Volumen-Segmentierung und Analyse von biologischen Materialien mit SuRVoS (Super-Region Volumen Segmentierung)-Workbench

Das übergeordnete Ziel dieses Verfahrens ist es, komplizierte volumetrische Datensätze biologischer Natur halbautomatisch zu segmentieren. Diese Methode kann helfen, Schlüsselfragen im Bereich der Strukturbiologie zu beantworten, indem sie die qualitative und quantitative Analyse von volumetrischen Daten ermöglicht. Der Hauptvorteil dieser Technik besteht darin, dass diese Methode zwar Einblicke in biologische Datensätze geben kann, aber auch auf andere Bereiche wie die Materialwissenschaften angewendet werden kann.

Diese Software verwendet einen anderen Workflow als Segmentierungsprogramme, was bei der ersten Verwendung von SuRVoS zu anfänglichen Schwierigkeiten führen kann. Daher ist eine visuelle Demonstration entscheidend, um diesen neuen Arbeitsablauf zu verstehen. Die Segmentierung großer, wohldefinierter Regionen mittels Modelltraining wird an einem Phasenkontrast-Röntgentomographie-Datensatz demonstriert.

Um dieses Verfahren zu starten, starten Sie den Arbeitsbereich SuRVoS. Klicken Sie auf die Schaltfläche Datensatz öffnen und wählen Sie im resultierenden Popup die zu segmentierende Datendatei aus. Wählen Sie eine geeignete Ausrichtung für das Dataset aus.

Wählen Sie als Nächstes einen Ordner aus, in dem der Arbeitsbereich und die zugehörigen Dateien gespeichert werden sollen. Klicken Sie auf die Schaltfläche Laden. Geben Sie auf der Registerkarte ROI auswählen die Start- und Endkoordinaten X, Y und Z für unsere Region ein, und klicken Sie auf Hinzufügen.

Sobald ein Abschnitt hinzugefügt wurde, stellen Sie sicher, dass er ausgewählt ist, indem Sie das Kontrollkästchen rechts aktivieren. Verwenden Sie anschließend auf der Registerkarte Funktionskanäle das Dropdown-Menü, um eine Funktion auszuwählen und sie der Warteschlange hinzuzufügen. Ändern Sie alle für das Feature spezifischen Optionen, und wählen Sie das Eingabe-Dataset aus, für das das Feature ausgeführt werden soll.

Klicken Sie auf das Kontrollkästchen rechts neben dem Namen des zu berechnenden Features. Mehrere Features können für dasselbe Dataset ausgeführt werden, und berechnete Features können als Eingabe-Datasets für die weitere Verarbeitung verwendet werden. Wählen Sie dann die Registerkarte Super Regions aus.

Verwenden Sie im Abschnitt Super Voxels das Dropdown-Menü, um das gefilterte Dataset auszuwählen, aus dem die Super Voxels erstellt werden sollen. Geben Sie die Form, den Abstand und die Kompaktheit an. Klicken Sie auf die Schaltfläche Anwenden, um die Supervoxel zu generieren.

Um die Qualität der Supervoxel zu beurteilen, zeigen Sie sie allein an, ohne dass die Daten überlagert werden. Wenn die interessierenden Merkmale aus den Daten allein in den Supervoxeln noch sichtbar sind, stellen sie die Daten gut dar. Klicken Sie auf der Registerkarte Anmerkung auf die Schaltfläche Ebene hinzufügen, um eine Anmerkungsebene hinzuzufügen.

Klicken Sie in der neu erstellten Ebene auf die Schaltfläche Beschriftung hinzufügen, um eine Beschriftung für die Anmerkung hinzuzufügen. Wählen Sie als Nächstes im Abschnitt "Werkzeugverknüpfung" das Stiftsymbol aus. Eine Reihe von Optionen wird am oberen Rand des Visualisierungsbereichs angezeigt.

Wählen Sie die Option Supervoxel und einen Stift mittlerer Breite aus, um mit der Erstellung von Trainingsdaten für das Modelltraining zu beginnen. Klicken Sie auf das Feld ganz rechts neben den Beschriftungsinformationen, um die Beschriftung auszuwählen, die mit Anmerkungen versehen werden soll. Klicken und ziehen Sie dann im Visualisierungsbereich, um mehrere Supervoxel zu kommentieren.

