利用SuRVoS（超级区域体积分割）工作台对生物材料进行体积分割与分析

本实验的总体目标是对复杂的生物性三维体数据进行半自动分割。该方法通过实现对体数据的定性与定量分析，有助于解答结构生物学领域的关键科学问题。该技术的主要优势在于，尽管其可用于深入解析生物数据集，但也同样适用于材料科学等其他研究领域。

该软件采用与分割程序不同的工作流程，初次使用SuRVoS时可能会遇到一些初始困难。因此，可视化演示对于理解这一新工作流程至关重要。本示例展示了在相位对比X射线断层扫描数据集上，利用模型训练对大而结构清晰的区域进行分割的过程。

开始此操作流程时，启动 SuRVoS 工作台。点击“打开数据集”按钮，在弹出的窗口中选择要进行分割的数据文件。为数据集选择合适的取向。

接下来，选择一个用于存储工作区及关联文件的文件夹，然后点击“加载”按钮。在“选择感兴趣区域”选项卡中，输入感兴趣区域的 X、Y 和 Z 起始与结束坐标，然后点击“添加”。

添加某个部分后，通过勾选右侧的复选框确保其已被选中。随后，在“功能通道”（Features Channels）选项卡中，使用下拉菜单选择一个功能并将其添加到队列中。根据该功能的具体要求修改相关选项，并选择要运行该功能的输入数据集。

单击功能名称右侧的复选框以进行计算。同一数据集可运行多个功能，且已计算出的功能可作为输入数据集用于进一步处理。然后选择“超级区域”选项卡。

在“超体素”部分，使用下拉菜单选择用于生成超体素的已过滤数据集。设置形状、间距和紧凑度参数，然后点击“应用”按钮以生成超体素。

为了评估超体素的质量，可单独显示超体素而不叠加原始数据。如果数据中感兴趣的目标特征在单独显示的超体素中仍然可见，则说明超体素较好地表征了原始数据。在“标注”选项卡中，单击“添加层级”按钮以增加一个标注层级。

单击新创建层级中的“添加标签”按钮，为注释添加标签。接下来，在工具快捷方式区域中，选择笔形图标。可视化窗格顶部将显示一组选项。

选择超体素选项，并使用中等宽度的笔刷开始为模型训练创建训练数据。点击标签信息最右侧的复选框，以选择要标注的标签。然后在可视化窗格中点击并拖动，以标注多个超体素。

在模型训练选项卡中，将预测层级设置为包含手动训练标注的层级。然后在描述符部分，将区域设置为超体素。点击“选择源”下拉菜单，并勾选所需特征或滤波器的复选框，以选择用于区分数据区域的描述符。

单击“预测”按钮。当计算完成后，可视化窗格将更新，显示每个未标记体素所属的注释标签的预测结果。在评估训练方法的效果并选择其中一种后，单击“优化”部分中的“优化”下拉菜单，以应用进一步的优化。

在“更新标注”部分的模型训练标签页底部，确保可视化下拉菜单设置为“预测”。接下来，使用置信度滑块将更多或更少的未标注超体素分配给所选的标注标签。在选择合适的置信度水平后，点击置信度工具底部各标签旁边的“保存”按钮，将预测结果保存到特定标签中。

可视化窗格将更新以反映所做的更改。如有必要，重复进行模型训练，结合进一步优化和高置信度预测，直至几乎不存在或完全没有未标记的超体素。使用超区域对更小且更复杂的区域进行分割的方法，在一个冷冻电子断层扫描数据集上进行了演示。

在注释标签中添加适当的层级和标签后，选择该标签。使用中等宽度的笔触，并在选中超体素的情况下开始注释。一种超区域分割的策略是：先在一个切片上快速完成分割，然后向上或向下移动几个切片，在新切片上填补间隙。

通过这种方式，用户只需较少操作即可完成对中间层面的标注。接下来，为了进一步优化标注结果，选择分割标签及一种形态学优化方法，输入半径值，并选择优化方法的应用方式。

然后点击“优化”。数据对象的分类与分析将在一个冷冻软X射线断层成像数据集上进行演示。完成数据的完整分割后，点击可视化面板中的第二个标签页，名为 Label Splitter。

窗口右侧将新增一个区域，即规则创建窗格。在规则创建窗格的顶部，选择用于标签拆分的层级和标签。接下来，选择要查询的数据集，然后点击“Label”（标签）。

在可视化窗格中，所选标签中的每个对象现在将被分别用蓝色轮廓标出。规则创建窗格中将显示一个图表，展示这些对象的平均强度。单击右上角的下拉框，可更改当前显示的测量指标。

接下来，在规则创建窗格底部点击“添加新标签”，开始将对象划分为相应的类别。点击“添加新规则”，使用下拉菜单和自由输入框定义要应用的规则。点击“应用”，在可视化窗格以及规则创建窗格中的图表上查看新规则的效果。

在对所有目标对象完成分类后，进入“注释”选项卡。创建一个新的空层级，然后在规则创建选项卡中选择该新层级，点击“保存标签”。

单击可视化窗格边缘的“标签统计”选项卡，打开一个新的可视化窗格，用于理解对象类别之间的关系。在顶部，选择适当的层级、标签和要查询的数据集。然后通过勾选其旁边的复选框，选择若干感兴趣的度量指标。

单击标签以生成所选每个指标的成对比较图。如需添加或移除某个指标，请勾选相应的复选框，然后单击“更新图表”。本研究展示了 SuRVoS 工作台中的两种分割策略和一种分类工具。

对于模型训练，需加载一个具有区域界定边界的相对高对比度数据集。对该数据进行滤波和钳制处理，以增强背景、前景和内部结构的可区分性。然后在滤波后的数据集基础上构建超体素。

在评估超体素的质量后，通过人工标注来训练分类器，以预测背景、果实刚毛、种子物质以及周围果肉所对应的区域。采用形态学优化方法填充孔洞，以优化分割结果。对于超区域分割，需加载一个噪声较多且复杂的图像数据集。

接下来，对选定的兴趣区域应用适当的滤波器组。在模型训练和分割完成后，每隔5到10个切片进行一次快速的手动标注，以选择描述目标特征的超体素。随后，通过包含多种不同细胞器的数据集演示标签分割过程。

首先，使用适当的全变分滤波器来增强细胞器的边界。采用超体素和巨体素对细胞器进行半自动分割，并通过优化来填充孔洞并平滑边缘。利用标签分割器将数据集中的每个细胞器显示为独立对象，然后在数据图中可视化各个对象的多种特征。

在此，根据细胞器的固有属性（例如其大小或平均强度）制定了规则，以将细胞器划分为五个不同的类别。可以使用标签分割器输出有关数据的定量信息，并开始理解细胞的背景环境。观看本视频后，您应能够充分掌握如何使用 SuRVoS 工作台进行半自动分割。

通过使用该方法，可以对多种生物状态进行比较，以回答相关科学问题，例如关于野生型、疾病状态以及治疗后条件的比较。一旦掌握，若操作得当，该技术可使分割过程的速度提高约五倍。完成该步骤后，可利用可视化软件对结果进行渲染，用于发表文章和制作视频。