Name: Volumen-Segmentierung und Analyse von biologischen Materialien mit SuRVoS (Super-Region Volumen Segmentierung)-Workbench (Video) | JoVE Journal
Uploaded: 2017-08-23T15:00:00.000+00:00
Duration: 11 min 38 s
Description: Erfahren Sie die semi-automatische Volumen-Segmentierung mit SuRVoS Workbench für strukturbiologische Datenanalyse. Diese Methode ermöglicht qualitative und quantitative Untersuchungen komplexer 3D-Datensätze.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Wir würden gerne anerkennen und vielen Rui Wang und Wah Chiu vom Baylor College of Medicine für die Bereitstellung des CryoET-Datasets und Andrew Bodey von Diamond Light Source für die Unterstützung mit I13 Strahlzeit. Teile dieser Forschung wurden von den National Institutes of Health (NIH) Grant Nr. (P41GM103832) erkennen wir Diamond Light Source gemeinsam Förderanträge Imanol Luengo unter PhD STU0079 unterstützt.

Hinweis: nützliche Bereiche der Parameter für jeden Bearbeitungsschritt und die spezifischen Parameter für jeden Datentyp, die hier gezeigt werden in Tabelle 1 angeboten.
 1. Vorbereitung einen Arbeitsbereich und Laden von Daten <ol><li>SuRVoS Workbench starten, klicken Sie auf die Schaltfläche "open Dataset" und in der daraus resultierenden Popup, wählen Sie die Datendatei segmentiert werden. Wählen Sie eine entsprechende Ausrichtung des Datasets. Als nächstes wählen Sie oder erstellen Sie einen Ordner, in dem der Arbeitsbereich und die zugehörigen Dateien gespeichert werden. Es wird empfohlen, dass dieser Ordner leer, beim Start einer neuen Segmentierung ist. Nach dem Laden der Daten die Workbench öffnet sich mit dem Bereich "Plugins" auf der linken Seite, der Bereich "Visualisierung" auf der rechten Seite und einen Satz von Tools Verknüpfungen zwischen den beiden Glasscheiben ( Abbildung 1).</li>
</ol> 2. Vorverarbeitung und Datendarstellung <ol><li>In wählen Sie ROI Registerkarte Eingabe Z, y und X Anfang und Ende Koordinaten für die Region von Interesse und klicken Sie auf hinzufügen. Wählen Sie geeignete y und X Maus Koordinaten der über einen Punkt auf dem Bild. Wählen Sie mithilfe des Schiebereglers an der Spitze des Bereichs Visualisierung Z-Koordinaten. Sobald eine Region hinzugefügt wurde, stellen Sie sicher, dass es ausgewählt ist, durch Anklicken des Kästchens auf der rechten Seite. Alle nachfolgende Berechnungen werden auf den ausgewählten Bereich durchgeführt werden. In der Regel, beginnend mit einer kleinen, repräsentativen Region of Interest (ROI), Parameter zu optimieren und dann erneut anwenden dieser Parameter auf das ganze Gebiet segmentiert werden empfohlen ist.</li>
	<li>In the Feature Channels-Registerkarte, verwenden Sie die Drop-Down-Menü am oberen, wählen einen Funktion/Filter und zur Warteschlange hinzufügen (siehe Diskussion für mehr Infos über Feature-Kanäle). Sobald ein Funktion/Filter hinzugefügt und durch Klicken auf den entsprechenden Namen ausgewählt wurde, ändern Sie die Optionen für die Funktion/Filter und wählen Sie das Eingabe-Dataset für die Ausführung der Funktion/Filter. Wenn alle Optionen gewählt haben, aktivieren Sie das Kontrollkästchen auf der rechten Seite mit dem Namen der Funktion/Filter zu berechnen.
	<ol><li>Zur Optimierung der Parameter für ein neues Dataset mehrere Filter/Features hinzufügen und wählen Sie die Parameter für sie, bevor Sie in der Reihenfolge berechnet wird, eins nach dem anderen. Um dies zu tun, fügen Sie jede neue Filterfunktion und wählen Sie die entsprechenden Parameter, aktivieren Sie das Kontrollkästchen links neben jeder Filter/Funktion ausgeführt werden soll und klicken Sie auf Feld berechnen Funktionen an der Spitze des Bereichs. Weitere Informationen finden Sie unter Diskussion.</li>
	</ol></li></ol> 3. Generierung von entsprechenden Super-Regionen <ol><li>In the Super Regionen Registerkarte im Abschnitt Supervoxels verwenden Quelle Drop-Down-Menü, wählen die gefilterten Datensatz aus dem Supervoxels erstellt werden. Geben Sie dann die Form, Abstand und Kompaktheit der Supervoxels (siehe Diskussion und Abbildung 2 für weitere Details). Abschließend klicken Sie auf die übernehmensschaltfläche, um die Supervoxels zu generieren. Sobald die Supervoxels erstellt wurden, können sie im Bereich Visualisierung, ein-oder ausgeschaltet und die Transparenz in der Registerkarte "Darstellung" und Viewer-Fenster Verknüpfung gesteuert eingesehen werden.</li>
	<li>In Super-Regionen ", im Bereich Megavoxels verwenden Quelle Drop-Down-Menü, um das gefilterte Dataset auswählen, aus dem Megavoxels erstellt wird. Geben Sie als nächstes die Lambda, NumBins und Gamma-Parameter von der Megavoxels (siehe Diskussion für weitere Details). Sobald die Megavoxels erstellt wurden, können sie im Bereich Visualisierung, ein-oder ausgeschaltet und die Transparenz in der Registerkarte "Darstellung" und Viewer-Fenster Verknüpfung gesteuert eingesehen werden.</li>
</ol> 4. Einführung in die Annotation <ol><li>In den Anmerkungen Registerkarte auf die Schaltfläche hinzufügen Ebene fügen Sie eine Beschriftung Ebene. Nachdem eine Ebene hinzugefügt wurde, verwenden Sie die Schaltfläche "hinzufügen-Label" in dieser Ebene, eine Bezeichnung für die Beschriftung hinzuzufügen. Sobald hinzugefügt, können den Namen und die Farbe des Etiketts für eine einfache Beschriftung geändert werden.</li>
	<li>Wählen Sie weiter, um beginnen zu kommentieren, das Stift-Symbol aus dem Werkzeug-Verknüpfung-Abschnitt. Bei Auswahl dieser Option wird eine Reihe von Optionen erscheinen an der Spitze des Bereichs Visualisierung. Diese Optionen steuern die Stiftbreite und ob Voxel, Supervoxels oder Megavoxels verwendet werden wird, um zu kommentieren.
	<ol><li>Zum Zwecke der Modelltraining, in der Regel wählen Sie Supervoxels im Feld Dropdown-Annotation-Ebene und eine mittelmäßige zu großen Stiftbreite sollte verwendet werden. Wählen Sie in der Registerkarte "Anmerkungen" die Bezeichnung, die durch Anklicken des Kästchens auf der rechten Seite die Etiketteninformationen beschriftet werden. Klicken Sie im Bereich Visualisierung zu kommentieren ein einzelnes Supervoxel oder klicken und ziehen viele kommentieren. 
		Hinweis: Voxel und Megavoxels im Feld Dropdown-Annotation Ebene ausgewählt und verwendet werden können auf die gleiche Weise, mit Anmerkungen versehen, die im Falle von Megavoxels, viele tausend ähnliche Voxel segmentiert werden mit einem einzigen Klick der Maus aktivieren können.</li>
	</ol></li></ol> 5. Segmentierung verwenden Modelltraining demonstrierte mit einem Dataset MicroCT.
 Hinweis: die erste Segmentierung für viele Datensätze ist, mehrere große Bereiche von einander zu unterscheiden. Z. B. Trennung des Kerns von Zytoplasma oder die Zelle von der externen Unterstützung und Eis Struktur. Für diese Art der Segmentierung, mit klar definierten Grenzen und große Regionen ist Modelltraining nützlich. Um dies zu demonstrieren, werden Phase Kontrast tomographische Röntgendaten des Klettenlabkraut verwendet werden.
<ol><li>Laden Sie die Daten, vorverarbeiten, die Filter und Feature Suite verwenden und entsprechende Supervoxels bzw. Megavoxels wie in den obigen Abschnitten mit den Parametern in Tabelle 1 als Anleitung beschrieben zu bestimmen. Weiterhin verwenden Sie die Parameter aus Tabelle 1 und den Anweisungen in Abschnitt 4, etwa große Teile des Datasets, beschriften, wie in Abbildung 3 gezeigt. 
	Hinweis: Das Dataset muss nicht vollständig zu diesem Zeitpunkt segmentiert werden.</li>
	<li>In Modelltraining Registerkarte festlegen der Predict-Ebene auf die Ebene, die die manuelle Ausbildung Anmerkungen enthält, und in den Deskriptor Abschnitt die Region auf Supervoxels gesetzt. Wählen Sie als nächstes die Deskriptoren, die Regionen der Daten unterscheiden sich durch einen Klick auf das Dropdown-Menü wählen Sie Quellen und überprüfen die Boxen der Funktionen und Filter Wahl verwendet werden (siehe Tabelle 1 und Diskussion).</li>
