Name: De voxels à la connaissance: Un guide pratique de la segmentation du complexe microscopie électronique 3D-données (Vidéo) | JoVE Journal
Uploaded: 2014-08-13T16:00:00.000+00:00
Duration: 12 min 8 s
Description: Apprenez à segmenter des données de microscopie électronique 3D complexes pour l'analyse de structures cellulaires. Cette méthode compare les approches manuelles et automatisées pour extraire les caractéristiques d'intérêt.

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

Nous tenons à remercier Tom Goddard de l’Université de Californie à San Francisco pour son aide indéfectible avec Chimera, Joel Mancuso et Chris Booth de Gatan, Inc. pour leur aide dans la collecte de données SBF-SEM de l’ensemble de données sur les bactéries, Doug Wei chez Zeiss, Inc. pour son aide dans la collecte de données FIB-SEM de l’ensemble de données sur les cellules épithéliales, Kent McDonald du laboratoire de microscopie électronique de l’Université de Californie à Berkeley pour ses conseils sur la préparation des échantillons, l’imagerie TEM et la tomographie, Roseann Csencsits du Lawrence Berkeley National Laboratory pour son aide à la prise de l’image cryo-TEM, Elena Bosneaga pour la cryo-section de l’ensemble de données de la plante, Jocelyn Krey de l’Oregon Health and Science University pour la dissection du tissu utriculaire, David Skinner du National Energy Research Scientific Computing Center (NERSC) et Jitendra Malik de l’Université de California Berkeley pour leurs conseils en infrastructure logicielle, et Pablo Arbelaez de l’Université de Californie à Berkeley pour ses contributions aux codes du script sur mesure présenté dans cet article. 
La recherche a été soutenue par le Département de l’énergie des États-Unis, Office of Science dans le cadre du contrat n°. DE-AC02-05CH11231 [David Skinner], ainsi que la subvention n° 100 des National Institutes of Health (NIH) des États-Unis. P01 GM051487 [M.A.] pour le projet de cellules ciliées de l’oreille interne et l’utilisation d’instruments de microscopie.

1 Manuel abstrait Modèle génération Remarque: Les détails de la méthodologie décrits ci-dessous sont spécifiques à Chimera, mais d&#39;autres logiciels peuvent être utilisés à la place. Utilisez cette méthode lorsque le seul objectif est de créer un modèle géométrique (par exemple, une balle et bâton modèle) afin d&#39;effectuer des mesures géométriques, plutôt que d&#39;afficher la forme de volume des objets. <ol><li> Importez le volume de données dans un programme approprié pour le manuel génération de modèle abstrait. <ol><li> Sélectionnez Fichier&gt; Ouvrir la carte à tirer vers le haut la boîte de dialogue Ouvrir un fichier. Accédez à l&#39;emplacement du fichier de la carte désirée. </li><li> Tirez le Volume Viewer (Outils&gt; Données de volume&gt; Volume Viewer) et sélectionnez Options&gt; Style d&#39;affichage pour afficher les données avec différents styles de rendu. </li><li> Réglez le seuil pour l&#39;affichage en faisant glisser la barre verticale sur l&#39;histogramme dans le Volume Viewerfenêtre. </li></ol></li><li> Naviguez à travers le volume 3D (par exemple, tranche par tranche) pour sélectionner une zone d&#39;intérêt pour la segmentation et recadrer un sous-volume plus petit si nécessaire. <ol><li> Dans la boîte de dialogue Volume Viewer, cliquez sur Axe, puis sélectionnez X, Y, ou Z. </li><li> Dans la boîte de dialogue Volume Viewer, sélectionnez Options&gt; Avions. Cliquez sur un de fixer Profondeur pour afficher le plan correspondant au numéro dans la case de gauche, et cliquez sur Tous pour afficher tous les plans. </li><li> Dans la boîte de dialogue Volume Viewer, sélectionnez Options&gt; sélection de la sous-région. <ol><li> Cliquez et faites glisser pour créer une boîte rectangulaire autour de la région d&#39;intérêt. </li></ol></li></ol></li><li> Placer des marqueurs le long de la caractéristique d&#39;intérêt et les connecter avec des linkers le cas échéant (souvent faites automatiquement par le programme) jusqu&#39;à ce que le modèle est complet. <ol><li> Dans la barre de menu Volume Viewer, sélectionnez Outils&gt;dialogue Tracer Volume pour ouvrir la boîte de dialogue Volume Tracer. Dans la boîte de dialogue Tracer de volume, sélectionnez Fichier&gt; Nouveau marqueur Set. </li><li> Dans la boîte de dialogue Tracer Volume, vérifiez Souris&gt; La place des marqueurs sur la qualité, la Place des marqueurs sur des plans de données, déplacer et redimensionner les marqueurs, lien nouveau marqueur marqueur sélectionné, et Link marqueurs consécutivement sélectionné. </li><li> Cliquez sur l&#39;échantillon Couleur de marqueur, puis sélectionnez une couleur. Répétez cette étape pour la couleur du lien. </li><li> Entrez rayons pour les éléments de construction de modèle marqueurs et de liaison. </li><li> Dans la fenêtre de trace de volume, sélectionnez place des marqueurs en utilisant le bouton [droite] de la souris, et insérer les rayons des marqueurs et des liens. </li><li> Faites un clic droit sur les données de volume pour commencer fixant marqueurs. Marqueurs seront automatiquement connectés. </li><li> Dans la boîte de dialogue Tracer Volume, sélectionnez Fichier&gt; Enregistrer ensemble de marqueurs en cours, puis Fichier&gt; Fermer marqueur ensemble. </li></ol></li&gt; <li> Ouvrez un nouveau jeu de marqueurs (étape 1.3.1) pour commencer à construire un modèle dans une deuxième caractéristique d&#39;intérêt souhaité. Utiliser des couleurs entre les ensembles de marqueurs contraste pour souligner les différences dans les caractéristiques. </li></ol> 2 Manuel traçage des éléments d&#39;intérêt Remarque: Les détails de la méthodologie décrits ci-dessous sont spécifiques à Amira, mais d&#39;autres logiciels peuvent être utilisés à la place. Utilisez cette méthode lorsque la densité de population est relativement faible et lorsque la précision de l&#39;extraction de caractéristiques est primordiale, comme le traçage manuel est une approche de longue haleine. <ol><li> données sur le volume des importations dans un programme de manuels options de trace. Logiciel avec cette capacité offrent généralement au moins un outil de pinceau de base. <ol><li> Pour les grands volumes ou des tomographies (par exemple, 16 bits 2048 x 2048 ou plus .rec ou .mrc tomographies généré dans MID): Sélectionnez Open Data&gt; clic droit sur ​​filename.rec&gt; Format ...