EMPIRE10 (Evaluation of Methods for Pulmonary Image REgistration 2010) is a public platform for fair and meaningful comparison of registration algorithms which are applied to a database of intrapatient thoracic CT image pairs. Evaluation of nonrigid registration techniques is a nontrivial task. This is compounded by the fact that researchers typically test only on their own data, which varies widely. For this reason, reliable assessment and comparison of different registration algorithms has been virtually impossible in the past. In this work we present the results of the launch phase of EMPIRE10, which comprised the comprehensive evaluation and comparison of 20 individual algorithms from leading academic and industrial research groups. All algorithms are applied to the same set of 30 thoracic CT pairs. Algorithm settings and parameters are chosen by researchers expert in the configuration of their own method and the evaluation is independent, using the same criteria for all participants. All results are published on the EMPIRE10 website ( http://empire10.isi.uu.nl ). The challenge remains ongoing and open to new participants. Full results from 24 algorithms have been published at the time of writing. This paper details the organization of the challenge, the data and evaluation methods and the outcome of the initial launch with 20 algorithms. The gain in knowledge and future work are discussed.

In this paper, we describe our method for the ISIC 2019 Skin Lesion Classification Challenge. The challenge comes with two tasks. For task 1, skin lesions have to be classified based on dermoscopic images. For task 2, dermoscopic images and additional patient meta data are used. Our deep learning-based method achieved first place for both tasks. The are several problems we address with our method. First, there is an unknown class in the test set which we cover with a data-driven approach. Second, there is a severe class imbalance that we address with loss balancing. Third, there are images with different resolutions which motivates two different cropping strategies and multi-crop evaluation. Last, there is patient meta data available which we incorporate with a dense neural network branch. • We address skin lesion classification with an ensemble of deep learning models including EfficientNets, SENet, and ResNeXt WSL, selected by a search strategy. • We rely on multiple model input resolutions and employ two cropping strategies for training. We counter severe class imbalance with a loss balancing approach. • We predict an additional, unknown class with a data-driven approach and we make use of patient meta data with an additional input branch.

Purpose To investigate the feasibility of tumor type prediction with MRI radiomic image features of different brain metastases in a multiclass machine learning approach for patients with unknown primary lesion at the time of diagnosis. Materials and methods This single-center retrospective analysis included radiomic features of 658 brain metastases from T1-weighted contrast material-enhanced, T1-weighted nonenhanced, and fluid-attenuated inversion recovery (FLAIR) images in 189 patients (101 women, 88 men; mean age, 61 years; age range, 32-85 years). Images were acquired over a 9-year period (from September 2007 through December 2016) with different MRI units, reflecting heterogeneous image data. Included metastases originated from breast cancer (n = 143), small cell lung cancer (n = 151), non-small cell lung cancer (n = 225), gastrointestinal cancer (n = 50), and melanoma (n = 89). A total of 1423 quantitative image features and basic clinical data were evaluated by using random forest machine learning algorithms. Validation was performed with model-external fivefold cross validation. Comparative analysis of 10 randomly drawn cross-validation sets verified the stability of the results. The classifier performance was compared with predictions from a respective conventional reading by two radiologists. Results Areas under the receiver operating characteristic curve of the five-class problem ranged between 0.64 (for non-small cell lung cancer) and 0.82 (for melanoma); all P values were less than .01. Prediction performance of the classifier was superior to the radiologists' readings. Highest differences were observed for melanoma, with a 17-percentage-point gain in sensitivity compared with the sensitivity of both readers; P values were less than .02. Conclusion Quantitative features of routine brain MR images used in a machine learning classifier provided high discriminatory accuracy in predicting the tumor type of brain metastases. © RSNA, 2018 Online supplemental material is available for this article.