	<li>Weiter, klicken Sie auf die Schaltfläche "Predict". Nach Berechnung abgeschlossen ist, wird der Bereich "Visualisierung" aktualisiert mit den Vorhersagen für alle die nicht beschriftet Voxel zeigen, die von der Annotation-Klassen, dass sie voraussichtlich um zu gehören. In der Regel die Standardparameter für jede Klassifizierung Methodik bieten einen guten Ausgangspunkt und die Benutzer müssen nur Umschalten zwischen Klassifikatoren, eine gute Passform zu finden. Jedoch für Experten oder erfahrene Benutzer Optionen für jede Klassifizierung sind verfügbar und können geändert werden.</li>
	<li>Nach Beurteilung der Wirkung der Trainingsmethoden und wählen Sie eine, gelten zusätzliche Verfeinerung durch Klicken auf das verfeinern Dropdown-Liste im Abschnitt Raffinesse. Am unteren Rand das Modelltraining tab, in dem &#34; Update Anmerkungen &#34; Abschnitt, stellen Sie sicher, dass die Visualisierung Drop-Down-Menü auf Predictio eingestellt istNS. Verwenden Sie den Schieberegler Vertrauen Zuweisen von mehr oder weniger von der Genomsequenz Supervoxels der ausgewählten Beschriftung Beschriftungen.</li>
	<li>Nach der Auswahl eines angemessenen Maß an Vertrauen verwenden basierend auf Sichtprüfung, den Speichern-Knopf bei der Etiketten an der Unterseite des Werkzeugs Vertrauen um die Vorhersagen in bestimmten Etiketten speichern. Der Bereich "Visualisierung" wird aktualisiert, um die Änderungen anzuzeigen. Jedes Etikett kann separat gespeichert werden, und in der Tat Etiketten eingespart werden von kleineren Unterregionen durch Eingabe der Werte in die Ausgangs- und Z, y und X-Boxen und klicken Sie auf den speichern-Button für jedes Etikett.</li>
	<li>Adresse kleinere Etikettenschwindel, durch die Bereitstellung weiterer Trainingsdaten, wie in Abschnitt 4 beschrieben. Nachdem entsprechende Vorhersagen Etiketten hinzugefügt werden, wiederholen Sie den Vorgang des Modells training mit Raffinesse und hohes Vertrauen Vorhersagen hinzufügen, bis es nicht mehr gibt stumme Supervoxels. Dies ist effektiv, weil jedes Mal, wenn der Modell Trainingsprozess läuft es mehr Supervoxels mit trainieren zugeordnet sind, und daher wird der Prozess robuster als die Iterationen erhöhen.</li>
</ol> 6. Segmentierung mit super-Regionen, demonstrierte mit einem CryoET Dataset.
 Hinweis: da super-Region Segmentierung eignet sich für kleinere, diskret gebundene Bereiche, der Fokus liegt hier auf Segmentierung der Organellen und Mikrotubuli innerhalb dieses Dataset. Modelltraining wurde verwendet, um schnell die Thrombozyten aus dem Hintergrund Eis und Kohlenstoff-segment; Diese Parameter sind nicht weiter diskutiert, aber sind in Tabelle 1 vorgestellt.
<ol><li>Laden Sie die Daten, vorverarbeiten, die Filter und Feature Suite verwenden und entsprechende Supervoxels bzw. Megavoxels wie in den obigen Abschnitten mit den Parametern in Tabelle 1 als Anleitung beschrieben zu bestimmen.</li>
	Angemessene <li>hinzufügen und Beschriftungen auf der Registerkarte "Annotation" wählen Sie eine Beschriftung und beginnen Anmerkungen über eine mittelmäßige Stift Breite mit Supervoxels ausgewählt. Eingedenk der Notwendigkeit, unterschiedliche Beschriftungen für Objekte in unmittelbarer Nähe zueinander zu wählen, um zu vermeiden, beschriften sie als ein einzelnes Objekt werden.</li>
	<li>Um die Anmerkungen darüber hinaus bereinigen verwenden morphologische Verfeinerung Methoden (Dilatation, Erosion, öffnen, schließen und füllen Sie Löcher). Diese Optionen finden Sie am unteren Rand der Registerkarte "Anmerkungen". Wenn sie verwenden möchten, wählen Sie die Segmentierung Label und Raffinesse. Geben Sie einen Radiuswert und entscheiden Sie, wie Sie die Verfeinerung gelten. Klicken Sie dann auf verfeinern.</li>
</ol> 7. Klassifizierung und Analyse von Daten Objekte basierend auf inhärenten Eigenschaften demonstriert mit einem CryoSXT-Dataset Hinweis: im Allgemeinen ist der nächste Schritt nach der Segmentierung Analyse der Daten. Das Tool Bezeichnung Splitter in SuRVoS kann für die Klassifizierung von segmentierten Objekte mithilfe von Regeln basierend auf Eigenschaften von Objekten wie z. B. durchschnittliche Objekt Intensität, Varianz, Lautstärke oder Position. Die Label-Statistik-Tool ermöglicht die Visualisierung der Beziehungen zwischen diesen Maßnahmen für jede neue Objektklasse. Das sind die leistungsstarken neuen Werkzeugen für die Analyse von komplexen 3D Datensätze nach Segmentierung.
<ol><li>Laden Sie die Daten, vorverarbeiten, die Filter und Feature Suite verwenden, entsprechende Supervoxels bzw. Megavoxels und Segment, wie in den obigen Abschnitten mit den Parametern in Tabelle 1 als Anleitung beschrieben zu bestimmen.</li>
	<li>Nach Segmentierung, klicken Sie auf der zweiten Registerkarte im Bereich "Visualisierung" Label Splitter genannt. Dadurch wird einen neuen Bereich auf der rechten Seite des Fensters - Bereich Regelerstellung hinzugefügt.</li>
	<li>An der Spitze dieses Gebietes, wählen Sie einen angemessenen und Etiketten für die Beschriftung aufteilen. Dann wählen Sie das Dataset Abfragen und klicken Sie auf Beschriftung. Alle Objekte in den ausgewählten Labels wird jetzt blau umrandet werden als separate Objekte im Bereich Visualisierung und ein Plot zeigt die durchschnittliche Intensität der Objekte im Bereich Regelerstellung angezeigt werden. Um die Maßnahme in die Handlung gezeigt zu ändern, klicken Sie auf das Dropdown-Listenfeld am oberen Rand der rechten Seite.</li>
	<li>Zu beginnen, um die Objekte in relevanten Klassen aufgeteilt klicken Sie auf neues Etikett an der Unterseite des Bereichs Regelerstellung hinzufügen. Den Namen und die Farbe dieser neuen Bezeichnung zugeordnet können geändert werden, wie zuvor beschrieben.
	<ol><li>Hinzufügen, klicken Sie auf neue Regel und über die Dropdown-Liste und Freiform Eintrag Felder definieren die Regel angewendet werden. Klicken Sie auf anwenden, um die Auswirkungen der Neuregelung im Bereich Visualisierung und die Handlung im Bereich Regelerstellung sehen. Mehrere Regeln können auch auf ein einzelnes Etikett und mehrere Labels können innerhalb der gleichen Dataset erstellt werden. 
		Hinweis: Um alle unmarkierten Objekte zu sammeln, erstellen Sie eine neue Beschriftung und anstatt eine Regel hinzufügen, klicken Sie auf Wählen Sie andere.</li>
	</ol></li> <li>Wenn neue Bezeichnungen der Objekte von Interesse aufgeteilt haben, erstellen Sie eine neue, leere Ebene in der Registerkarte "Anmerkungen". Dann wählen Sie diese Stufe in der Registerkarte "Regel erstellen" und klicken Sie auf Speichern Etiketten. Das spart die neuen Etiketten auf diese leere Ebene.</li>
	<li>Am Rande des Bereichs Visualisierung, klicken Sie auf die Registerkarte Beschriftung Statistik. Dadurch wird einen neue Visualisierung Bereich geöffnet, der verwendet werden können, zu beginnen, um Zusammenhänge zwischen Objektklassen in den Daten zu verstehen. Wählen Sie oben ein angemessenes und Etiketten und das Dataset auf Abfrage.
	<ol><li>Wählen Sie ein paar von den Maßnahmen von Interesse durch Markieren der Kästchen neben ihnen. Klicken Sie dann auf Beschriftung. Dies wird für jeden der ausgewählten Maßnahmen paarweisen Vergleich Grundstücke produzieren. Um die Grundstücke zu aktualisieren, wählen Sie oder deaktivieren Sie geeignete Maßnahmen und klicken Sie auf Update Plot.</li>
	</ol></li></ol> 8. Export von Daten und Segmentierungen <ol><li>exportieren die Grundstücke und die rohen Messdaten durch Anklicken Export Plot und Export von Daten, bzw. in der Registerkarte Beschriftung Statistik des Bereichs Visualisierung.</li>
	<li>Export der Bilddaten und Segmentierungen durch Klicken auf die Registerkarte "exportieren" im Bereich "Plugins". Klicken Sie zunächst, um einen Ordner auszuwählen, wo die Daten gespeichert werden sollen. Wählen Sie als nächstes die Ausgabe (Raw-Daten, Raw Anmerkungen, Segmentierung Masken oder maskierten Daten) und das Format (HDF5, MRC oder TIFF). Schließlich wählen Sie die Annotation Ebene(n) exportiert werden mithilfe der Kontrollkästchen und klicken Sie auf exportieren. Die Daten können skaliert und invertiert vor dem exportieren wie nötig. Wenn die maskierten Daten exportieren, das Dataset, das die Mask(s) angewendet werden kann ausgewählt werden mit einem Dropdown-Menü.</li>
</ol>