Legen Sie auf der Registerkarte Modelltraining die Vorhersageebene auf die Ebene fest, die die Anmerkungen für das manuelle Training enthält. Legen Sie dann im Deskriptorabschnitt die Region auf Supervoxel fest. Klicken Sie auf das Dropdown-Menü Select Sources (Quellen auswählen) und aktivieren Sie die Kontrollkästchen für die Funktionen oder Filter Ihrer Wahl, um die Deskriptoren auszuwählen, die zur Unterscheidung von Datenbereichen verwendet werden.

Klicken Sie auf die Schaltfläche Vorhersagen. Wenn die Berechnung abgeschlossen ist, wird der Visualisierungsbereich mit Vorhersagen aktualisiert, zu welcher Annotationsbeschriftung jedes nicht beschriftete Voxel gehört. Nachdem Sie die Wirkung der Trainingsmethoden bewertet und eine ausgewählt haben, klicken Sie im Abschnitt "Einschränkung" auf das Dropdown-Menü "Verfeinern", um eine zusätzliche Verfeinerung anzuwenden.

Stellen Sie unten auf der Registerkarte "Modelltraining" im Abschnitt "Anmerkungen aktualisieren" sicher, dass das Dropdown-Menü "Visualisierung" auf "Vorhersagen" eingestellt ist. Verwenden Sie als Nächstes den Schieberegler Konfidenz, um den ausgewählten Annotationsbeschriftungen mehr oder weniger der nicht kommentierten Supervoxel zuzuweisen. Nachdem Sie ein geeignetes Konfidenzniveau ausgewählt haben, klicken Sie auf die Schaltflächen Speichern neben den Beschriftungen am unteren Rand des Konfidenzwerkzeugs, um die Vorhersagen in bestimmten Beschriftungen zu speichern.

Der Visualisierungsbereich wird aktualisiert, um die vorgenommenen Änderungen widerzuspiegeln. Wiederholen Sie bei Bedarf das Modelltraining mit zusätzlicher Verfeinerung und Vorhersagen mit hoher Zuverlässigkeit, bis nur noch wenige oder keine unbeschrifteten Supervoxel mehr vorhanden sind. Die Segmentierung kleinerer, komplexerer Regionen mit Hilfe von Superregionen wird anhand eines Kryo-Elektronentomographie-Datensatzes demonstriert.

Nachdem Sie die entsprechenden Ebenen und Beschriftungen auf der Registerkarte "Anmerkungen" hinzugefügt haben, wählen Sie die Beschriftung aus. Beginnen Sie mit einem Stift mittlerer Breite mit dem Kommentieren mit ausgewählten Supervoxeln. Eine Strategie für die Segmentierung von Super-Regionen besteht darin, schnell auf einem Slice zu segmentieren, einige Slices nach oben oder unten zu verschieben und die Lücken auf dem neuen Slice zu füllen.

Auf diese Weise werden auch die Zwischenscheiben mit weniger Aufwand für den Benutzer annotiert. Um die Anmerkungen weiter zu bereinigen, wählen Sie als Nächstes die Segmentierungsbeschriftung und eine der morphologischen Verfeinerungsmethoden aus. Geben Sie einen Radiuswert ein, und wählen Sie aus, wie die Verfeinerungsmethode angewendet werden soll.

Klicken Sie dann auf Verfeinern. Die Klassifizierung und Analyse von Datenobjekten wird anhand eines Kryo-Soft-Röntgentomographie-Datensatzes demonstriert. Nachdem Sie die Daten vollständig segmentiert haben, klicken Sie auf die zweite Registerkarte im Visualisierungsbereich mit dem Namen Label Splitter

Ein neuer Bereich, der Bereich zur Erstellung von Regeln, wird auf der rechten Seite des Fensters hinzugefügt. Wählen Sie oben im Bereich zur Regelerstellung die Ebene und die Beschriftungen für die Beschriftungsaufteilung aus. Wählen Sie als Nächstes das Dataset aus, das abgefragt werden soll, und klicken Sie auf Beschriftung.

Jedes Objekt in den ausgewählten Beschriftungen wird nun als separate Objekte im Visualisierungsbereich blau umrandet. Der Bereich zur Erstellung von Regeln enthält nun ein Diagramm, das die durchschnittliche Intensität der Objekte anzeigt. Klicken Sie auf das Dropdown-Feld oben rechts, um die angezeigte Kennzahl zu ändern.