Abstract High-resolution functional 2-photon microscopy of neural activity is a cornerstone technique in current neuroscience, enabling, for instance, the image-based analysis of relations of the organization of local neuron populations and their temporal neural activity patterns. Interpreting local image intensity as a direct quantitative measure of neural activity presumes, however, a consistent within- and across-image relationship between the image intensity and neural activity, which may be subject to interference by illumination artifacts. In particular, the so-called vignetting artifact - the decrease of image intensity towards the edges of an image - is, at the moment, widely neglected in the context of functional microscopy analyses of neural activity, but potentially introduces a substantial center-periphery bias of derived functional measures. In the present report, we propose a straightforward protocol for single image-based vignetting correction. Using immediate-early-gene-based 2-photon microscopic neural image data of the mouse brain, we show the necessity of correcting both image brightness and contrast to improve within- and across-image intensity consistency and demonstrate the plausibility of the resulting functional data.

Live cell Ca2+ fluorescence microscopy is a cornerstone of cellular signaling analysis and imaging. The demand for high spatial and temporal imaging resolution is, however, intrinsically linked to a low signal-to-noise ratio (SNR) of the acquired spatio-temporal image data, which impedes subsequent image analysis. Advanced deconvolution and image restoration algorithms can partly mitigate the corresponding problems, but are usually defined only for static images. Frame-by-frame application to spatio-temporal image data neglects inter-frame contextual relationships and temporal consistency of the imaged biological processes. Here, we propose a variational approach to time-dependent image restoration built on entropy-based regularization specifically suited to process low- and lowest-SNR fluorescence microscopy data. The advantage of the presented approach is demonstrated by means of four data sets: synthetic data for in-depth evaluation of the algorithm behavior; two data sets acquired for analysis of initial Ca2+ microdomains in T cells; and, to illustrate transferability of the methodical concept to different applications, one dataset depicting spontaneous Ca2+ signaling in jGCaMP7b-expressing astrocytes. To foster re-use and reproducibility, the source code is made publicly available.

The laminar organization of the cerebral cortex is a fundamental characteristic of the brain, with essential implications for cortical function. Due to the rapidly growing amount of high-resolution brain imaging data, a great demand arises for automated and flexible methods for discriminating the laminar texture of the cortex. Here, we propose a combined approach of unsupervised and supervised machine learning to discriminate the hierarchical cortical laminar organization in high-resolution 2-photon microscopic neural image data without observer bias, that is, without the prerequisite of manually labeled training data. For local cortical foci, we modify an unsupervised clustering approach to identify and represent the laminar cortical structure. Subsequently, supervised machine learning is applied to transfer the resulting layer labels across different locations and image data, to ensure the existence of a consistent layer label system. By using neurobiologically meaningful features, the discrimination results are shown to be consistent with the layer classification of the classical Brodmann scheme, and provide additional insight into the structure of the cerebral cortex and its hierarchical organization. Thus, our work paves a new way for studying the anatomical organization of the cerebral cortex, and potentially its functional organization.

Classification of peripheral blood and bone marrow cells is critical in the diagnosis and monitoring of hematological disorders. The development of robust and reliable automatic classification systems is hampered by data scarcity and limited model generalizability across laboratories. The present study proposes the integration of self-supervised learning (SSL) into cell classification pipelines to address these challenges.

Understanding the wiring diagram of the human cerebral cortex is a fundamental challenge in neuroscience. Several topological properties of this intricate network have been uncovered, yet elemental aspects of its organization remain elusive. Here we explore wiring principles of the human connectome by examining which structural traits of cortical regions, particularly their characteristic cytoarchitecture and thickness, relate to the existence and strength of inter-regional connections. To this end, we use the comprehensive data from the classic work of von Economo and Koskinas in conjuction with diffusion data from the Human Connectome Project. Our results reveal a prominent role of the cytoarchitectonic similarity of upper cortical layers for predicting the existence of connections. In contrast, cortical thickness similarity was not systematically related to the existence of connections. Our findings are in line with recent findings in non-human mammalian cerebral cortices, suggesting that the cytoarchitectonic similarity of cortical regions underlies an overarching wiring principle of the mammalian cerebral cortex. The present results invite hypotheses about potentially evolutionary conserved neurobiological mechanisms that give rise to the observed relation of cytoarchitecture and connectivity in the human cerebral cortex.