<ol><li>DiamondLightSource/SuRVoS: Version 1.0. Zenodo. , Available from:
 <a target="_blank" href="https://zenodo.org/record/247547">https://zenodo.org/record/247547</a> (2017).</li>
<li>SuRVoS Workbench - Super Region Volume Segmentation. , Available from:
 <a target="_blank" href="https://diamondlightsource.github.io/SuRVoS/">https://diamondlightsource.github.io/SuRVoS/</a> (2017).</li>
<li>Frangakis, A. S., Förster, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computational+exploration+of+structural+information+from+cryo-electron+tomograms%5BTitle%5D)+AND+%22Curr+Opin+Struct+Biol%22%5BJournal%5D)">Computational exploration of structural information from cryo-electron tomograms.</a> Curr Opin Struct Biol. 14 (3), 325-331 (2004).</li>
<li>Lucić, V., Förster, F., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+studies+by+electron+tomography%3A+from+cells+to+molecules%5BTitle%5D)+AND+%22Annu+Rev+Biochem%22%5BJournal%5D)">Structural studies by electron tomography: from cells to molecules.</a> Annu Rev Biochem. 74, 833-865 (2005).</li>
<li>Lučič, V., Rigort, A., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-electron+tomography%3A+the+challenge+of+doing+structural+biology+in+situ%5BTitle%5D)+AND+%22J+Cell+Biol%22%5BJournal%5D)">Cryo-electron tomography: the challenge of doing structural biology in situ.</a> J Cell Biol. 202 (3), 407-419 (2013).</li>
<li>Milani, M., Drobne, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Focused+ion+beam+manipulation+and+ultramicroscopy+of+unprepared+cells%5BTitle%5D)+AND+%22Scanning%22%5BJournal%5D)">Focused ion beam manipulation and ultramicroscopy of unprepared cells.</a> Scanning. 28 (3), 148-154 (2006).</li>
<li>Denk, W., Horstmann, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Serial+Block-Face+Scanning+Electron+Microscopy+to+Reconstruct+Three-Dimensional+Tissue+Nanostructure%5BTitle%5D)+AND+%22PLoS+Biol%22%5BJournal%5D)">Serial Block-Face Scanning Electron Microscopy to Reconstruct Three-Dimensional Tissue Nanostructure.</a> PLoS Biol. 2 (11), (2004).</li>
<li>Rigort, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+segmentation+of+electron+tomograms+for+a+quantitative+description+of+actin+filament+networks%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automated segmentation of electron tomograms for a quantitative description of actin filament networks.</a> J Struct Biol. 177 (1), 135-144 (2012).</li>
<li>Förster, F., Han, B. -G., Beck, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+Proteomics%5BTitle%5D)+AND+%22Meth+Enzymolb%22%5BJournal%5D)">Visual Proteomics.</a> Meth Enzymolb. 483, 215-243 (2010).</li>
<li>Liu, Y., Sigworth, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+cryo-EM+particle+selection+for+membrane+proteins+in+spherical+liposomes%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automatic cryo-EM particle selection for membrane proteins in spherical liposomes.</a> J Struct Biol. 185 (3), 295-302 (2014).</li>
<li>Asano, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+molecular+census+of+26S+proteasomes+in+intact+neurons%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">A molecular census of 26S proteasomes in intact neurons.</a> Science. 347 (6220), 439-442 (2015).</li>
<li>Garduño, E., Wong-Barnum, M., Volkmann, N., Ellisman, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+electron+tomographic+data+sets+using+fuzzy+set+theory+principles%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Segmentation of electron tomographic data sets using fuzzy set theory principles.</a> J Struct Biol. 162 (3), 368-379 (2008).</li>
<li>Sommer, C., Straehle, C., Köthe, U., Hamprecht, F. A. <a target="_blank" href="http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.394.8442&rep=rep1&type=pdf">Ilastik: Interactive learning and segmentation toolkit.</a> 2011 IEEE Int Symp Biomed Imaging: From Nano to Macro. , 230-233 (2011).</li>
<li>Darrow, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+Mechanisms+of+Mutant+Huntingtin+Aggregation+Suppression+by+the+Synthetic+Chaperonin-like+CCT5+Complex+Explained+by+Cryoelectron+Tomography%5BTitle%5D)+AND+%22J+Biol+Chem%22%5BJournal%5D)">Structural Mechanisms of Mutant Huntingtin Aggregation Suppression by the Synthetic Chaperonin-like CCT5 Complex Explained by Cryoelectron Tomography.</a> J Biol Chem. 290 (28), 17451-17461 (2015).</li>
<li>Wang, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electron+cryotomography+reveals+ultrastructure+alterations+in+platelets+from+patients+with+ovarian+cancer%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+USA%22%5BJournal%5D)">Electron cryotomography reveals ultrastructure alterations in platelets from patients with ovarian cancer.</a> Proc Natl Acad Sci USA. 112 (46), 14266-14271 (2015).</li>
<li>Shahmoradian, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TRiC%27s+tricks+inhibit+huntingtin+aggregation%5BTitle%5D)+AND+%22eLife%22%5BJournal%5D)">TRiC's tricks inhibit huntingtin aggregation.</a> eLife. 2, (2013).</li>
<li>Dai, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visualizing+virus+assembly+intermediates+inside+marine+cyanobacteria%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Visualizing virus assembly intermediates inside marine cyanobacteria.</a> Nature. 502 (7473), 707-710 (2013).</li>
<li>Sandberg, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Methods+for+Image+Segmentation+in+Cellular+Tomography%5BTitle%5D)+AND+%22Methods+Cell+Biol%22%5BJournal%5D)">Methods for Image Segmentation in Cellular Tomography.</a> Methods Cell Biol. 79, 769-798 (2007).</li>
<li>Volkmann, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Methods+for+Segmentation+and+Interpretation+of+Electron+Tomographic+Reconstructions%5BTitle%5D)+AND+%22Methods+Enzymol%22%5BJournal%5D)">Methods for Segmentation and Interpretation of Electron Tomographic Reconstructions.</a> Methods Enzymol. 483, 31-46 (2010).</li>
<li>Tsai, W. -T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((From+Voxels+to+Knowledge%3A+A+Practical+Guide+to+the+Segmentation+of+Complex+Electron+Microscopy+3D-Data%5BTitle%5D)+AND+%22J+Vis+Exp%22%5BJournal%5D)">From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data.</a> J Vis Exp. (90), (2014).</li>
<li>FEI. Amira & Avizo 3D: Software for Scientific and Industrial Data. , Available from:
 <a target="_blank" href="https://www.fei.com/software/amira-avizo/">https://www.fei.com/software/amira-avizo/</a> (2016).</li>
<li>Kremer, J. R., Mastronarde, D. N., McIntosh, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computer+Visualization+of+Three-Dimensional+Image+Data+Using+IMOD%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Computer Visualization of Three-Dimensional Image Data Using IMOD.</a> J Struct Biol. 116 (1), 71-76 (1996).</li>
<li>Nguyen, H., Ji, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shape-driven+three-dimensional+watersnake+segmentation+of+biological+membranes+in+electron+tomography%5BTitle%5D)+AND+%22IEEE+trans+med+imaging%22%5BJournal%5D)">Shape-driven three-dimensional watersnake segmentation of biological membranes in electron tomography.</a> IEEE trans med imaging. 27 (5), 616-628 (2008).</li>
<li>Rusu, M., Starosolski, Z., Wahle, M., Rigort, A., Wriggers, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+tracing+of+filaments+in+3D+electron+tomography+reconstructions+using+Sculptor+and+Situs%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automated tracing of filaments in 3D electron tomography reconstructions using Sculptor and Situs.</a> J Struct Biol. 178 (2), 121-128 (2012).</li>
<li>Moussavi, F., Heitz, G., Amat, F., Comolli, L. R., Koller, D., Horowitz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+segmentation+of+cell+boundaries+from+whole+cell+cryogenic+electron+tomography+volumes%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">3D segmentation of cell boundaries from whole cell cryogenic electron tomography volumes.</a> J Struct Biol. 170 (1), 134-145 (2010).</li>
<li>Hecksel, C. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+Variability+of+Manual+Annotation+in+Cryo-Electron+Tomograms%5BTitle%5D)+AND+%22Microsc+Mpicroanal%22%5BJournal%5D)">Quantifying Variability of Manual Annotation in Cryo-Electron Tomograms.</a> Microsc Mpicroanal. 22 (3), 487-496 (2016).</li>
<li>Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLIC+superpixels+compared+to+state-of-the-art+superpixel+methods%5BTitle%5D)+AND+%22IEEE+trans+pattern+anal+mach+intell%22%5BJournal%5D)">SLIC superpixels compared to state-of-the-art superpixel methods.</a> IEEE trans pattern anal mach intell. 34 (11), 2274-2282 (2012).</li>
<li>Luengo, I., Basham, M., French, A. P. <a target="_blank" href="http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=2506227">Fast global interactive volume segmentation with regional supervoxel descriptors.</a> Proc. SPIE. 9784, (2016).</li>
<li>Luengo, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SuRVoS%3A+Super-Region+Volume+Segmentation+Workbench%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">SuRVoS: Super-Region Volume Segmentation Workbench.</a> J Struct Biol. 198 (1), 43-53 (2017).</li>
<li>Wadeson, N., Basham, M. Savu: A Python-based, MPI Framework for Simultaneous Processing of Multiple, N-dimensional, Large Tomography Datasets. arXiv:1610.08015 [cs]. , Available from:
 <a target="_blank" href="http://arxiv.org/abs/1610.08015">http://arxiv.org/abs/1610.08015</a> (2016).</li>
<li>DiamondLightSource/Savu: Version 1.2. Zenodo. , Available from:
 <a target="_blank" href="https://zenodo.org/record/198726">https://zenodo.org/record/198726</a> (2014).</li>
<li>Paganin, D., Mayo, S. C., Gureyev, T. E., Miller, P. R., Wilkins, S. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+phase+and+amplitude+extraction+from+a+single+defocused+image+of+a+homogeneous+object%5BTitle%5D)+AND+%22J+Microsc%22%5BJournal%5D)">Simultaneous phase and amplitude extraction from a single defocused image of a homogeneous object.</a> J Microsc. 206 (Pt 1), 33-40 (2002).</li>
<li>van Aarle, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+and+flexible+X-ray+tomography+using+the+ASTRA+toolbox%5BTitle%5D)+AND+%22Opt+Express%22%5BJournal%5D)">Fast and flexible X-ray tomography using the ASTRA toolbox.</a> Opt Express. 24 (22), 25129-25147 (2016).</li>
<li>Palenstijn, W. J., Batenburg, K. J., Sijbers, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performance+improvements+for+iterative+electron+tomography+reconstruction+using+graphics+processing+units+%28GPUs%29%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Performance improvements for iterative electron tomography reconstruction using graphics processing units (GPUs).</a> J Struct Biol. 176 (2), 250-253 (2011).</li>
<li>Mastronarde, D. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dual-Axis+Tomography%3A+An+Approach+with+Alignment+Methods+That+Preserve+Resolution%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Dual-Axis Tomography: An Approach with Alignment Methods That Preserve Resolution.</a> J Struct Biol. 120 (3), 343-352 (1997).</li>
<li>Duke, E., Dent, K., Razi, M., Collinson, L. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biological+applications+of+cryo-soft+X-ray+tomography%5BTitle%5D)+AND+%22J+Microsc%22%5BJournal%5D)">Biological applications of cryo-soft X-ray tomography.</a> J Microsc. 255 (2), 65-70 (2014).</li>
<li>Arbeláez, P., Maire, M., Fowlkes, C., Malik, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Contour+detection+and+hierarchical+image+segmentation%5BTitle%5D)+AND+%22IEEE+trans+pattern+anal+mach+intell%22%5BJournal%5D)">Contour detection and hierarchical image segmentation.</a> IEEE trans pattern anal mach intell. 33 (5), 898-916 (2011).</li>
<li>Luengo, I., Basham, M., French, A. P. Hierarchical Piecewise-Constant Super-regions. arXiv:1605.05937 [cs]. , Available from:
 <a target="_blank" href="http://arxiv.org/abs/1605.05937">http://arxiv.org/abs/1605.05937</a> (2016).</li>
<li>Luengo, I., Basham, M., French, A. P. SMURFS: superpixels from multi-scale refinement of super-regions. , Available from:
 <a target="_blank" href="http://www.bmva.org/bmvc/2016/papers/paper004/index.html">http://www.bmva.org/bmvc/2016/papers/paper004/index.html</a> 1-12 (2016).</li>
</ol>

