Segmentación de volumen y análisis de materiales biológicos con SuRVoS (Super-región segmentación de volumen) Workbench

El objetivo general de este procedimiento es segmentar de forma semiautomática conjuntos de datos volumétricos complicados de naturaleza biológica. Este método puede ayudar a responder preguntas clave en el campo de la biología estructural al permitir el análisis cualitativo y cuantitativo de datos volumétricos. La principal ventaja de esta técnica es que en Aunque este método puede proporcionar información sobre conjuntos de datos biológicos, también se puede aplicar a otros campos, como la ciencia de los materiales.

Este software utiliza un flujo de trabajo diferente al de los programas de segmentación, lo que puede causar dificultades iniciales cuando se utiliza SuRVoS por primera vez. Por lo tanto, la demostración visual es fundamental para comprender este nuevo flujo de trabajo. La segmentación de regiones grandes y bien definidas mediante el entrenamiento de modelos se demuestra en un conjunto de datos de tomografía de rayos X con contraste de fase.

Para comenzar este procedimiento, inicie el banco de trabajo SuRVoS. Haga clic en el botón Abrir conjunto de datos y seleccione el archivo de datos que se va a segmentar en la ventana emergente resultante. Elija una orientación adecuada para el conjunto de datos.

A continuación, elija una carpeta en la que almacenar el espacio de trabajo y los archivos asociados. Haga clic en el botón Cargar. En la pestaña Seleccionar ROI, introduzca las coordenadas de inicio y fin X, Y y Z para nuestro interés regional y haga clic en Agregar.

Una vez que se agrega una sección, asegúrese de que esté seleccionada marcando la casilla a la derecha. Después de esto, en la pestaña Canales de características, use el menú desplegable para elegir una función y agregarla a la cola. Modifique las opciones específicas de la entidad y elija el dataset de entrada en el que se ejecutará la entidad.

Haga clic en la casilla de verificación situada a la derecha del nombre de la característica que desea calcular. Se pueden ejecutar varias entidades en el mismo dataset y las características calculadas se pueden utilizar como datasets de entrada para su posterior procesamiento. A continuación, elija la pestaña Super Regions.

En la sección Super Voxeles, utilice el menú desplegable para seleccionar el conjunto de datos filtrado a partir del cual se crearán los supervóxeles. Especifique la forma, el espaciado y la compacidad. Haga clic en el botón Aplicar para generar los supervóxeles.

Para evaluar la calidad de los supervóxeles, muéstrelos solos sin los datos superpuestos. Si las características de interés de los datos siguen siendo visibles solo en los supervóxeles, representan bien los datos. En la pestaña Anotación, haga clic en el botón Agregar nivel para agregar un nivel de anotación.

Haga clic en el botón Agregar etiqueta en el nivel recién creado para agregar una etiqueta para la anotación. A continuación, en la sección de atajos de herramientas, seleccione el icono del lápiz. Aparecerá un conjunto de opciones en la parte superior del panel de visualización.

Seleccione la opción de supervóxeles y un lápiz de ancho medio para comenzar a crear datos de entrenamiento para el entrenamiento del modelo. Haga clic en el cuadro situado en el extremo derecho de la información de la etiqueta para seleccionar la etiqueta que se va a anotar. A continuación, haga clic y arrastre en el panel de visualización para anotar varios supervóxeles.

En la pestaña Entrenamiento del modelo, establezca el nivel de predicción en el nivel que contiene las anotaciones de entrenamiento manual. A continuación, en la sección del descriptor, establezca la región en supervóxeles. Haga clic en el menú desplegable Seleccionar fuentes y marque las casillas de las características o filtros de elección para seleccionar los descriptores que se utilizarán para diferenciar las regiones de datos.

Haga clic en el botón Predecir. Una vez completado el cálculo, el panel de visualización se actualizará con predicciones de la etiqueta de anotación a la que pertenece cada vóxel no etiquetado. Después de evaluar el efecto de las metodologías de entrenamiento y elegir una, haga clic en el menú desplegable Refinar en la sección de refinamiento para aplicar un refinamiento adicional.

En la parte inferior de la pestaña de entrenamiento del modelo, en la sección Actualizar anotaciones, asegúrese de que el menú desplegable de visualización esté establecido en predicciones. A continuación, utilice el control deslizante de confianza para asignar más o menos supervóxeles sin anotar a las etiquetas de anotaciones seleccionadas. Una vez seleccionado un nivel de confianza adecuado, haga clic en los botones Guardar junto a las etiquetas en la parte inferior de la herramienta de confianza para guardar las predicciones en etiquetas específicas.

El panel de visualización se actualizará para reflejar los cambios realizados. Si es necesario, repita el entrenamiento del modelo con refinamiento adicional y predicciones de alta confianza hasta que haya pocos o ningún supervóxeles sin etiquetar. La segmentación de regiones más pequeñas y complejas utilizando superregiones se demuestra en un conjunto de datos de tomografía crioelectrónica.

Después de agregar los niveles y etiquetas adecuados en la pestaña de anotaciones, seleccione la etiqueta. Con un bolígrafo de ancho medio, comience a anotar con supervóxeles seleccionados. Una estrategia para la segmentación de superregiones es segmentar rápidamente en un segmento, mover algunos segmentos por encima o por debajo y rellenar los huecos del nuevo segmento.