&gt; Sélectionner Raw comme LargeDiskData </i&gt;&gt; OK&gt; Charger. Sélectionnez Raw appropriée de paramètres de données à partir des informations d&#39;en-tête&gt; OK. Basculer et Enregistrer sous un nouveau <a href="http://filename.am/">filename.am</a> fichier pour une utilisation dans les étapes suivantes. </li><li> Pour les fichiers plus petits d&#39;image 3D de la pile (par exemple, .tif 3D ou .mrc ou .rec): Open Data&gt; Sélectionner filename.tif ou filename.mrc. Basculer et Clic droit&gt; Enregistrer sous <a href="http://filename.am/">filename.am</a> . Si une erreur est générée ou le programme ne répond pas, le fichier peut être trop grande et peut être ouvert en suivant l&#39;étape 2.1.1. </li></ol></li><li> Naviguer à travers les tranches de sélectionner un sous-volume 3D pour la segmentation, et ensuite recadrer à ce domaine d&#39;intérêt. <ol><li> Dans la fenêtre 3D Viewer, sélectionnez Orthoslice d&#39;ouvrir le fichier d&#39;image. Utilisez le curseur en bas pour naviguer dans les tranches. </li><li> Pour recadrer données plus grands ouverts que LargeDiskData, bascule nom de fichier dans la fenêtre Piscine&gt; clic droit&gt; LatticeAccess. Enter la taille de la boîte désirée&gt; Appliquer. Enregistrer le nouveau fichier. </li></ol></li><li> Créer un fichier de segmentation. <ol><li> Déplacez le fichier dans la fenêtre Bibliothèque&gt; Clic droit&gt; Étiquetage&gt; LabelField. Un nouveau fichier sera créé et chargé automatiquement dans l&#39;onglet Segmentation éditeur. </li></ol></li><li> Tracer le cadre de la première caractéristique d&#39;intérêt, puis remplissez la trace à la main ou à l&#39;aide d&#39;une commande spécifique au logiciel utilisé. Suivez la fonction d&#39;intérêt par toutes les tranches et répéter le traçage segmentation manuelle. Utilisez les commandes suivantes lors de l&#39;utilisation Amira: <ol><li> Pour utiliser l&#39;outil Pinceau, modifier la taille du pinceau comme vous le souhaitez, puis utilisez le pointeur de la souris pour tracer la frontière de la fonction d&#39;intérêt. </li><li> Remplissez la zone tracée au raccourci &quot;f&quot;. Ajouter la sélection en cliquant sur le bouton avec le symbole plus, ou le raccourci &quot;a&quot;. Si nécessaire, appuyez sur &quot;u&quot; pour annuler, et &quot;s&quot; de soustraire ou effacer. </li></ol&gt; </li><li> Générer un rendu de surface pour la visualisation et qualitative de base ou l&#39;analyse quantitative par logiciel notice instruction. <ol><li> Dans l&#39;onglet de la piscine de l&#39;objet, déplacez le fichier-labels.am dans la fenêtre Bibliothèque&gt; clic droit&gt; SurfaceGen. </li><li> Sélectionnez les propriétés de surface souhaitées&gt; Appliquer. Une nouvelle filename.surf de fichier sera créé dans le Pool. </li><li> Pour visualiser le volume segmenté, bascule filename.surf dans la fenêtre Piscine&gt; clic droit&gt; SurfaceView. </li><li> Utilisez les outils dans la fenêtre 3DViewer à déplacer, faire pivoter, agrandir et le volume 3D. </li></ol></li><li> Extraire les densités exactes et déterminer des mesures comme le volume ou la superficie. Exportation vers d&#39;autres programmes pour l&#39;affichage plus avancé, l&#39;analyse et la simulation. <ol><li> Dans la fenêtre 3DViewer, cliquez sur l&#39;outil de mesure&gt; Sélectionnez l&#39;option appropriée (longueur 2D et 2D angle pour les mesures sur un plan 2D unique, longueur 3D et l&#39;angle 3Dpour les mesures sur un volume 3D). </li><li> Cliquez sur la surface de maille pour mesurer la longueur désirée, la distance et les angles. Les valeurs seront listés dans la fenêtre Propriétés. </li></ol></li></ol> 3 Segmentation base de la densité-automatique Remarque: Les détails de la méthodologie décrits ci-dessous sont spécifiques à Amira, mais d&#39;autres logiciels peuvent être utilisés à la place. <ol><li> Utilisez cette méthode sur des ensembles de données avec n&#39;importe quelle variété de contraste, netteté, ou cohue de retirer les densités d&#39;intérêt. </li><li> données sur le volume des importations dans un programme équipé d&#39;un seuil, baguette magique, ou d&#39;autres outils à base de densité pour la segmentation automatique. Suivez les étapes décrites dans 2.1-2.1.2 dans les directions pour le traçage manuel. </li><li> Naviguez à travers les tranches et sélectionner la zone de segmentation. Si nécessaire, recadrer un sous-volume 3D plus petit pour la segmentation. Suivez les étapes décrites dans 2.2-2.2.2 dans les directions pour le traçage manuel. </li><li> Sélectionnez la densité deune fonction d&#39;intérêt, généralement en cliquant ou en plaçant un point d&#39;interrogation ou point d&#39;ancrage sur la fonction. Si on le laisse dans le logiciel, entrez une plage de numéros englobant l&#39;intensité de pixel de la fonction et régler cette tolérance comme vous le souhaitez. Densités appartenant à la fonction seront ramassés conformément à l&#39;intensité de pixel ou de la tolérance de la valeur de l&#39;ancre. Utilisez les commandes suivantes lors de l&#39;utilisation Amira. <ol><li> Utilisez la baguette magique pour les fonctions avec des marges distinctes. <ol><li> Cliquez sur la zone d&#39;intérêt, puis d&#39;ajuster les curseurs dans l&#39;affichage et masquage de capturer gamme correcte de valeurs de sorte que la fonctionnalité est complètement mis en évidence. Ajouter la sélection de raccourci &quot;a&quot;. </li></ol></li><li> Utilisez l&#39;outil de seuil pour les fonctions sans marges bien distinctes. </li><li> Sélectionnez l&#39;icône du Seuil. Réglez la glissière pour régler la densité dans la plage souhaitable de sorte que seules les caractéristiques d&#39;intérêt sont masqués. Cliquez sur le bouton Sélectionner, puis ajouter la sélection avec raccourci220; une &quot;. </li><li> Pour tout le segment volume, sélectionnez Tous les tranches avant d&#39;ajouter la sélection. </li><li> Pour supprimer le bruit, sélectionnez Segmentation&gt; Supprimer îles et / ou segmentation&gt; étiquettes lisses. </li></ol></li><li> Génération d&#39;une surface de visualisation et l&#39;analyse qualitative de la manière décrite dans la section de traçage manuel 2.6-2.6.2. Si vous le souhaitez, l&#39;exportation vers d&#39;autres programmes pour l&#39;affichage 3D adéquate, l&#39;analyse quantitative et simulations. </li></ol> 4. personnalisé sur mesure automatisée de segmentation Remarque: Utilisez cette méthode pour créer des scripts personnalisés pour la segmentation automatique, ce qui requiert de l&#39;expérience de fond en informatique, mais permet la possibilité de créer un modèle de densité précis dans un grand volume. <ol><li> Outils (exemple spécifique de la segmentation de Shape-supervisé dans MATLAB 27) <ol><li> Prétraitement d&#39;images: Effectuer débruitage, suppression du fond et amélioration de l&#39;imageen utilisant le pipeline suivantes: <ol><li> Charger l&#39;image en utilisant la commande imread. <ol><li> Dans la ligne de commande, entrez: &gt;&gt; im = imread ($ image_path), où $ image_path est l&#39;emplacement de l&#39;image à analyser. </li></ol></li><li> De la boîte à outils de traitement d&#39;image, appelez Wiener filtre en utilisant un ratio estimé ou connu bruit-puissance de signal (NSR). </li><li> Sur l&#39;image précédemment traitée, appeler la fonction image d&#39;ouverture imopen pour estimer la couche de fond, puis affecter le résultat comme un masque différent. <ol><li> Dans la ligne de commande, entrez:. &gt;&gt; Background = imopen (im, strel ($ shape_string, $ taille)), dans cette méthode, $ shape_string est égal à &#39;dur&#39; la variable $ taille est donnée par l&#39;analyseur à savoir &gt;&gt; background = imopen (im, strel (&#39;disque&#39;, 15)). </li></ol></li><li> Soustraire l&#39;image filtrée avec le fond. <ol><li> Dans la ligne de commande, entrez: &gt;&gt; im2 = im -fond </li></ol></li><li> Selon la qualité des résultats, effectuez l&#39;image normalisation avec ou sans la méthode de Otsu adaptatif 28, qui peut être appelé en utilisant la fonction imadjust de l&#39;Image Processing Toolbox. <ol><li> Dans la ligne de commande, entrez: &gt;&gt; im3 = imadjust (IM2) </li></ol></li><li> Préparer les caractéristiques d&#39;intérêt pour la segmentation, ce qui limite les régions d&#39;intérêt par recadrage de l&#39;image