Noise and artifact reduction in interactive volume renderings of electron-microscopy data-sets

Abstract

Connectomics ist ein aufstrebender Fachbereich der Neuro-Wissenschaften, der danach strebt, die in den neuronalen Schaltungen des Gehirns versteckten Algo- rithmen zu verstehen. Das wird zu erreichen versucht, indem man die Neuronen im Gehirn verfolgt und deren Verbindungen untersucht. Von all den verfügbaren bildgebenden Verfahren bietet lediglich ein Elektronen Mikroskop die nötige Auflösung, um neuronale Prozesse abzubilden. Datensätze, die mit einem Elektronen-Mikroskop erstellt wurden, weisen jedoch sowohl einen schlechten Signal-Rausch-Abstand als auch Artefakte auf, die während der Vorbereitung und der Abtastung einer Probe entstehen. In dieser Arbeit stellen wir zwei Ansätze vor, den Signal-Rausch-Abstand zu verbessern und die Artefakte zu reduzieren. Der erste Ansatz, der entwickelt wurde, reduziert das Rauschen, indem die Datensätze mit einem 3D Filter geglättet werden. Das Besondere an diesem Ansatz ist, dass er interaktiv ist und die Datensätze on-the-fly gefiltert werden. Zum Vergleich wurden ein Box-, ein Gauss- und ein bilateraler Filter implementiert. Der zweite Ansatz, den wir untersucht haben, arbeitet semi-automatisch. Er erlaubt es einem Benutzer, Regionen innerhalb eines Datensatzes zu selektieren und diese und ähnliche Regionen dann, mit Hilfe von Histogrammen der unterschiedlichen Auflösungsstufen dieser Regionen, auszublenden.<br />Wenn nun Regionen selektiert und ausgeblendet werden, die Rauschen oder Artefakte beinhalten, wird die angestrebte Reduktion dieser beiden Störfaktoren erreicht. Wir werden zeigen, dass beide vorgestellten Methoden dazu geeignet sind, in, von einem Elektronen-Mikroskop erstellten, Datensätzen, den Signal-Rausch-Abstand zu erhöhen und die Artifakte beim Volumen Rendering zu reduzieren.<br />

Connectomics is an emerging area of neuroscience that is concerned with under- standing the neural algorithms embeded in the neural circuits of the brain by tracking neurons and studying their connections. From all the available scanning technolo- gies only electron microscopy (EM) can provide sufficient scanning resolutions in order to identify neural processes. EM data sets, however, suffer from bad signal-to-noise ratio and artifacts introduced to the data set during the sectioning and digital reconstruction process of the scanned specimen. In this thesis we present two different approaches that generally allow noise and artifact reduction on volumetric data sets and which can be used to increase the visual quality of direct volume renderings (DVRs) of EM data sets. The first approach we developed was an interactive, on-the-fly filtering framework that allows a user to filter even very large volume data set with resizable 3D filter-kernels. For comparison, we implemented an average, a Gaussian, and a bilateral filter. The second approach we investigated is a semi-automatic one that allows a user to select regions within a data set. Similar regions are then retrieved by our algorithm using multiresolution histograms and the user can remove these regions from the rendering. By selecting and hiding regions containing noise or artifacts, the desired noise- and artifact-reduction can be achieved. We are going to show that both methods we investigated are suitable for removing noise and artifacts in EM data sets.<br />