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

SuRVoS-Workbench unterscheidet sich von anderen Programmen Segmentierung Optimierung der Parameter ist ein notwendiger und wichtiger Schritt vor Beginn der eigentlichen Segmentierung. In einigen Programmen manuellen oder halb-manuelle Segmentierung beginnt der Benutzer Segmentierung innerhalb weniger Augenblicke ein neues Projekt zu öffnen. Mit SuRVoS ist, weil große Mengen des Volumens mit sehr wenig Benutzereingaben segmentiert werden und Grenzen vom Programm abgegrenzt sind Optimierung der Parameter entscheidend für eine erfolgreiche Segmentierung. Insbesondere sind Funktion Kanäle und super-Region-Building zwei Bereiche, denen Aufmerksamkeit geschenkt werden sollte.
Feature-Kanäle und Modelltraining
Zusätzlich zu den Rohdaten ermöglicht SuRVoS dem Benutzer zusätzliche Datasets oder Kanäle abgeleitet aus einem vorhandenen Dataset erstellen. Diese Kanäle können mit einer Auswahl von computergestützten Methoden oder Feature Extraktoren erstellt werden. Jede Datendarstellungen stehen parallel und können einzeln angezeigt werden, um Ergebnisse der Funktion oder Filter Anwendung zu beurteilen. Aufgrund dieser Eigenschaften sind sie als Feature Kanäle in SuRVoS bezeichnet. Es gibt viele Feature-Kanal-Optionen innerhalb von SuRVoS. Für Informationen über die Optionen und Parameter, die hier verwendet siehe Tabelle 1, für eine vollständige Liste und Beschreibung der verfügbaren Feature Kanäle https://diamondlightsource.github.io/SuRVoS/ 2besuchen. Erste, laut Datasets profitieren vom denoising mit dem Gauß oder insgesamt Variation Filter. Es wird empfohlen, die weitere Funktion Kanal und Supervoxel/Megavoxel Berechnungen durchgeführt werden, unter Verwendung eines dieser denoised Datensätze als Datenquelle. Im Allgemeinen ist die totale Variation verrauscht Dataset als Quelldaten für Kanal- und Supervoxel/Megavoxel Berechnungen Features verwendet. Es wird empfohlen, führen Sie zunächst mit den Standardwerten, das Ergebnis in 3D zu bewerten und schließlich iterativ optimieren die Parameter für das Dataset. Darüber hinaus Funktion, die Kanäle in "Filter-Sets", speziell aufgebaut werden können isoliert Aspekten des Datasets, und diese kann dann als Datenquellen verwendet werden, um Supervoxels und Megavoxels zu schaffen. Während diese Strategie sehr Dataset angewiesen ist, kann es vorteilhaft sein.
Feature-Kanäle dienen auch als Quellen des Klassifikators in Modelltraining zu trainieren. Bei der Entscheidung, auf welche Funktion Kanäle verwenden, wird empfohlen, dass ein paar robuste Funktion Kanäle (z. B.von Blob Erkennung, Textur und Struktur oder robusten Funktionen Kategorien) beim Arbeiten mit einer kleinen Menge von Anmerkungen verwendet werden, um zu trainieren die Sichter. Beim Arbeiten mit einer großen Menge von Trainingsdaten, es empfiehlt sich, mehr Funktion Kanäle insgesamt, aus einer der Kategorien zu verwenden, solange sie vielfältige Informationen zu den Klassifikator bieten (z.B., hinzu kommen die obige Liste Feature Kanäle von lokalen Funktionen und Gaußsche Funktionen Kategorien).
Es gibt drei Hauptteile, Ausbildung zu modellieren: Bereitstellung von input-Daten-Quellen, die die Daten beschreiben, verwenden diese Eingänge, um eine Klassifizierung zu trainieren und schließlich verfeinern die Ausgang Vorhersagen. Kleinere Bereiche der Daten erfordern in der Regel, mehr Benutzer Anmerkungen genau der Sichter, trainieren, während größere Regionen die Daten weniger Benutzer Anmerkungen benötigen. Modelltraining kann zuerst ohne Auswahl einer Verfeinerung verwendet werden, um die besten Vorhersagen zu finden. Dann gehören Sie die Verfeinerung und optimieren Sie den Lambda-Parameter zu, wie notwendig, um Probleme mit den Vorhersagen wie Löcher oder gezackte Ränder zu beheben.
Supervoxels und megavoxels
Supervoxels sind Gruppen von mehreren in der Nähe, ähnliche Voxel38,39. Supervoxels beginnen als standard 3D Gitter überlagert, die Daten, die dann iterativ verformt werden, um die zugrunde liegenden Grenzen einzuhalten und somit besser darstellen der Daten. Supervoxel Erstellung und Verformung wird durch vier Eingaben des Benutzers gesteuert: Datenquelle, Superpixel Form, Abstand und Kompaktheit. Die Datenquelle enthält die Dateneingaben, die während der Erstellung der Supervoxel abgefragt werden. Jede Quelle kann verwendet werden, einschließlich der gefilterten Datenquellen. Die Superpixel Formparameter bestimmen die Startaufstellung 3D und die ungefähre gewünschte Form des daraus resultierenden Supervoxels. Änderung dieser Parameter erhöhen oder verringern Sie die Größe des Supervoxels vor Verformung. Die Abstände Parameter definieren die Bedeutung von Grenzen in jeder Richtung. Änderung dieser Parameter kann betonen, Grenzen in einer oder zwei Richtungen auf Kosten des anderen (s), d. h. die resultierende Supervoxels werden verformen, um Daten in die angegebene Richtung Grenzen besser zu folgen. Der letzte Parameter, Kompaktheit, steuert, wie viel die Supervoxels verformen kann. Eine Reihe von niedrigen Kompaktheit ermöglicht die Supervoxels um mehr zu verformen. Diese Parameter sollten optimiert werden, um Supervoxels zu bieten, die die Grenzen der relevanten Daten darstellen. Hinweis: Derzeit Supervoxel Formparameter müssen gleich 1024 oder weniger wenn miteinander multipliziert.
In gewisser Weise Supervoxel Parameter ausgleichen können, d. h. es gibt keine "richtige Antwort" bei der Entscheidung über Parameter. Zum Beispiel eine große Startaufstellung (z.B. Superpixel Form: 10 x 10 x 10) und eine niedrige Kompaktheit Nummer (z.B. 20) kann Supervoxels mit ähnlichen Grenze festhalten im Vergleich zu einem kleinen Startaufstellung (z.B. Superpixel Form 5 x 5 x 5) und eine höhere Kompaktheit Zahl (z.B. 50). Da gibt es mehr, kleinere Supervoxels im zweiten Szenario, sie müssen nicht so viel Grenzen darstellen zu verformen. Beide Parameter können für Segmentierung des Datasets geeignet.
Die größte Betrachtung bei der Auswahl Supervoxel Parameter wie gut die Supervoxels die Daten darzustellen. Anzeige der Supervoxels allein, ohne Daten darunter, wie in Abb. 2D, ist eine gute Möglichkeit, Supervoxel Parameter zu bewerten. Wenn auf diese Weise angezeigt, sollten die Kanten und Umrisse von Formen, die in den Daten gefunden noch in der Supervoxels sichtbar.