normalisée. <ol><li> Utilisation de la commande imtool, explorer la région d&#39;intérêt qui doit être recadrée et fournir les coordonnées de la commande: &gt;&gt; im3_crop = imcrop (im3, [x1 y1 x2 y2]), où le vecteur [x1 y1 x2 y2] correspond à la région carrée à recadrer. </li></ol></li></ol></li><li> La reconnaissance de forme / classification de forme supervisée: Former l&#39;algorithme en fournissant des exemples spécifiques pour chaque catégorie d&#39;objets (traces linéaires dans une image 2D à travers les éléments d&#39;intérêt). <ol><li> Vérifiez que VLFEAT 29 API est correctement installé et visitez le site Web de VLFEAT une documentation plus approfondie. </li><li> Dans la ligne de commande, entrez: &gt;&gt; [TREE, ASGN] = VL_HIKMEANS (im3_crop, K $, $ NLEAVES) où $ K est le nombre de cluster pour être utilisé ou le nombre de classes de l&#39;observateur veut organiser les données dans, et NLEAVES $ est le nombre désiré de bouquets de feuilles à savoir &gt;&gt; [TREE, ASGN] = VL_HIKMEANS (im3_crop, 4100) </li><li> Utiliser les fonctions segmentées manuellement l&#39;entrée pour VLFeat. NOTE: Cette librairie open source basé C-va appliquer des rustines de pixels, le regroupement des parcelles et le positionnement du centre de l&#39;amas en fonction du type de méthode choisie pour le mieux pour les jeux de données. Les options disponibles vont de regroupement k-moyenne basée sur texton à des approches 30, et la sortie est un tableau numérique qui décrit les caractéristiques souhaitées basées sur les exemples donnés. </li></ol></li></ol></li><li> Segmentation: Utilisez cette fully automatisé, bien que coûteuse en ressources informatiques, l&#39;approche à segments multiples classes d&#39;objets simultanément, qui seront écrits comme des cartes séparées pour plus d&#39;analyse et de visualisation. <ol><li> Chargez le tableau numérique généré précédemment (modèle). </li><li> Appelez la fonction machine à vecteurs de support (SVM) dans VLFeat, en utilisant le modèle et l&#39;image à segmenter comme une entrée. <ol><li> Dans la ligne de commande, entrez: &gt;&gt; [w, b] = vl_svmtrain (x, y, 0,1), où x est l&#39;original image recadrée im2_crop et y est l&#39;image objective, l&#39;image qui a été segmenté manuellement. Utilisez &gt;&gt; ISEG = VL_IMSEG (I, LABELS) pour colorer les résultats en fonction des étiquettes générées par le regroupement. NOTE: Sur la base des caractéristiques du modèle, VLFeat classera l&#39;image sur le nombre de classes (éléments d&#39;intérêt) affectés depuis le début. Selon le degré de précision souhaitée, il est possible de combiner cette méthode avec d&#39;autres approches ou estimation Clustparamètres de veuf tels que les centres de la coque et munitions. La sortie de l&#39;algorithme de SVM est un modèle probabiliste et plusieurs masques binaires des classes désirées dans les nouveaux ensembles de données. </li></ol></li><li> Enregistrer les résultats en entrant la commande: &gt;&gt; imwrite (im, $ format, $ filename) où $ format est &quot;tiff&quot; et $ filename est le chemin du fichier de sortie. </li><li> Pour visualiser les images, entrez la commande: &gt;&gt; imshow (im). </li></ol></li></ol>

<ol><li>Auer, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Three-dimensional+electron+cryo-microscopy+as+a+powerful+structural+tool+in+molecular+medicine%5BTitle%5D)+AND+%22J+Mol+Med+%28Berl%29%22%5BJournal%5D)">Three-dimensional electron cryo-microscopy as a powerful structural tool in molecular medicine.</a> J Mol Med (Berl). 78 (4), 191-202 (2000).</li>
<li>Johnson, M. C., Rudolph, F., Dreaden, T. M., Zhao, G., Barry, B. A., Schmidt-Krey, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+two-dimensional+crystallization+trials+of+small+membrane+proteins+for+structural+biology+studies+by+electron+crystallography%5BTitle%5D)+AND+%22Journal+of+visualized+experiments+JoVE%22%5BJournal%5D)">Assessing two-dimensional crystallization trials of small membrane proteins for structural biology studies by electron crystallography.</a> Journal of visualized experiments JoVE. (44), e1846(2010).</li>
<li>Jun, S., Zhao, G., Ning, J., Gibson, G. A., Watkins, S. C., Zhang, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Correlative+microscopy+for+3D+structural+analysis+of+dynamic+interactions%5BTitle%5D)+AND+%22Journal+of+visualized+experiments+JoVE%22%5BJournal%5D)">Correlative microscopy for 3D structural analysis of dynamic interactions.</a> Journal of visualized experiments JoVE. (76), e50386(2013).</li>
<li>Meng, X., Zhao, G., Zhang, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structure+of+HIV-1+capsid+assemblies+by+cryo-electron+microscopy+and+iterative+helical+real-space+reconstruction%5BTitle%5D)+AND+%22Journal+of+visualized+experiments+JoVE%22%5BJournal%5D)">Structure of HIV-1 capsid assemblies by cryo-electron microscopy and iterative helical real-space reconstruction.</a> Journal of visualized experiments JoVE. (54), e3041(2011).</li>
<li>Chen, S., McDowall, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electron+Cryotomography+of+Bacterial+Cells%5BTitle%5D)+AND+%22Journal+of+visualized+experiments+JoVE%22%5BJournal%5D)">Electron Cryotomography of Bacterial Cells.</a> Journal of visualized experiments JoVE. (39), e1943(2010).</li>
<li>Meyerson, J. R., White, T. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determination+of+molecular+structures+of+HIV+envelope+glycoproteins+using+cryo-electron+tomography+and+automated+sub-tomogram+averaging%5BTitle%5D)+AND+%22Journal+of+visualized+experiments+JoVE%22%5BJournal%5D)">Determination of molecular structures of HIV envelope glycoproteins using cryo-electron tomography and automated sub-tomogram averaging.</a> Journal of visualized experiments JoVE. (58), e2770(2011).</li>
<li>Lucic, V., Forster, 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>Bajaj, C., Yu, Z., Auer, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volumetric+feature+extraction+and+visualization+of+tomographic+molecular+imaging%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Volumetric feature extraction and visualization of tomographic molecular imaging.</a> J Struct Biol. 144 (1-2), 132-143 (2003).</li>
<li>Lin, G., Adiga, U., Olson, K., Guzowski, J. F., Barnes, C. A., Roysam, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+hybrid+3D+watershed+algorithm+incorporating+gradient+cues+and+object+models+for+automatic+segmentation+of+nuclei+in+confocal+image+stacks%5BTitle%5D)+AND+%22Cytometry+A%22%5BJournal%5D)">A hybrid 3D watershed algorithm incorporating gradient cues and object models for automatic segmentation of nuclei in confocal image stacks.</a> Cytometry A. 56 (1), 23-36 (2003).</li>
<li>Volkmann, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+three-dimensional+variant+of+the+watershed+transform+for+segmentation+of+electron+density+maps%5BTitle%5D)+AND+%22Journal+of+Structural+Biology%22%5BJournal%5D)">A novel three-dimensional variant of the watershed transform for segmentation of electron density maps.</a> Journal of Structural Biology. 138 (1), 123-129 (2002).</li>
<li>Rigort, A., Günther, D., 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+%22Journal+of+structural+biology%22%5BJournal%5D)">Automated segmentation of electron tomograms for a quantitative description of actin filament networks.</a> Journal of structural biology. 177 (1), 135-144 (2012).</li>
