Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Automated Order Retrieval Of Ultra Thin Brain Sections
Organization Unit
Authors
  • Fabian Weiersmueller
Supervisors
  • Davide Scaramuzza
  • Thomas Templier
  • Richard Hahnloser
Language
  • English
Institution University of Zurich
Faculty Faculty of Economics, Business Administration and Information Technology
Number of Pages 32
Date 2015
Abstract Text Numerous scientific fields in neuroscience rely on high resolution maps of brain regions. The traditional way to create such brain maps consists of producing hundreds of consecutive, ultra thin sections of the given region of interest. The Hahnloser Group at the Institute of Neuroinformatics is currently developing a new method to collect these sections. This new method has many advantages over traditional methods, however, it comes at a cost: we are losing the information about the sections' position inside the stack. This Bachelor Thesis presents the pipeline we developed to retrieve the sections' true order. This retrieval is not as straight forward as it seems, since one has to deal with many associated challenges, such as missing image alignment and file sizes up to several gigabyte per section image. The pipeline we developed is able to deal with all those challenges, using various methods of image processing such as SIFT features, image transformations and normalized cross correlation. Additionally, this thesis explains the observations, experiments and decisions that led to this pipeline and the methods and algorithms used in it. Finally, it documents our successful attempt of retrieving the order of our own dataset.
Zusammenfassung Viele wissenschaftliche Felder der Neurowissenschaften arbeiten mit hochauflösenden 3D Karten von Hirngewebe. Traditionellerweise werden diese Karten erstellt, indem eine bestimmte Hirnregion in hunderte, dünne Scheiben geschnitten wird. Die Hahnloser Gruppe am Institut für Neuroinformatik entwickelt zurzeit eine neue Methode, diese Hirnschnitte herzustellen. Diese Methode hat viele Vorteile, allerdings auch einen Nachteil: Wir verlieren die Information, an welcher Position im Bilder-Stapel die einzelnen Hirnschnitte waren. Diese Bachelorarbeit stellt die Pipeline vor, die wir eintwickelt haben, um den Stapel wieder richtig zu ordnen. Dies ist keine leichte Aufgabe, da wir viele zusammenhängende Probleme auf einmal lösen müssen, wie z.B. fehlende Bildalinierung und sehr grosse File-Grössen. Unsere Pipeline kann diese Probleme bewältigen, indem verschiedenste Methoden der maschiniellen Bildverarbeitung verwendet werden, wie z.B. SIFT features, Bild-Transformationen und normalisierte Cross-Correlation. Zudem erklärt die Arbeit unsere Experimente und Beobachtungen, die zu unserer finalen Pipeline geführt haben und die Methoden, die wir zur Umsetzung verwendeten. Schliesslich dokumentiert sie unseren geglückten Versuch, unser eigenes Bildmaterial richtig zu ordnen.
PDF File Download
Export BibTeX