Megavoxels sind Konglomerate von mehreren benachbarten, ähnlich wie Supervoxels38,39. Sie werden wieder von vier Eingaben des Benutzers gesteuert: Datenquelle, Lambda, Numbins und Gamma. Wie bei Supervoxels, stellt die Datenquelle die Dateneingaben, die während der Erstellung der Megavoxel abgefragt werden. Lambda und Numbins Auswirkungen auf die Größe und Grenze Einhaltung der Megavoxels. Wenn die Megavoxels größer (hohe Lambda, niedrige Numbins) wachsen, nimmt ihr Grenze festhalten. Das Gegenteil trifft, Einhaltung der Grenze erhöht sich mit kleineren Megavoxels (niedriger Lambda, hohe Numbins), aber wie die Megavoxel Größe abnimmt, so ist ihre Nützlichkeit in schnell große Mengen an Voxel Segmentierung. Der optionale Gamma-Parameter steuert die Glätte Faktor im Vergleich zu den beiden Supervoxels zusammenführen. Kleine Werte der Gamma können die Ähnlichkeit zwischen zwei Supervoxels, um den Preis mit weniger Megavoxels insgesamt verbessern.
Wie bei Supervoxels, ist die größte Betrachtung bei der Auswahl und Optimierung Megavoxel Parameter, wie gut die Megavoxels die Daten darzustellen. Anzeige der Megavoxels allein, wie bei Supervoxels beschrieben kann wieder verwendet werden, Parameter zu bewerten. Jedoch weil Megavoxels in der Regel viel größer werden und sind dreidimensional, mit dem die Annotation Werkzeuge to Wählen Sie einzelne Megavoxels um sicherzustellen, dass die Grenze zwischen den Regionen von Interesse eng wird auch empfohlen.
Annotation-Strategie
Zwei allgemeine Anmerkung Strategien beschrieben worden: ein Modellansatz Training eignet sich für große Regionen eines Datasets trennt, ist zwar ein super-Region Segmentierung Ansatz nützlich für kleinere, vielfältiger Funktionen wie einzelnen Organellen. Anmerkungen können in einer hierarchischen Weise organisiert werden, so dass es möglich ist, große Gebiete zuerst kommentieren, dann unterteilen sie in spezifische Bereiche mit einer Parent-Child-Beziehung. Die übergeordnete Bezeichnung für ein Label kann durch Klick auf den Bereich rechts vom Label-Farb-Auswahl und wählen Sie eine entsprechende Elternteil als Beschriftung aus einer vorherigen Ebene zugewiesen werden. In der Praxis verwenden die meisten Datensätze die Modelltraining und super-Region Segmentierungsstrategien Regionen/Besonderheiten des Interesses zu segmentieren.
In der Ausbildung Musterbeispiel hier waren ein paar Trainings-Eingänge (in Form von manuellen Benutzer Supervoxel-basierte Anmerkungen) auf drei gleichmäßig angeordneten Scheiben der Daten verwendet. Auf diese Weise erhöht der Modell-Training-Aspekt des SuRVoS erheblich die Geschwindigkeit, mit der Segmentierung möglich ist, vor allem bei Arbeiten mit großen, differenzierte Regionen wie die Kluft zwischen den Regionen in den Klettenlabkraut Fruchtkörper wie in hervorgehoben Abbildung 3.
Beim Modell kann Ausbildung, wenn die Vorhersagen nicht sichtbar sind, es notwendig sein, gehen Sie auf die Registerkarte "Darstellung" und stellen Sie sicher, dass die Vorhersagen Schicht eingeschaltet ist und auf einen angemessenen Betrag von Transparenz gesetzt. Auch wird ein Vertrauen von 0 zuweisen jeder unbeschriftete Supervoxel ein Label, basierend auf was auch immer das nächste Spiel ist. Vertrauen von 100 weisen nur ein Etikett, wenn nur eine Kategorie von Label proportionale Übereinstimmung hat. Alles dazwischen ist ein Kompromiss zwischen diesen beiden extremen. Bei der Auswahl von einer Konfidenzniveau wird vorgeschlagen, um ein paar Scheiben Sichtprüfung zu überprüfen, die gibt es kein falsch vorhergesagte Voxel vor dem Speichern der Vorhersage auf einem Etikett.
Eine gute Strategie für kommentieren, mit super-Regionen ist die Vergrößerung Tool vergrößern Sie die Daten, mit Anmerkungen versehen ein paar Organellen auf einmal auf eine Scheibe, eine "schnelle, chaotisch" Ansatz zuerst zu verwenden (Abbildung 4). Als nächstes bewegen nach oben oder unten ein paar Scheiben in Z, und wiederholen Sie diesen Vorgang. Weil Supervoxels dreidimensional sind, sind viele der Fehler der "unordentlich" Ansatz von Anmerkungen in die oben oder unten Scheiben fixiert. Auf diese Weise Segmentierung wird beschleunigt und die Grenzen werden durch die Supervoxels anstatt manuell zur Verfügung gestellt.
Um eine Beschriftung zu bereinigen, wurden standard Segmentierung Verfeinerung Optionen bereitgestellt. Dilatation verursacht das ausgewählte Segmentierung Label durch den angegebenen Radius wachsen, Erosion verursacht es zu schrumpfen. Öffnen und schließen sind die Anwendung der ersten Erosion und Dilatation, oder umgekehrt, bzw.. Und Löcher füllen tut genau das. Die Reihenfolge dieser Operationen spielt Rolle. In der Regel Durchführung Löcher füllen, dann öffnen, dann Dilatation funktioniert gut. Jede Raffinesse-Methode kann auf eine einzige Scheibe ("Diese Scheibe"), auf alle Scheiben in 2D ("alle Slices (2D)") oder in 3D ("ganze Volume (3D)") angewendet werden. Alle Scheiben (2D) wird empfohlen.
Bedeutung und zukünftige Richtungen
Effiziente und genaue Segmentierung ist der nächste Engpass bei der Verarbeitung von 3D Datensätzen, vor allem mit der Routine automatisierte Erfassung von Terabyte Bilddaten während langfristig Sitzungen. SuRVoS-Workbench kann um den Faktor 5 im Vergleich zu manuellen Segmentierung den Segmentierung zu beschleunigen. Auch, weil die Grenzen von Supervoxels abgegrenzt werden, sollte die Variabilität der daraus resultierenden Segmentierungen verbessern. In Zukunft wollen wir Möglichkeiten der Verwendung der Segmentierung von einer repräsentativen 3D Region of Interest als Trainingsdaten auf den Rest des Volumens oder sogar einen separaten Datenträger mit hohem Vertrauen anwenden. Dieser Fortschritt würde die Menge der Benutzerzeit und Eingabe notwendig, Segment auch komplexe biologische Volumen, um den Bild-Verarbeitung und Segmentierung Engpass zu lindern helfen weiter zurückgehen. Dies, ermöglicht wiederum den quantitativen Vergleich der biologischen Daten in verschiedenen Zuständen (z. B. nicht-Krankheit, Krankheit, behandelt) mit robusten experimentelle zahlen.