<li>Cremers, D., Rousson, M., Deriche, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Statistical+Approaches+to+Level+Set+Segmentation%5BTitle%5D)+AND+%22Integrating+Color%2C+Texture%2C+Motion+and+Shape.+International+Journal+of+Computer+Vision%22%5BJournal%5D)">A Review of Statistical Approaches to Level Set Segmentation.</a> Integrating Color, Texture, Motion and Shape. International Journal of Computer Vision. 72 (2), 195-215 (2007).</li>
<li>Lin, Z., Davis, L. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shape-based+human+detection+and+segmentation+via+hierarchical+part-template+matching%5BTitle%5D)+AND+%22IEEE+Trans+Pattern+Anal+Mach+Intell%22%5BJournal%5D)">Shape-based human detection and segmentation via hierarchical part-template matching.</a> IEEE Trans Pattern Anal Mach Intell. 32 (4), 604-618 (2010).</li>
<li>Pettersen, E. F., Goddard, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UCSF+Chimera--a+visualization+system+for+exploratory+research+and+analysis%5BTitle%5D)+AND+%22J+Comput+Chem%22%5BJournal%5D)">UCSF Chimera--a visualization system for exploratory research and analysis.</a> J Comput Chem. 25 (13), 1605-1612 (2004).</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>Zhang, Q., Bettadapura, R., Bajaj, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Macromolecular+structure+modeling+from+3D+EM+using+VolRover+2.0%5BTitle%5D)+AND+%22Biopolymers%22%5BJournal%5D)">Macromolecular structure modeling from 3D EM using VolRover 2.0.</a> Biopolymers. 97 (9), 709-731 (2012).</li>
<li>Giannuzzi, L. A., Stevie, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+focused+ion+beam+milling+techniques+for+TEM+specimen+preparation%5BTitle%5D)+AND+%22Micron%22%5BJournal%5D)">A review of focused ion beam milling techniques for TEM specimen preparation.</a> Micron. 30 (3), 197-204 (1999).</li>
<li>Heymann, J. A. W., Hayles, M., Gestmann, I., Giannuzzi, L. A., Lich, B., Subramaniam, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Site-specific+3D+imaging+of+cells+and+tissues+with+a+dual+beam+microscope%5BTitle%5D)+AND+%22Journal+of+structural+biology%22%5BJournal%5D)">Site-specific 3D imaging of cells and tissues with a dual beam microscope.</a> Journal of structural biology. 155 (1), 63-73 (2006).</li>
<li>Knott, G., Rosset, S., Cantoni, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Focussed+ion+beam+milling+and+scanning+electron+microscopy+of+brain+tissue%5BTitle%5D)+AND+%22Journal+of+visualized+experiments+JoVE%22%5BJournal%5D)">Focussed ion beam milling and scanning electron microscopy of brain tissue.</a> Journal of visualized experiments JoVE. (53), e2588(2011).</li>
<li>Wirth, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Focused+Ion+Beam+%28FIB%29+combined+with+SEM+and+TEM%3A+Advanced+analytical+tools+for+studies+of+chemical+composition%2C+microstructure+and+crystal+structure+in+geomaterials+on+a+nanometre+scale%5BTitle%5D)+AND+%22Chemical+Geology%22%5BJournal%5D)">Focused Ion Beam (FIB) combined with SEM and TEM: Advanced analytical tools for studies of chemical composition, microstructure and crystal structure in geomaterials on a nanometre scale.</a> Chemical Geology. 261 (3-4), 217-229 (2009).</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), e329(2004).</li>
<li>Frangakis, A. S., Hegerl, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Noise+reduction+in+electron+tomographic+reconstructions+using+nonlinear+anisotropic+diffusion%5BTitle%5D)+AND+%22Journal+of+structural+biology%22%5BJournal%5D)">Noise reduction in electron tomographic reconstructions using nonlinear anisotropic diffusion.</a> Journal of structural biology. 135 (3), 239-250 (2001).</li>
<li>Jiang, W., Baker, M. L., Wu, Q., Bajaj, C., Chiu, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applications+of+a+bilateral+denoising+filter+in+biological+electron+microscopy%5BTitle%5D)+AND+%22Journal+of+Structural+Biology%22%5BJournal%5D)">Applications of a bilateral denoising filter in biological electron microscopy.</a> Journal of Structural Biology. 144 (1), 114-122 (2003).</li>
<li>Van der Heide, P., Xu, X. P., Marsh, B. J., Hanein, D., Volkmann, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+automatic+noise+reduction+of+electron+tomographic+reconstructions+based+on+iterative+median+filtering%5BTitle%5D)+AND+%22Journal+of+structural+biology%22%5BJournal%5D)">Efficient automatic noise reduction of electron tomographic reconstructions based on iterative median filtering.</a> Journal of structural biology. 158 (2), 196-204 (2007).</li>
<li>Schneider, C. A., Rasband, W. S., Eliceiri, K. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NIH+Image+to+ImageJ%3A+25+years+of+image+analysis%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">NIH Image to ImageJ: 25 years of image analysis.</a> Nat Methods. 9 (7), 671-675 (2012).</li>
<li>Schindelin, J., Arganda-Carreras, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fiji%3A+an+open-source+platform+for+biological-image+analysis%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fiji: an open-source platform for biological-image analysis.</a> Nat Methods. 9 (7), 676-682 (2012).</li>
<li>MathWorks. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22MATLAB%22">MATLAB</a>. , (2012).</li>
<li>Otsu, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Threshold+Selection+Method+from+Gray-Level+Histograms%5BTitle%5D)+AND+%22Systems%2C+Man+and+Cybernetics%2C+IEEE+Transactions+on%22%5BJournal%5D)">A Threshold Selection Method from Gray-Level Histograms.</a> Systems, Man and Cybernetics, IEEE Transactions on. 9, 62-66 (1979).</li>
<li>Vedaldi, A., Fulkerson, B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVedaldi%2C+A+%22VLFeat%3A+An+Open+and+Portable+Library+of+Computer+Vision+Algorithms%22">VLFeat: An Open and Portable Library of Computer Vision Algorithms</a>. , (2008).</li>
<li>Zhu, S. C., Guo, C., Wang, Y., Xu, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What+are+Textons%3F%5BTitle%5D)+AND+%22International+Journal+of+Computer+Vision%22%5BJournal%5D)">What are Textons?</a> International Journal of Computer Vision. 62 (1-2), 121-143 (2005).</li>
<li>Gagnon, L. H., Longo-Guess, C. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+chloride+intracellular+channel+protein+CLIC5+is+expressed+at+high+levels+in+hair+cell+stereocilia+and+is+essential+for+normal+inner+ear+function%5BTitle%5D)+AND+%22The+Journal+of+neuroscience+the+official+journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">The chloride intracellular channel protein CLIC5 is expressed at high levels in hair cell stereocilia and is essential for normal inner ear function.</a> The Journal of neuroscience the official journal of the Society for Neuroscience. 26 (40), 10188-10198 (2006).</li>
<li>Briand, P., Petersen, O. W., Van Deurs, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+diploid+nontumorigenic+human+breast+epithelial+cell+line+isolated+and+propagated+in+chemically+defined+medium%5BTitle%5D)+AND+%22In+vitro+cellular+%26+developmental+biology+journal+of+the+Tissue+Culture+Association%22%5BJournal%5D)">A new diploid nontumorigenic human breast epithelial cell line isolated and propagated in chemically defined medium.</a> In vitro cellular & developmental biology journal of the Tissue Culture Association. 23 (3), 181-188 (1987).</li>