De esta manera, los cortes intermedios también se anotarán con menos esfuerzo por parte del usuario. A continuación, para limpiar aún más las anotaciones, seleccione la etiqueta de segmentación y uno de los métodos de refinamiento morfológico. Introduzca un valor de radio y elija cómo aplicar el método de refinamiento.

A continuación, haga clic en Perfeccionar. La clasificación y el análisis de los objetos de datos se demuestran en un conjunto de datos de tomografía de rayos X crioblandos. Después de segmentar completamente los datos, haga clic en la segunda pestaña del panel de visualización llamada Divisor de etiquetas.

Se agregará una nueva área, el panel de creación de reglas, en el lado derecho de la ventana. En la parte superior del panel de creación de reglas, seleccione el nivel y las etiquetas para la división de etiquetas. A continuación, seleccione el conjunto de datos que desea consultar y haga clic en Etiqueta.

Cada objeto de las etiquetas seleccionadas ahora se delineará en azul como objetos separados en el panel de visualización. El panel de creación de reglas ahora contendrá un gráfico que muestra la intensidad promedio de los objetos. Haga clic en el cuadro desplegable en la parte superior derecha para cambiar la medida que se muestra.

A continuación, haga clic en Agregar nueva etiqueta en la parte inferior del panel de creación de reglas para comenzar a dividir los objetos en las clases relevantes. Haga clic en Agregar nueva regla y utilice el menú desplegable y los cuadros de entrada de formulario libre para definir la regla que se aplicará. Haga clic en Aplicar para ver los efectos de la nueva regla en el panel de visualización y en el trazado en el panel de creación de reglas.

Una vez clasificados todos los objetos de interés, vaya a la pestaña Anotaciones. Cree un nuevo nivel vacío. A continuación, elija este nuevo nivel en la pestaña de creación de reglas y haga clic en Guardar etiquetas.

Haga clic en la pestaña Estadísticas de etiqueta en el borde del panel de visualización para abrir un nuevo panel de visualización que se puede usar para comprender las relaciones entre las clases de objetos. En la parte superior, seleccione un nivel y etiquetas adecuados, así como el conjunto de datos que desea consultar. A continuación, seleccione algunas medidas de interés marcando las casillas situadas junto a ellas.

Haga clic en Etiqueta para generar gráficos de comparación por pares para cada una de las medidas seleccionadas. Si es necesario agregar o quitar una medida, haga clic en la casilla de verificación correspondiente y, a continuación, haga clic en Actualizar trazado. En este estudio se demuestran dos estrategias de segmentación y una herramienta de clasificación en el banco de trabajo SuRVoS.

Para el entrenamiento del modelo, se carga un conjunto de datos de contraste relativamente alto con límites que definen la región. Los datos se filtran y sujetan para que el fondo, el primer plano y las estructuras internas sean más distinguibles. A continuación, los supervóxeles se construyen sobre el conjunto de datos filtrado.

Una vez que se evalúa la calidad de los supervóxeles, se realizan anotaciones manuales para entrenar al clasificador para predecir las áreas correspondientes al fondo, la cerda de la fruta, el material de la semilla y la pulpa circundante. Los refinamientos morfológicos se utilizan para limpiar la segmentación rellenando agujeros. Para la segmentación de superregiones, se carga un conjunto de datos ruidoso y complejo.

A continuación, se aplica un conjunto de filtros adecuado a la región de interés seleccionada. Después del entrenamiento y la segmentación del modelo, se utilizan anotaciones manuales rápidas cada cinco a 10 segmentos para seleccionar los supervóxeles que describen la característica de interés. A continuación, se demuestra la división de etiquetas utilizando un conjunto de datos con muchos orgánulos variados.

En primer lugar, se utiliza un filtro de variación total adecuado para mejorar los límites de los orgánulos. Los orgánulos se segmentan semimanualmente utilizando mega vóxeles y supervóxeles y el refinamiento se utiliza para rellenar agujeros y suavizar los bordes. El divisor de etiquetas se utiliza para visualizar cada orgánulo como un objeto en el conjunto de datos y, a continuación, para visualizar varias características sobre cada objeto en la gráfica de datos.

Aquí, se crearon reglas para separar los orgánulos en cinco clases distintas en función de sus propiedades heredadas, por ejemplo, su tamaño o intensidad promedio. El divisor de etiquetas se puede utilizar para generar información cuantitativa sobre los datos y comenzar a comprender el contexto celular. Después de ver este video, debería tener una buena comprensión de cómo usar el banco de trabajo SuRVoS para la segmentación semiautomática.

Con este procedimiento, se pueden hacer comparaciones de múltiples estados biológicos para responder preguntas, por ejemplo, sobre enfermedades de tipo salvaje y luego condiciones tratadas. Una vez dominada, esta técnica puede acelerar el proceso de segmentación aproximadamente cinco veces si se realiza correctamente. Siguiendo este procedimiento, se pueden utilizar programas de visualización para renderizar los resultados para la publicación y la creación de películas.