Die SuRVoS-Workbench ist ein Stück Software, die so konzipiert, dass Forscher wissenschaftlich relevanten Informationsextraktion aus volumetrischer Daten aus verschiedenen Proben, unabhängig von der Struktur von Interesse, Auflösung oder bildgebende Modalität1, 2. Volumetrische datenbasierte wie diese sind oft gesammelt, mit Röntgen- oder Elektron Tomographie-Systemen, routinemäßig bei großen Laboratorien oder zentrale Einrichtungen aufgrund ihrer Komplexität. Beide dieser Methoden und andere Techniken, produzieren große, Informationen reichen Datasets beweisen die anspruchsvollen Segment mit entweder halbautomatischen Methoden oder manuell. Insbesondere erfordern fast nativer Zustand Cryo immobilisiert Datasets Niedrigdosis-Image Bedingungen, was zu einem niedrigen Signal-Rausch-Verhältnis und schlechten Kontrast, vor allem im Cryo Elektron Tomographie (CryoET)3,4,5 . Ein weiterer Faktor in einigen 3D Datensätzen ist das Vorhandensein von Artefakten, die durch die anspruchsvollen experimentellen Bedingungen beteiligten eingeführt, z. B. fehlende Keil Artefakte durch Erhebung von Daten über eine begrenzte Kippweite, was zu fehlenden Informationen und Dehnung in die Richtung des Strahls3,4,5. Auch wenn niedrige Signal-Rausch- oder fehlende Keil Artefakte sind nicht problematisch (z.B. Ionenstrahl SEM6 konzentriert oder serielle Block Gesicht SEM7), der Komplexität und dreidimensionale Art der Probe und die große Menge von Daten bedeutet, dass die Analyse würde noch einen automatisierten Prozess für Datensegmentierung profitieren.
Derzeit bei biologischen Mengen von Zellen gibt es viele Möglichkeiten für sehr spezifische zelluläre Funktionen, wie Actin, Mikrotubuli oder spezielle Proteinkomplexe, Template-basierte Suche automatisch oder halbautomatisch zu identifizieren, oder identifizieren von Features in bestimmte Arten von Datensätzen (z.B. hoher Kontrast, gebeizt, Harz eingebettete Proben)8,9,10,11,12. Allerdings sind in diesen Fällen a-priori Informationen oder bestimmten Beispiel Vorbereitung Protokolle erforderlich, die breite Anwendbarkeit dieser Segmentierung Strategien zu begrenzen. Es gibt auch Tools zur Verfügung, die Modelltraining Voxel Ebene zu lernen, die Darstellung der verschiedenen Strukturen von Interesse wenn gegebene Benutzer eingegebenen13durchführen. Auf dieser Ebene kann die Komplexität der Ausbildung und Prüfung der Modelle jedoch fehleranfällig und rechnerisch teuer sein. Angesichts der anspruchsvollen Bild-Bedingungen und das Fehlen von breit anwendbar, halbautomatische Segmentierungsstrategien, ist manuelle Segmentierung üblich, sogar bei der Arbeit mit komplexen biologischen Materialien14,15, 16 , 17. aber es ist allgemein anerkannt, dass der Prozess der manuellen Segmentierung nicht nur zeitaufwendig, sondern auch fehleranfällig, subjektive und Variable4,5,18,19 ist ,20. Einige Segmentierung Programme bieten Werkzeuge, um die manuelle Segmentierung (d.h. Interpolation, Lasso oder Schlag Tools) erleichtern21,22, jedoch in Fällen von lauten Datasets, sie sind schwer zu erfolgreich, zu bewerben und selbst wenn sie erfolgreich verwendet werden, ist der Prozess noch subjektiv und Variable.
Traditionell werden Segmentierungen auf zwei verschiedene Arten: qualitativ oder quantitativ. Imaging-Technologien und Segmentierungsstrategien verbessern, ist häufiger mit Segmentierung als ein quantitatives Tool, biologische Fragen zu beantworten und als "Ground Truth" Algorithmus Entwicklung8,12geworden, 15,23,24,25. Um dies zu tun, müssen detaillierte Überprüfungen und Balancen Variabilität und Subjektivität im gesamten Prozess26zu verringern. Diese Vorsichtsmaßnahmen weiter erhöhen jedoch die aufwändige Art der Segmentierung. Aus diesem Grund ist es wichtig, eine schnellere und weniger Variable Segmentierungsstrategie bereitzustellen.
Der SuRVoS-Workbench fängt an, diese Probleme anzugehen, indem der Benutzer mit einer Auswahl des maschinellen Lernens und Bildverarbeitungs-Tools, die den Benutzer bei der Segmentierung zu unterstützen, dabei auch den Benutzer durch die erforderlichen Schritte. Um dies zu erreichen, sind zwei wesentliche Innovationen zusammen in SuRVoS implementiert. Zunächst wird eine super-Region-Hierarchie Gruppe ähnlich, nahe gelegenen Regionen der Daten anhand ihrer inhärenten Eigenschaften verwendet. Aller Regionen in der Hierarchie repräsentiert die gleiche Lautstärke mit weniger Elementen, bieten aber trotzdem starke Begrenzung festhalten. So super-Regionen verringern Sie die Komplexität der Segmentierung ein Volumen um mehrere Größenordnungen doch noch stellen die Daten ohne erheblichen Verlust an Informationen27. Zweitens bietet SuRVoS eine halbautomatische Segmentierungsstrategie, die minimale manuelle Segmentierung Eingänge verwendet, um Klassifikatoren, die dann verwendet werden, um die restlichen Volumen28,29segment zu trainieren. Diese Strategie reduziert manuelle Segmentierung, stark verringert die Menge von Benutzer-Zeitaufwand für die Segmentierung und Verwendung von Super-Regionen entfernt manuelle Festlegung der Grenzen, potenziell reduzieren, Variabilität und Subjektivität.
Ein weiteres wesentliches Merkmal des SuRVoS ist das Tool Bezeichnung Splitter, wobei ein Benutzer kann eine Reihe von bereits segmentierten Objekten anhand ihrer inhärenten Eigenschaften klassifizieren. Nach der Aufteilung der verschiedenen Objekte von Interesse dieses Tool kann verwendet werden, um den Satz in Unterklassen basierend auf Maßnahmen wie durchschnittliche Objekt Intensität, Varianz, Größe unterteilen, Standort, etc. Dies ist nützlich, wenn große Gruppen von Objekten mit Klassifizierung hohe Komplexität. Beispielsweise kann eine Gruppe von zellulären Organellen in Mitochondrien, leeren Vesikeln, Lipid-Tröpfchen aufgeteilt werden.; eine Reihe von Material, die Einschlüsse getrennt werden können je nach Größe oder Form oder. Sobald die einzelnen Etiketten segmentiert kann in Gruppen aufteilen einer beliebigen Anzahl von Klassifikatoren, Verringerung der Identifikation Bias verwenden.
Der SuRVoS-Workbench hat Segment Daten aus mehreren bildgebenden Verfahren erfolgreich eingesetzt. Hier Synchrotron Phase Kontrast Röntgentomographie (MicroCT) der Fruchtkörper einer Pflanze verwendet wird, um Segmentati zu zeigenüber die Verwendung der Modelltraining, Cryo-Elektron Tomographie (CryoET) der menschlichen Thrombozyten dient zur Segmentierung mit Super- und Megavoxels zu demonstrieren, und Cryo soft Röntgentomographie (CryoSXT) einer Säugerzelle Linie wird verwendet, um das Label teilen Werkzeuge zeigen

<table><tbody><tr><td>Computer</td><td>n/a</td><td>n/a</td><td>Muss ein Linux-Betriebssystem ausführen und über eine NVidia-GPU mit mindestens 4 GB Arbeitsspeicher verfügen</td></tr></tbody></table>

volumen-segmentierung und analyse von biologischen materialien mit survos (super-region volumen segmentierung)-workbench

Volume Segmentation and Analysis of Biological Materials Using SuRVoS (Super-region Volume Segmentation) Workbench

Segmentierung ist der Prozess bestimmte Regionen oder Objekte innerhalb einer abgebildeten Volumens zu isolieren, so dass weiterer Untersuchungen auf diese Bereiche von Interesse durchgeführt werden kann. Bei der Analyse von komplexen biologischen Systemen ist die Segmentierung des dreidimensionalen Bilddaten ein zeitaufwendig und arbeitsintensiv intensive Schritt. Mit der zunehmenden Verfügbarkeit von vielen bildgebender Verfahren und automatisierte Sammelsystemen stellt dies eine erhöhte Herausforderung für modernen experimentellen Biologen aus Daten wissen zu bewegen. Diese Publikation beschreibt die Verwendung der SuRVoS-Workbench, ein Programm entwickelt, um diese Probleme zu lösen, durch die Bereitstellung von Methoden zur semi-automatisch komplexe biologische volumetrische Segmentdaten. Drei Datensätze unterschiedlicher Vergrößerung und bildgebende Modalitäten sind jeweils unterschiedliche Strategien der Segmentierung mit SuRVoS Hervorhebung hier präsentiert. Phase Kontrast Röntgentomographie (MicroCT) der Fruchtkörper einer Pflanze wird zur Segmentierung mit Modelltraining demonstrieren, Cryo-Elektron Tomographie (CryoET) der menschlichen Thrombozyten wird zur Segmentierung mit Super - und Megavoxels und Cryo soft zeigen Röntgen-Computertomographie (CryoSXT) einer Säugerzelle Linie wird verwendet, um das Label teilen Werkzeuge zu demonstrieren. Strategien und Parameter für jeden Datentyp werden ebenfalls vorgestellt. Durch die Mischung einer Auswahl von semi-automatische Prozesse in einem interaktiven Werkzeug, bietet SuRVoS mehrere Vorteile. Insgesamt wird zu Segment volumetrischer Daten um einen Faktor 5 im Vergleich zu manuellen Segmentierung, ein Standbein in vielen Bildfelder Verarbeitung verkürzt. Dies ist eine erhebliche Einsparungen bei voller manueller Segmentierung Wochen Aufwand in Anspruch nehmen kann. Darüber hinaus richtet sich die Subjektivität durch den Einsatz von rechnerisch ermittelten Grenzen und splitting komplexe Sammlungen von Objekten durch ihre berechneten Eigenschaften anstatt auf einer Schachtel-durchschachtel Grundlage.

Segmentierung der dreidimensionalen Daten aus vielen bildgebenden Verfahren ist ein großer Engpass bei der Analyse komplexer biologischer Systeme. Hier beschreiben wir die Verwendung von SuRVoS Workbench, halbautomatisch Segment volumetrischer Daten auf unterschiedlichen Längenskalen mit Beispiel-Datasets von Cryo-Elektron Tomographie, Cryo weiche Röntgen-Tomographie und Phase Kontrast Röntgen-Tomographie Techniken.