<li>Petersen, O. W., Rønnov-Jessen, L., Howlett, A. R., Bissell, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interaction+with+basement+membrane+serves+to+rapidly+distinguish+growth+and+differentiation+pattern+of+normal+and+malignant+human+breast+epithelial+cells%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Interaction with basement membrane serves to rapidly distinguish growth and differentiation pattern of normal and malignant human breast epithelial cells.</a> Proceedings of the National Academy of Sciences of the United States of America. 89 (19), 9064-9068 (1992).</li>
<li>Shin, J. B., Krey, J. F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Molecular+architecture+of+the+chick+vestibular+hair+bundle%5BTitle%5D)+AND+%22Nature+neuroscience%22%5BJournal%5D)">Molecular architecture of the chick vestibular hair bundle.</a> Nature neuroscience. 16 (3), 365-374 (2013).</li>
<li>Yang, W., Zeng, Z., Max, N., Auer, M., Crivelli, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simplified+Surface+Models+of+Tubular+Bacteria+and+Cytoskeleta%5BTitle%5D)+AND+%22Journal+of+Information+%26+Computational+Science%22%5BJournal%5D)">Simplified Surface Models of Tubular Bacteria and Cytoskeleta.</a> Journal of Information & Computational Science. 9 (6), 1589-1598 (2012).</li>
</ol>

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents.

Traditionnellement, la microscopie électronique (EM) domaine a été divisé en 1) la branche de la biologie structurale à l&#39;aide de haut et très haute résolution TEM, généralement combinées avec les données implicites ou explicites moyenne pour enquêter sur l&#39;(3D) structure tridimensionnelle de complexes macromoléculaires avec une composition définie et généralement une taille relativement petite 1-4, et 2) la branche d&#39;imagerie cellulaire dans lequel paysages cellulaires entières sont visualisés 1,5,6. Tandis que la branche structurelle de biologie a connu un développement spectaculaire au cours des quatre dernières décennies, la branche de la biologie cellulaire a été la plupart du temps limitée à deux dimensions, souvent sur des échantillons moins-que-optimale conservés. Seulement avec l&#39;avènement de la tomographie électronique dans la dernière décennie a cellule biologique imagerie ultrastructurale élargi dans la troisième dimension 5,7, où la moyenne ne peuvent généralement pas être effectué comme les paysages cellulaires, et donc les caractéristiques d&#39;intérêt, sont généralement unique. Bien que les scènes cellulaires visualisées sont souvent capte le regard, une extraction efficace des éléments d&#39;intérêt et l&#39;analyse quantitative ultérieure de ces volumes cellulaires très complexes sont à la traîne, en partie parce que la composition de protéines précis est généralement inconnue, rendant donc difficile de les interpréter cellulaire volume 3D. À ce jour, une grande expertise biologique est souvent nécessaire pour interpréter les tomographies complexes, ou même pour identifier les régions importantes et des éléments essentiels dans le volume 3D. Comme une complication supplémentaire, la visualisation de volumes 3D est remarquablement non-trivial. Volumes 3D peuvent être considérés et donc visualisées sous forme de piles d&#39;images 2D. Inspection tranche par tranche d&#39;images 2D séquentielles réduit la complexité, mais il limite également dotées extraction et l&#39;analyse quantitative ainsi les deux dimensions. Cependant, pour la plupart des objets 3D, la représentation des volumes 3D comme un simple empilement de plans consécutifs conduit à une incomplètes uned perspective biaisée en 3D la nature d&#39;un système particulier. Modes alternatifs de l&#39;inspection visuelle nécessitent soit rendu de volume ou de la prestation de surface, qui, étant donné la nature souvent dense d&#39;un cellulaire volume peut facilement conduire à une vue obstruée d&#39;objets imbriqués ou écraser un utilisateur tout à fait, ce qui rend la segmentation manuelle interactive difficile. Pour remédier à ces obstacles, une grande variété d&#39;extraction de fonction automatisée (segmentation) approches ont été développées qui sont généralement soit densimètres ou 8-10 base gradient. Cependant, ces méthodes ont tendance à segmenter le volume entier, quel que soit les zones ou caractéristiques présentent un intérêt pour l&#39;expert, bien que certaines méthodes récentes peuvent cibler un élément spécifique d&#39;intérêt tels que des filaments d&#39;actine 11. De plus, les programmes d&#39;exécution de segmentation automatique peuvent parfois aboutir à la production d&#39;un grand nombre de sous-volumes (par exemple, lors de l&#39;application des bassins versants immersion segmentation) qui ont souvent besoin d&#39;être fusionnés manuellement dans comprenant l&#39;ensemble caractéristique d&#39;intérêt ou être soumis à une nouvelle segmentation. Cela est vrai en particulier pour les ensembles de données complexes et bondés, ainsi algorithmes informatiques les plus rendu sont incapables d&#39;extraire uniquement les éléments d&#39;intérêt avec fidélité, et les efforts de curation substantielles par un expert sont souvent nécessaires pour produire un volume segmenté souhaitée. En outre, des solutions personnalisées à un problème très spécifique sont souvent publiés sous forme d&#39;un document de réunion scientifique, avec peu ou pas l&#39;accent sur ce qui les rend large et des outils complets accessibles aux chercheurs qui n&#39;ont pas une connaissance approfondie des domaines des mathématiques, de l&#39;informatique et / ou infographie. Un environnement logiciel de programmation personnalisable, contenant une gamme de bibliothèques d&#39;analyse d&#39;image, peut être un ensemble d&#39;outils puissants permettant aux utilisateurs d&#39;écrire efficacement leurs propres modules de segmentation précise. Cependant, cette approche nécessite posteformation ensive et une formation en informatique afin de profiter de ses nombreuses fonctionnalités ou les capacités d&#39;analyse d&#39;image. On peut travailler dans un tel environnement logiciel polyvalent pour certains ensembles de données où les caractéristiques sont plus rares, par exemple, en utilisant des approches à base de forme-puissants qui reposent sur ​​la géométrie unique de «modèles» pour séparer les objets d&#39;intérêt de leur entourage 12,13 . Une foire variété de forfaits infographie de visualisation existent pour la segmentation manuel interactif et la construction de modèles. Certains paquets sont disponibles dans le commerce, tandis que d&#39;autres sont d&#39;origine académique et distribués gratuitement, tels que: l&#39;Université de Californie à San Francisco Chimera 14, Université du Colorado MID 15, et de l&#39;Université du Texas Austin VolumeRover 16. Cependant, le large éventail et la complexité des fonctions et capacités de ces programmes possèdent plus raide de la courbe d&#39;apprentissage pour each. Certains programmes de visualisation fournissent des modèles géométriques simples, tels que des billes et des bâtonnets de différentes tailles, qui peuvent être placés dans les cartes de densité afin de créer un modèle simplifié du volume 3D complexe. Ces modèles permettent alors des mesures géométriques et