Hierarchical Analysis of Temporal and Spatial Image Data
- Reference number
- BD15-0008
- Start and end dates
- 170101-230630
- Amount granted
- 28 989 627 SEK
- Administrative organization
- Uppsala University
- Research area
- Computational Sciences and Applied Mathematics
Summary
Images contain very rich information, and digital cameras combined with image processing and analysis can detect and quantify a range of patterns and processes. The valuable information is however often sparse, and the ever increasing speed at which data is collected results in data-volumes that exceed the computational resources available. We herein propose a hierarchical approach to acquisition, analysis, and interpretation of image data. We will develop computationally efficient measurements for data description, confidence-driven machine learning for determination of ‘interestingness’, and a theory and framework to apply intelligent spatial and temporal information hierarchies, distributing data to computational resources and storage options based on low-level image features. We will focus our efforts on microscopy data, and work in three specific areas where image collection results in data volumes difficult to handle with today’s computational resources, namely (i) large-scale time-lapse experiments exploring the dynamics of cells and drug delivery particles in collaboration with Astra Zeneca, (ii), nanometer-resolution transmission electron microscopy data of in collaboration with Vironova AB, and (iii) multi-modal digital pathology data from SciLifeLab Sweden. We expect the resulting methodologies and frameworks to be highly relevant also for other scientific and industrial applications, including surveillance, predictive maintenance and quality control.
Popular science description
Det senaste årtiondet har medfört en explosion av data, och digitala kameror som samlar in information om världen runt omkring oss kan användas inom många olika områden. I livsvetenskaperna är storskalig, automatiserad bildinsamling med mikroskopi ett oumbärligt verktyg både i biologisk och medicinsk grundforskning och i läkemedelsutveckling. Med hjälp av digital bildanalys kan man sedan få ut kvantitativ information om hur läkemedel påverkar tex celler och vävnad. På AstraZenecas forskningsavdelning testar man en mycket lovande metod för att behandla sjukdomar och med mikroskopi studerar man hur molekyler tas upp av celler. Ett annat exempel är företaget Vironova, där man har utvecklat ett litet och automatiserat elektronmikroskop som kan ta bilder av mycket små objekt, som tex virus. På Science for Life Laboratory studerar man vävnadsprover och tar många bilder med hög upplösning för att studera genetisk variation i cancertumörer. Traditionellt har biologiska upptäckter begränsats av brist på informativ data, men högupplöst digitaliserad mikroskopi har under senare år utvecklats i så snabb takt att forskare idag begränsas av svårigheten att analysera all tillgänglig data, detta trots avancerade algoritmer som med hjälp av matematiska modeller letar rätt på relevant information i bilderna. Situationen blir allt svårare i och med att fler och fler experiment samlar in tidsupplöst data. På AstraZeneca är det idag inte möjligt att spara all data som samlas in. Om vi inte utvecklar nya metoder för att hantera och analysera enorma mängder rums-och tidsupplöst bilddata är risken stor att detta blir en flaskhals i den biomedicinska forskningen. Vi angriper problemet på flera sätt. Bilder kan ha kvalitetsproblem som gör dem olämpliga för analys. Genom att snabbt kunna detektera detta direkt vid insamlingen av data kan vi undvika oanvändbart data. Genom avancerade modeller för masikinlärning som snabbt kan välja ut de mest intressanta detaljerna i bilderna kan vi styra mikroskopen så att de fokuserar på intressanta regioner. Slutligen föreslår vi en hierarkisk analys baserad på länkade informationslager där vi systematiskt bygger upp en hieraki där den mest värdefulla informationen prioriteras och görs lätt tillgänglig för forskare i olika molnplattformar för snabbare analys.