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

Segmentation is the process of isolating specific regions or objects within an imaged volume, so that further study can be undertaken on these areas of ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, komplizierte volumetrische Datensätze biologischer Art halbautomatisch zu segmentieren. Diese Methode kann helfen, zentrale Fragen im Bereich der Strukturbiologie zu beantworten, indem sie die qualitative und quantitative Analyse volumetrischer Daten ermöglicht. Der Hauptvorteil dieser Technik liegt darin, dass sie, obwohl sie Einblicke in biologische Datensätze ermöglicht, auch auf andere Bereiche wie die Materialwissenschaft angewendet werden kann.Diese Software verwendet einen anderen Arbeitsablauf als Segmentierungsprogramme, was anfängliche Schwierigkeiten beim ersten Gebrauch von SuRVoS verursachen kann. Daher ist eine visuelle Demonstration entscheidend, um diesen neuen Arbeitsablauf zu verstehen. Die Segmentierung großer, gut definierter Bereiche mithilfe von Modelltraining wird an einem Phasenkontrast-Röntgentomographie-Datensatz veranschaulicht.Um dieses Verfahren zu beginnen, starten Sie die SuRVoS-Workbench. Klicken Sie auf die Schaltfläche „Datensatz öffnen“ und wählen Sie in der daraufhin angezeigten Popup-Box die zu segmentierende Datendatei aus. Wählen Sie eine geeignete Ausrichtung für den Datensatz.Wählen Sie anschließend einen Ordner aus, in dem der Arbeitsbereich und die zugehörigen Dateien gespeichert werden sollen. Klicken Sie auf die Schaltfläche Laden. Geben Sie im Register ROI auswählen die Start- und Endkoordinaten X, Y und Z für den interessierenden Bereich ein und klicken Sie auf Hinzufügen.Nachdem ein Abschnitt hinzugefügt wurde, stellen Sie sicher, dass er ausgewählt ist, indem Sie das Kästchen rechts aktivieren. Danach wählen Sie im Reiter „Features Channels“ über das Dropdown-Menü eine Funktion aus und fügen sie der Warteschlange hinzu. Passen Sie gegebenenfalls funktionsspezifische Optionen an und wählen Sie den Eingabedatensatz aus, auf dem die Funktion ausgeführt werden soll.Klicken Sie auf das Kontrollkästchen rechts neben dem Merkmalnamen, um die Berechnung durchzuführen. Mehrere Merkmale können auf demselben Datensatz ausgeführt werden, und berechnete Merkmale können als Eingabedatensätze für weitere Verarbeitungsschritte verwendet werden. Wählen Sie anschließend die Registerkarte „Super-Regionen“.Wählen Sie im Abschnitt „Super-Voxel“ mithilfe des Dropdown-Menüs den gefilterten Datensatz aus, aus dem die Super-Voxel erstellt werden sollen. Geben Sie Form, Abstand und Kompaktheit an. Klicken Sie auf die Schaltfläche „Übernehmen“, um die Super-Voxel zu generieren.Um die Qualität der Super-Voxel zu beurteilen, zeigen Sie diese allein, ohne überlagerte Daten, an. Wenn die interessierenden Merkmale der Daten allein in den Super-Voxel noch sichtbar sind, stellen diese die Daten gut dar. Klicken Sie im Reiter „Annotation“ auf die Schaltfläche „Ebene hinzufügen“, um eine Anmerkungsebene hinzuzufügen.Klicken Sie auf die Schaltfläche „Label hinzufügen“ in der neu erstellten Ebene, um ein Label für die Annotation hinzuzufügen. Wählen Sie anschließend im Bereich der Tool-Verknüpfungen das Stift-Symbol. Oben im Visualisierungsbereich wird eine Reihe von Optionen angezeigt.Wählen Sie die Option „Super-Voxel“ und einen mittelbreiten Stift, um mit der Erstellung von Trainingsdaten für das Modelltraining zu beginnen. Klicken Sie auf das Kästchen ganz rechts neben den Label-Informationen, um das zu kennzeichnende Label auszuwählen. Klicken Sie anschließend im Visualisierungsbereich und ziehen Sie, um mehrere Super-Voxel zu kennzeichnen.Legen Sie im Tab Modelltraining die Vorhersageebene auf die Ebene fest, die die manuellen Trainingsannotationen enthält. Stellen Sie dann im Bereich Deskriptoren den Bereich auf Super-Voxel ein. Klicken Sie auf das Dropdown-Menü Quellen auswählen und aktivieren Sie die Kontrollkästchen für die gewünschten Merkmale oder Filter, um die Deskriptoren auszuwählen, die zur Unterscheidung von Datenbereichen verwendet werden sollen.Klicken Sie auf die Schaltfläche Vorhersage. Sobald die Berechnung abgeschlossen ist, aktualisiert sich die Visualisierungsansicht mit Vorhersagen darüber, zu welchem Annotationsetikett jeder nicht etikettierte Voxel gehört. Nachdem Sie die Auswirkung der Trainingsmethoden bewertet und sich für eine entschieden haben, klicken Sie im Bereich zur Nachbearbeitung auf das Dropdown-Menü Verfeinern, um eine zusätzliche Verfeinerung anzuwenden.Stellen Sie am unteren Rand des Registerblatts Modelltraining im Abschnitt Aktualisierung der Annotationen sicher, dass im Dropdown-Menü für die Visualisierung „Vorhersagen“ ausgewählt ist. Verwenden Sie anschließend den Konfidenz-Regler, um mehr oder weniger der nicht annotierten Super-Voxel den ausgewählten Annotationslabels zuzuweisen. Nachdem ein geeignetes Konfidenzniveau gewählt wurde, klicken Sie auf die Schaltflächen „Speichern“ neben den Labels am unteren Rand des Konfidenzwerkzeugs, um die Vorhersagen in spezifischen Labels zu speichern.Die Visualisierungsansicht wird aktualisiert, um die vorgenommenen Änderungen widerzuspiegeln. Falls erforderlich, wiederholen Sie das Modelltraining mit zusätzlicher Verfeinerung und Vorhersagen mit hoher Konfidenz, bis nur noch wenige oder keine unbeschrifteten Supervoxel mehr vorhanden sind. Die Segmentierung kleinerer, komplexerer Regionen mithilfe von Superregionen wird an einem Kryo-Elektronentomographie-Datensatz veranschaulicht.Nachdem Sie im Annotationstab geeignete Ebenen und Beschriftungen hinzugefügt haben, wählen Sie die Beschriftung aus. Verwenden Sie einen mittelbreiten Stift und beginnen Sie mit der Annotation, wobei Super-Voxel ausgewählt sind. Eine Strategie für die Segmentierung von Super-Regionen besteht darin, schnell eine Ebene zu segmentieren, einige Ebenen nach oben oder unten zu wechseln und die Lücken in der neuen Ebene auszufüllen.Auf diese Weise werden die Zwischenschnitte ebenfalls mit geringerem Aufwand vom Benutzer annotiert. Als Nächstes wählen Sie das Segmentierungsetikett und eine der morphologischen Verfeinerungsmethoden, um die Annotationen weiter zu bereinigen. Geben Sie einen Radiuswert ein und wählen Sie, wie die Verfeinerungsmethode angewendet werden soll.Klicken Sie dann auf „Refine“. Die Klassifizierung und Analyse von Datenobjekten wird anhand eines Datensatzes der Kryo-Weichröntgentomographie veranschaulicht. Nachdem die Daten vollständig segmentiert wurden, klicken Sie auf den zweiten Reiter im Visualisierungsbereich mit der Bezeichnung „Label Splitter“.Ein neuer Bereich, der Regel-Erstellungs-Bereich, wird auf der rechten Seite des Fensters hinzugefügt. Wählen Sie oben im Regel-Erstellungs-Bereich die Ebene und die Beschriftungen für die Beschriftungsaufteilung aus. Wählen Sie anschließend den abzufragenden Datensatz aus und klicken Sie auf Beschriftung.Jedes Objekt in den ausgewählten Markierungen wird nun im Visualisierungsbereich in Blau hervorgehoben und als separates Objekt dargestellt. Der Bereich zur Erstellung von Regeln enthält nun einen Diagrammplot, der die durchschnittliche Intensität der Objekte zeigt. Klicken Sie auf das Dropdown-Feld in der oberen rechten Ecke, um die angezeigte Messgröße zu ändern.Klicken Sie anschließend am unteren Rand des Regel­erstellungs­bereichs auf „Add New Label“, um die Objekte in relevante Klassen aufzuteilen. Klicken Sie auf „Add New Rule“ und verwenden Sie die Dropdown- und Freitext­eingabefelder, um die anzuwendende Regel festzulegen. Klicken Sie auf „Apply“, um die Auswirkungen der neuen Regel im Visualisierungs­bereich und auf dem Diagramm im Regel­erstellungs­bereich zu sehen.Nachdem alle Objekte von Interesse klassifiziert wurden, wechseln Sie zum Reiter „Annotations“. Erstellen Sie eine neue leere Ebene. Wählen Sie anschließend diese neue Ebene im Reiter zur Erstellung von Regeln aus und klicken Sie auf „Save Labels“.Klicken Sie auf die Registerkarte „Label-Statistiken“ am Rand des Visualisierungsbereichs, um einen neuen Visualisierungsbereich zu öffnen, der zur Analyse der Beziehungen zwischen Objektklassen verwendet werden kann. Wählen Sie oben eine geeignete Ebene und Beschriftungen sowie den abzufragenden Datensatz aus. Aktivieren Sie anschließend einige interessierende Messgrößen, indem Sie die entsprechenden Kontrollkästchen aktivieren.Klicken Sie auf „Label“, um paarweise Vergleichsdiagramme für jedes der ausgewählten Maße zu erstellen. Wenn ein Maß hinzugefügt oder entfernt werden muss, klicken Sie das entsprechende Kontrollkästchen an und danach auf „Update Plot“. In dieser Studie werden zwei Segmentierungsstrategien und ein Klassifizierungswerkzeug in der SuRVoS-Workbench veranschaulicht.Für das Modelltraining wird ein Datensatz mit relativ hohem Kontrast und bereichsdefinierenden Grenzen geladen. Die Daten werden gefiltert und begrenzt, um Hintergrund, Vordergrund und innere Strukturen besser unterscheidbar zu machen. Anschließend werden auf der Grundlage des gefilterten Datensatzes Super-Voxel erstellt.Nach der Bewertung der Qualität der Super-Voxel werden manuelle Annotationen erstellt, um den Klassifikator darauf zu trainieren, die Bereiche entsprechend dem Hintergrund, der Fruchtborste, dem Samenmaterial und dem umgebenden Fruchtfleisch vorherzusagen. Morphologische Verfeinerungen werden verwendet, um die Segmentierung durch das Schließen von Lücken zu bereinigen. Für die Segmentierung in Super-Regionen wird ein verrauschter und komplexer Datensatz geladen.Danach wird ein geeignetes Filterset auf den ausgewählten Bereich von Interesse angewendet. Nach dem Modelltraining und der Segmentierung werden alle fünf bis zehn Schichten schnelle manuelle Annotationen verwendet, um die Super-Voxel auszuwählen, die das Merkmal von Interesse beschreiben. Anschließend wird das Aufteilen von Beschriftungen anhand eines Datensatzes mit vielen unterschiedlichen Organellen veranschaulicht.Zunächst wird ein geeigneter Total-Variation-Filter verwendet, um die Grenzen der Organellen hervorzuheben. Die Organellen werden halbmanuell mithilfe von Mega-Voxel und Super-Voxel segmentiert, und eine Verfeinerung dient dazu, Lücken zu schließen und Kanten zu glätten. Der Label-Splitter wird genutzt, um jede Organelle als Objekt im Datensatz zu visualisieren, und anschließend, um verschiedene Merkmale jedes Objekts im Datenplot darzustellen.Hier wurden Regeln erstellt, um die Organellen basierend auf ihren inhärenten Eigenschaften, beispielsweise ihrer Größe oder durchschnittlichen Intensität, in fünf unterschiedliche Klassen zu unterteilen. Der Label-Splitter kann verwendet werden, um quantitative Informationen über die Daten auszugeben und den zellulären Kontext zu erschließen. Nach dem Ansehen dieses Videos sollten Sie ein gutes Verständnis dafür haben, wie die SuRVoS-Workbench für die semiautomatische Segmentierung genutzt wird.Mithilfe dieses Verfahrens können Vergleiche zwischen mehreren biologischen Zuständen angestellt werden, um beispielsweise Fragen bezüglich des Wildtyps, von Krankheitszuständen und anschließend behandelten Bedingungen zu beantworten. Wenn man die Technik einmal beherrscht, kann sie den Segmentierungsprozess um etwa das Fünffache beschleunigen, sofern sie ordnungsgemäß durchgeführt wird. Nach Durchführung dieses Verfahrens können Visualisierungsprogramme verwendet werden, um die Ergebnisse für Publikationen und die Erstellung von Filmen darzustellen.