volumétriques simples et donc aller au-delà de l&#39;image &quot;jolie&quot;. Un tel suivi manuel des objets fonctionne bien pour les volumes où seul un petit nombre d&#39;objets doivent être retrouvés et extrait. Cependant, le développement récent de grand volume imagerie ultrastructural 3D utilisant la microscopie électronique à balayage d&#39;un faisceau d&#39;ions focalisé (FIB-SEM) de 17 à 20 ou la microscopie électronique à balayage de la face de bloc série (SBF-SEM) 21 présente la complication supplémentaire que la taille des données 3D ensembles peuvent aller de gigaoctets à des dizaines et des centaines de giga-octets, et même les téraoctets. Par conséquent, de tels volumes 3D sont pratiquement inaccessibles à l&#39;extraction manuelle de fonction, et donc efficace feat semi-automatique guidé par l&#39;utilisateurextraction ure sera l&#39;un des goulots d&#39;étranglement pour l&#39;analyse efficace des volumes 3D dans un avenir prévisible. Présenté voici quatre approches de segmentation différents qui sont couramment utilisés sur une large gamme de types d&#39;images biologiques. Ces méthodes sont ensuite comparés pour leur efficacité pour différents types d&#39;ensembles de données, ce qui permet une compilation en un guide pour aider les biologistes décident ce qui pourrait être la meilleure approche de segmentation pour l&#39;extraction de caractéristiques efficace de leurs propres données. Comme les manuels d&#39;utilisation détaillés sont disponibles pour la plupart des programmes décrits, le but n&#39;est pas de rendre les utilisateurs potentiels connaissent l&#39;un de ces paquets particuliers. Au lieu de cela, l&#39;objectif est de démontrer les forces et les limites respectives de ces stratégies de segmentation différents en les appliquant à six par exemple des ensembles de données avec des caractéristiques différentes. Par cette comparaison, un ensemble de critères ont été développés qui sont soit basées sur les caractéristiques de l&#39;image de l&#39;objectifEnsembles de données 3D, tels que le contraste des données, la précision, cohue, et de la complexité, ou de la tige de considérations subjectives, comme l&#39;objectif souhaité pour la segmentation, morphologie des fonctionnalités pour être segmentés, la densité de population des éléments d&#39;intérêt, ce qui signifie la fraction de le volume occupé par la fonction d&#39;intérêt, et la façon dont on procède de manière optimale avec des ressources limitées telles que le temps et la disponibilité du personnel. Ces différents ensembles de données d&#39;exemple illustrent comment ces critères objectifs et subjectifs peuvent être appliqués de façon séquentielle dans une variété de combinaisons pour obtenir un appariement de certaines approches d&#39;extraction de caractéristiques avec certains types d&#39;ensembles de données. Les recommandations données, nous l&#39;espérons aider les novices face à une grande variété d&#39;options de segmentation choisir l&#39;approche de segmentation plus efficace pour leur propre volume 3D. Bien que l&#39;accent de cet article est l&#39;extraction de caractéristiques, attention à la collecte de données et prétraitement des données est cruciale pour s efficacesegmentation. Souvent la coloration des échantillons peut être inégale, et, par conséquent, des artefacts de coloration potentiels doivent être pris en considération dans la procédure de segmentation. Toutefois, les taches donne habituellement signal-bruit élevé, et nécessite donc moins de filtrage et autre traitement mathématique des volumes cellulaires, qui pourraient résulter également en artefacts. Les ensembles de données d&#39;images brutes respectives doivent être acquises dans les réglages de contraste et de la caméra pixels corrects, alignés, et reconstruite dans un volume 3D. Pour les tomographies, les images reconstruites sont alignées en utilisant typiquement de rétroprojection pondérée, et ensuite l&#39;ensemble de données est généralement soumis à des algorithmes de débruitage comme non linéaire anisotrope diffusion 22, de filtrage 23 bilatérale, ou médian récursif filtration 24. Données d&#39;imagerie FIB-SEM et SBF-SEM sont alignés par tranches consécutives corrélation croisée dans les programmes utilisant XY tels que ImageJ 25. l&#39;amélioration du contraste et de filtrage peuvent être appliqués pour augmenter les caractéristiques d&#39;intérêt et donc de dé-bruit de la pile d&#39;images. Le filtrage peut être effectué soit sur la totalité du volume de sous-volume avant ou sélection sur les sous-volumes sélectionnés, à l&#39;approche de filtrage peuvent être coûteux en calcul. Sous-échantillonnage des données (binning), qui est parfois utilisé pour la réduction du bruit et / ou le fichier réduction de la taille, est seulement recommandé si les données ont été significativement sur-échantillonné par rapport à la résolution prévue. Après la réduction du bruit, les images traitées peuvent ensuite être segmentés par diverses méthodes, et la mise au point dans cette étude est sur les quatre éléments suivants: (1) Manuel génération de modèle abstrait en créant un modèle de boule-et-bâton, (2) le traçage manuel des caractéristiques d&#39;intérêt, (3) la densité en fonction de seuil automatique, et (4) la segmentation automatique sur mesure via un script pour projet segmentation spécifique. Segmentation limite de 8 et immersive segmentation des bassins versants 10 existe de meilleures alternatives à seuillage simple, mais they appartenir à la même catégorie et n&#39;ont pas été inclus explicitement dans cette discussion. Traçage manuel nécessite de densités présentant les caractéristiques d&#39;intérêt, tranche par tranche, ce qui permet le maintien de la densité initiale des zones de sous-cellulaires respectifs. Cette approche permet un contrôle maximal du processus de segmentation, mais est un processus fastidieux et de main-d&#39;œuvre. Approches de segmentation de la densité (et lié) à seuil automatiques sont semi-automatiques, où un algorithme choisit pixels basé sur un ensemble de paramètres définis par l&#39;utilisateur. Plusieurs (gratuit) paquets de visualisation d&#39;enseignement, tels que l&#39;UCSF Chimera, MID, Fidji 26, et VolumeRover sont disponibles, ainsi que commercial (nécessitant licences payées) des paquets, et les deux types comprennent généralement un ou plusieurs de ces approches de segmentation. Les logiciels utilisés dans ce travail pour illustrer ces différentes méthodes comprennent à la fois des programmes commerciaux et s ouvertes académiquesource programmes pour générer manuellement un modèle théorique, ainsi que le manuel et automatisé de segmentation densité. Cependant, les logiciels open source peut parfois offrir des options plus avancées grâce à la possibilité de personnalisation. Une comparaison de ces techniques à l&#39;aide de différents types d&#39;ensembles de données conduit à la présentation qui suit des règles et des conseils sur la façon d&#39;aborder la segmentation des divers volumes 3D de données biologiques, qui à notre connaissance n&#39;a pas encore été publiés. Ainsi, c&#39;est la première comparaison systématique des différentes approches et leur utilité sur des ensembles de données possédant des caractéristiques variées pour les utilisateurs ayant des objectifs différents.