Klicken Sie anschließend unten im Bereich zur Regelerstellung auf Neue Beschriftung hinzufügen, um mit der Aufteilung der Objekte in relevante Klassen zu beginnen. Klicken Sie auf Neue Regel hinzufügen und verwenden Sie die Dropdown-Liste und die Eingabefelder für Freiformulare, um die anzuwendende Regel zu definieren. Klicken Sie auf Anwenden, um die Auswirkungen der neuen Regel im Visualisierungsbereich und im Diagramm im Bereich zur Regelerstellung anzuzeigen.

Nachdem alle Objekte von Interesse klassifiziert wurden, wechseln Sie zur Registerkarte Anmerkungen. Erstellen Sie eine neue leere Ebene. Wählen Sie dann diese neue Ebene auf der Registerkarte "Regelerstellung" aus und klicken Sie auf "Labels speichern".

Klicken Sie auf die Registerkarte Beschriftungsstatistik am Rand des Visualisierungsbereichs, um einen neuen Visualisierungsbereich zu öffnen, der zum Verständnis der Beziehungen zwischen Objektklassen verwendet werden kann. Wählen Sie oben eine geeignete Ebene und Beschriftungen sowie das abzufragende Dataset aus. Wählen Sie dann einige Kennzahlen aus, die Sie interessieren, indem Sie die Kontrollkästchen daneben aktivieren.

Klicken Sie auf Beschriftung, um paarweise Vergleichsdiagramme für jedes der ausgewählten Measures zu erstellen. Wenn eine Kennzahl hinzugefügt oder entfernt werden muss, klicken Sie auf das entsprechende Kontrollkästchen und dann auf Diagramm aktualisieren. In dieser Studie werden zwei Segmentierungsstrategien und ein Klassifikationswerkzeug in der SuRVoS-Workbench demonstriert.

Für das Modelltraining wird ein Dataset mit relativ hohem Kontrast und bereichsdefinierenden Grenzen geladen. Die Daten werden gefiltert und geklammert, um die Hintergrund-, Vordergrund- und Innenstrukturen besser unterscheidbar zu machen. Supervoxel werden dann auf dem gefilterten Datensatz erstellt.

Nachdem die Qualität der Supervoxel bewertet wurde, werden manuelle Annotationen vorgenommen, um den Klassifikator so zu trainieren, dass er die Bereiche vorhersagen kann, die dem Hintergrund, der Fruchtborste, dem Samenmaterial und dem umgebenden Fruchtfleisch entsprechen. Morphologische Verfeinerungen werden verwendet, um die Segmentierung durch Füllen von Löchern zu bereinigen. Für die Segmentierung von Super-Regionen wird ein verrauschtes und komplexes Dataset geladen.

Als Nächstes wird ein geeigneter Filtersatz auf den ausgewählten Interessenbereich angewendet. Nach dem Modelltraining und der Segmentierung werden alle fünf bis 10 Schichten schnelle manuelle Annotationen verwendet, um die Supervoxel auszuwählen, die das interessierende Feature beschreiben. Das Label-Splitting wird dann anhand eines Datensatzes mit vielen verschiedenen Organellen demonstriert.

Zunächst wird ein geeigneter Total Variation Filter verwendet, um die Organellengrenzen zu verbessern. Organellen werden halbmanuell mit Mega-Voxeln und Super-Voxeln segmentiert, und die Veredelung wird verwendet, um Löcher zu füllen und Kanten zu glätten. Der Beschriftungssplitter wird verwendet, um jede Organelle als Objekt im Datensatz zu visualisieren und dann verschiedene Merkmale zu jedem Objekt im Datendiagramm zu visualisieren.

Hier wurden Regeln erstellt, um die Organellen basierend auf ihren Vererbungseigenschaften, zum Beispiel ihrer Größe oder durchschnittlichen Intensität, in fünf verschiedene Klassen zu unterteilen. Der Label-Splitter kann verwendet werden, um quantitative Informationen über die Daten auszugeben und den zellulären Kontext zu verstehen. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie den SuRVoS-Arbeitsbereich für die halbautomatische Segmentierung verwenden können.

Mit diesem Verfahren können Vergleiche mehrerer biologischer Zustände angestellt werden, um Fragen zu beantworten, zum Beispiel nach Wildtyp-Erkrankungen und dann behandelten Erkrankungen. Einmal gemeistert, kann diese Technik den Segmentierungsprozess um etwa das Fünffache beschleunigen, wenn sie richtig durchgeführt wird. Nach diesem Verfahren können Visualisierungsprogramme verwendet werden, um die Ergebnisse für die Veröffentlichung und Filmproduktion zu rendern.