volume-segmentation-analysis-biological-materials-using-survos-super

Research

Forschung

JoVE Journal

Biology

Biologie

Fat-Content-Analyse wird routinemäßig bei Untersuchungen unter Verwendung der Maus Fettleibigkeit Modelle durchgeführt. Aufstrebende Methoden in der Kleintier-CT-Bildgebung und Analyse sind für Längs-Detail reichen Fettgehalt Analyse bietet. Hier haben wir ausführlich Schritt für Schritt Verfahren zur Durchführung von Kleintier-CT-Bildgebung, Analyse und Visualisierung.

Segmentierung und Messung von FAT-Volumes in Murine Obesity Modellen mithilfe von Röntgen-Computertomographie

Läsion Explorer (LE) ist eine regional entwickelt, um Hirngewebe und subkortikalen Hyper Läsion Volumetrie von strukturellen MRT der Alzheimer-Krankheit und normalen älteren erhalten halbautomatisch, Bildverarbeitungs-Pipeline. Um ein hohes Maß an Genauigkeit und Zuverlässigkeit zu gewährleisten, ist das folgende eine Video-geführt, standardisiertes Protokoll für LE manuellen Verfahren.

Läsion Explorer: Ein Video-geführt, standardisiertes Protokoll für genaue und zuverlässige MRI-abgeleiteten Volumetrics in der Alzheimer-Krankheit und Normale Ältere

Der Engpass für Mobil 3D-Elektronenmikroskopie ist die Merkmalsextraktion (Segmentierung) in hochkomplexen 3D-Dichtekarten. Wir haben eine Reihe von Kriterien, die den Orientierungsrahmen in Bezug auf die Segmentierungsansatz (manuell, halbautomatisch oder automatisch) ist am besten geeignet für verschiedene Datentypen entwickelt, so dass ein Ausgangspunkt für eine effektive Segmentierung.

Von Voxel zu Wissen: ein praktischer Leitfaden für die Segmentierung der Elektronenmikroskopie Komplexe 3D-Daten

Mit Hilfe von MRT-Scans (Mensch), 3D-Bildgebungssoftware und immunhistologischer Analyse dokumentieren wir Veränderungen an den Seitenventrikeln des Gehirns. Die longitudinale 3D-Kartierung von Volumenänderungen des lateralen Ventrikels und die Charakterisierung periventrikulärer zellulärer Veränderungen, die im menschlichen Gehirn aufgrund von Alterung oder Krankheit auftreten, werden dann an Mäusen modelliert.

3D-Modellierung der Seitenventrikel und histologische Charakterisierung Periventrikuläre Tissue in Mensch und Maus

Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Hier stellen wir Ihnen ein Protokoll für die Kombination von zwei Probe-Verarbeitungstechniken, Hochdruck, Einfrieren und Mikrowellen-gestützte Probenverarbeitung, gefolgt von minimal Harz für die Datenerfassung mit fokussierten Ion Beam Rasterelektronenmikroskop (FIB-SEM) einbetten. Dies wird gezeigt, mit einer Maus tibiale Nerven Probe und Caenorhabditis Elegans.

Biologische Probenvorbereitung durch Hochdruck gefrieren, Mikrowellen-gestützte Kontrastverstärkung und minimale Harz einbetten für Volume Imaging

Die beschriebene Pipeline ist für die Segmentierung von Elektronenmikroskopie-Datensätzen größer als Gigabyte konzipiert, um Ganzzellmorphologien zu extrahieren. Sobald die Zellen in 3D rekonstruiert sind, kann kundenspezifische Software, die auf individuelle Bedürfnisse zugeschnitten ist, verwendet werden, um eine qualitative und quantitative Analyse direkt in 3D durchzuführen, auch mit virtueller Realität, um Die Sichtokklusion zu überwinden.

Eine Methode zur 3D-Rekonstruktion und Virtual Reality-Analyse von Glia- und Neuronalzellen

Dieses Protokoll beschreibt eine Routinemethode für die Verwendung der seriellen Blockflächen-Rasterelektronenmikroskopie (SBF-SEM), einer leistungsstarken 3D-Bildgebungstechnik. Die erfolgreiche Anwendung von SBF-SEM hängt von der richtigen Fixierung und Gewebefärbung sowie der sorgfältigen Berücksichtigung der Bildgebungseinstellungen ab. Dieses Protokoll enthält praktische Überlegungen für den gesamten Prozess.

Serielle Block-Face-Rasterelektronenmikroskopie (SBF-REM) biologischer Gewebeproben

Hier beschreiben wir Berechnungswerkzeuge und -methoden, die die Visualisierung und Analyse von drei- und vierdimensionalen Bilddaten von Mausembryonen im Rahmen der axialen Dehnung und Segmentierung ermöglichen, die durch optische In-toto-Projektionstomographie und durch Live-Bildgebung und Ganzkörper-Immunfluoreszenzfärbung mittels Multiphotonenmikroskopie erhalten werden.

Drei- und vierdimensionale Visualisierungs- und Analyseansätze zur Untersuchung der axialen Dehnung und Segmentierung von Wirbeltieren

Das hier beschriebene intravitale Bildgebungsverfahren nutzt die zweite harmonische Kollagenerzeugung und die endogene Fluoreszenz aus dem metabolischen Co-Faktor NAD(P)H, um eine nicht markierte Tumormikroumgebung nicht-invasiv in Tumor-, Stroma- und Gefäßkompartimente für eine eingehende Analyse von intravitalen 4D-Bildern zu segmentieren.

Ein markierungsfreier Segmentierungsansatz für die intravitale Bildgebung von Brusttumor-Mikroumgebungen

Die genaue Analyse von mehrdimensionalen Mikroskopiedaten erfordert komplexe Arbeitsabläufe. Dieser Artikel zeigt, wie Sie die Software Cell-ACDC verwenden. Es nutzt hochmoderne KI-gesteuerte Modelle für die Segmentierung, Nachverfolgung, Analyse von Zellstammbäumen und Quantifizierung von Mikroskopiedaten. Entscheidend ist, dass es diese Modelle durch ein innovatives Framework für die halbautomatische Korrektur der Modellausgabe ergänzt.

Analyse von multidimensionalen Mikroskopiedaten mittels Cell-ACDC

Erfahren Sie die semi-automatische Volumen-Segmentierung mit SuRVoS Workbench für strukturbiologische Datenanalyse. Diese Methode ermöglicht qualitative und quantitative Untersuchungen komplexer 3D-Datensätze.

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

Weitere Videos entdecken