<table><tbody><tr><td>Amira</td><td>FEI Visualization Sciences Group</td><td></td><td>http://www.vsg3d.com/amira/overview</td></tr><tr><td>Chimera</td><td>UCSF</td><td></td><td>http://www.cgl.ucsf.edu/chimera/</td></tr> <tr><td>Fiji/ImageJ</td><td>National Institute of Health</td><td></td><td>http://fiji.sc/Fiji, http://rsbweb.nih.gov/ij/</td></tr> <tr><td>IMOD</td><td>Boulder Laboratory for 3D Electron Microscopy of Cells</td><td></td><td>http://bio3d.colorado.edu/imod/</td></tr> <tr><td>Photoshop</td>, <td>Adobe</td><td></td><td>http://www.adobe.com/products/ photoshopfamily.html</td></tr><tr><td>MATLAB</td>, <td>MathWorks</td><td></td><td>http://www.mathworks.com/</td></tr> <tr><td>VLFeat</td>, <td>VLFeat</td><td></td><td>http://www.vlfeat.org/</td></tr></tbody></table>

de voxels à la connaissance: un guide pratique de la segmentation du complexe microscopie électronique 3d-données

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Méthodes de microscopie électronique 3D modernes ont récemment permis analyse sans précédent dans l&#39;organisation ultrastructurale 3D de cellules et de tissus, ce qui permet la visualisation de grandes machines macromoléculaires, tels que les complexes d&#39;adhérence, ainsi que les structures d&#39;ordre supérieur, tels que le cytosquelette et des organites cellulaires dans leur cellule respective et le contexte tissulaire. Compte tenu de la complexité inhérente des volumes cellulaires, il est essentiel de d&#39;abord extraire les caractéristiques d&#39;intérêt afin de permettre la visualisation, la quantification, et donc la compréhension de leur organisation en 3D. Chaque jeu de données est définie par des caractéristiques distinctes, par exemple, le rapport signal-sur-bruit, netteté (netteté) des données, l&#39;hétérogénéité de ses fonctions, entassement des caractéristiques, la présence ou l&#39;absence de formes caractéristiques qui permettent d&#39;identifier facilement, et le pourcentage de la totalité du volume qu&#39;une région d&#39;intérêt spécifique occupe. Toutes ces caractéristiques doivent être considéréesau moment de décider sur l&#39;approche à adopter pour la segmentation. Les six ensembles de données ultrastructurale 3D différents présentés ont été obtenus par imagerie en trois différentes approches: la tomographie électronique teinté intégré de résine, d&#39;ions focalisé BEAM et la microscopie électronique à balayage face-bloc de série (FIB-SEM, SBF-SEM) des échantillons légèrement colorées et fortement colorées , respectivement. Pour ces ensembles de données, quatre approches de segmentation différentes ont été appliquées: (1) le renforcement entièrement manuel modèle suivi uniquement par la visualisation du modèle, (2) le traçage manuel segmentation des données suivies par la fonte de surface, (3) des approches semi-automatiques suivies par le rendu de surface, ou des algorithmes de segmentation conçu sur mesure (4) automatisés suivis par la fonte de surface et de l&#39;analyse quantitative. En fonction de la combinaison de caractéristiques d&#39;ensemble de données, il a été constaté que généralement l&#39;une de ces quatre approches catégoriques surpasse les autres, mais en fonction de la séquence exacte de critères, more d&#39;une approche peut être couronnée de succès. Sur la base de ces données, nous proposons un système de triage qui permet de classer les objectifs caractéristiques des ensembles de données et des critères subjectifs personnels pour l&#39;analyse des différents ensembles de données.

Le goulot d&#39;étranglement pour la microscopie électronique 3D cellulaire est l&#39;extraction de caractéristiques (segmentation) dans des cartes très complexes de densité 3D. Nous avons développé un ensemble de critères, qui fournit des précisions sur l&#39;approche de segmentation (manuel, semi-automatique ou automatique) est le mieux adapté pour différents types de données, fournissant ainsi un point de départ pour la segmentation efficace.

De voxels à la connaissance: Un guide pratique de la segmentation du complexe microscopie électronique 3D-données

Modern 3D electron microscopy approaches have recently allowed unprecedented insight into the 3D ultrastructural organization of cells and tissues, ...

