Die 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.

Time-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.

OpenAccess:
PDF
(zusätzliche Dateien)