L'objectif général de l'expérience suivante est de segmenter des caractéristiques d'intérêt à partir de jeux de données complexes de microscopie électronique en 3D de cellules et de tissus, afin d'analyser leur organisation tridimensionnelle. Cela est réalisé en collectant un jeu de données composé d'images individuelles de microscopie électronique. Les données brutes en 2D sont ensuite reconstruites en un volume 3D, filtrées pour réduire le bruit et améliorer les caractéristiques d'intérêt. Dans une deuxième étape, les caractéristiques objectives et subjectives des données sont évaluées afin de guider le choix optimal de la méthode de segmentation.Ensuite, soit une abstraction manuelle, la génération de modèles ou le tracé manuel des caractéristiques d'intérêt. Une segmentation automatisée basée sur la densité ou une segmentation automatisée sur mesure est effectuée pour extraire les caractéristiques d'intérêt. Les résultats montrent des modèles segmentés tridimensionnels finaux des caractéristiques d'intérêt, basés sur les caractéristiques d'image triées et les objectifs personnels permettant de choisir l'approche de segmentation optimale.Une comparaison entre les différentes approches pour les différents jeux de données aidera à sélectionner la stratégie de segmentation appropriée. Nous démontrons diverses méthodes pour l'extraction des caractéristiques d'intérêt. Étant donné la complexité des volumes de microscopie électronique subcellulaire, chaque approche présente ses avantages et ses limites.En général, les personnes novices en segmentation peuvent éprouver des difficultés, car il n'est pas toujours évident d'identifier la meilleure approche pour différents ensembles de données. En plus des déballages d'étudiants diplômés. Tai démontrant la procédure sera BU en tant que postdoctorant automobile.Dans mon laboratoire, Amit Hassan, chercheur associé dans mon laboratoire, et Joaquin Korea, ingénieur en systèmes informatiques dans mon laboratoire, le modèle abstrait manuel est utilisé lorsque l'objectif unique est de créer un modèle géométrique afin d'effectuer des mesures géométriques. Pour commencer, importez le volume de données dans un programme approprié. Pour la génération de modèles abstraits manuels, le logiciel Kymera est utilisé dans cette démonstration.Tout d'abord, sélectionnez un fichier et ouvrez-le pour afficher la boîte de dialogue d'ouverture, puis accédez à l'emplacement du fichier de la carte souhaitée. Ensuite, ouvrez le visualiseur de volume et choisissez le style d'affichage des caractéristiques afin d'afficher les données selon différents styles de rendu. Ajustez le seuil d'affichage en déplaçant la barre verticale sur l'histogramme dans la fenêtre du visualiseur de volume.Parcourez le volume 3D pour sélectionner une zone d'intérêt à segmenter et recadrez un sous-volume plus petit si nécessaire. Dans la boîte de dialogue du visualiseur de volume, sélectionnez les éléments, puis la sous-région ; cliquez et faites glisser pour créer un rectangle autour de la zone d'intérêt. Placez ensuite des marqueurs le long de l'élément d'intérêt et reliez-les avec des connecteurs là où cela est approprié, jusqu'à ce que le modèle soit complet.Pour y parvenir depuis la barre de menu du visualiseur de volume, sélectionnez Outils, dialogue Traceur de volume. Pour ouvrir la boîte de dialogue du traceur de volume, sélectionnez Fichier, Nouvel ensemble de marqueurs. Dans la boîte de dialogue du traceur de volume, cochez Souris, placer des marqueurs sur haute densité, placer des marqueurs sur les données, les plans déplacent et redimensionnent les marqueurs, relier un nouveau marqueur au marqueur sélectionné et relier les marqueurs sélectionnés consécutivement.Ensuite, dans la fenêtre du traceur de volume, sélectionnez les marqueurs à l'aide du bouton droit de la souris et insérez les rayons pour les marqueurs et les liens. Ensuite, cliquez avec le bouton droit sur les données de volume pour commencer à placer les marqueurs. Les marqueurs seront automatiquement reliés dans la boîte de dialogue du traceur de volume.Sélectionnez le fichier, enregistrez le marqueur actuel. Définissez ensuite le marqueur de fermeture du fichier. Définissez. Ouvrez un nouveau jeu de marqueurs pour commencer à construire un modèle dans une deuxième caractéristique d'intérêt.Utilisez des couleurs contrastées entre les jeux de marqueurs pour souligner les différences entre les caractéristiques. Le traçage manuel des caractéristiques d'intérêt est une méthode chronophage utilisée lorsque la densité de population est relativement faible et lorsque la précision de l'extraction des caractéristiques est primordiale. Pour commencer, importez les données volumétriques dans un logiciel disposant d'options de traçage manuel.Cette fonctionnalité offre généralement un outil de base de pinceau. Dans cette démonstration, le logiciel Amira est utilisé pour des tomographies de grande taille. Sélectionnez « Ouvrir les données » et cliquez avec le bouton droit sur le nom du fichier rec.Ensuite, cliquez sur format, sélectionnez « raw » comme données de grand disque. OK, puis chargez. Sélectionnez les paramètres de données brutes appropriés dans les informations d'en-tête et cliquez sur OK.Activer et enregistrer sous un nouveau nom de fichier. fichier am. Pour une séquence d'images 3D, sélectionner ouvrir les données et choisir le nom de fichier tiff ou le nom de fichier dot mrmc.Ensuite, basculez, cliquez avec le bouton droit et sélectionnez « Enregistrer sous » avec le nom de fichier am. Dans la fenêtre du visualiseur 3D, sélectionnez la coupe ortho pour ouvrir le fichier image. Utilisez ensuite le curseur situé en bas pour naviguer à travers les coupes afin de recadrer les données plus volumineuses ouvertes en tant que données de grand disque.Activez le nom du fichier dans la fenêtre de regroupement, cliquez avec le bouton droit et sélectionnez l'accès à la maille. Saisissez la taille de boîte souhaitée, déplacez la boîte vers la zone souhaitée, puis cliquez sur Appliquer. Enregistrez le nouveau fichier.Ensuite, créez un fichier de segmentation en basculant le fichier dans la fenêtre de la piscine. Puis, cliquez avec le bouton droit et sélectionnez le champ d'étiquetage. Un nouveau fichier sera créé et chargé automatiquement dans l'onglet de l'éditeur de segmentation ainsi que dans la piscine d'objets.Utilisez l'outil pinceau pour tracer la bordure de la première caractéristique d'intérêt. Modifiez la taille du pinceau selon vos préférences, puis utilisez le pointeur de la souris pour tracer le contour de la caractéristique d'intérêt. Remplissez la zone tracée à l'aide du raccourci F. Ajoutez la sélection en cliquant sur le bouton comportant le symbole plus.Suivez la caractéristique d’intérêt à travers toutes les coupes et répétez la segmentation par tracé manuel. Générez une représentation en surface pour la visualisation et une analyse qualitative ou quantitative de base conformément aux instructions du guide utilisateur du logiciel dans l’onglet du groupe d’objets ; activez les étiquettes des noms de fichiers « am » dans la fenêtre du groupe. Ensuite, cliquez avec le bouton droit et sélectionnez « surface gen ».Sélectionnez les propriétés de surface souhaitées et cliquez sur appliquer. Un nouveau fichier nommé surf sera créé dans la piscine. Pour visualiser le volume segmenté, activez le fichier nommé surf dans la fenêtre de la piscine.Ensuite, cliquez avec le bouton droit et sélectionnez la vue de surface. Générez une surface pour la visualisation et l'analyse qualitative comme décrit dans le protocole écrit. Une segmentation automatisée basée sur la densité est utilisée sur des ensembles de données présentant n'importe quelle variété de contraste, netteté ou encombrement, afin d'isoler les densités d'intérêt avant d'importer les données volumétriques dans un programme doté d'un outil de baguette magique par seuil ou d'autres outils basés sur la densité permettant une segmentation automatique.Comme dans la technique de traçage manuel des caractéristiques d'intérêt, le logiciel Amira est utilisé dans cette démonstration pour les caractéristiques dépourvues de marges clairement discernables. Utilisez l'outil de seuil en sélectionnant l'icône de seuil. Ajustez un curseur afin de régler la densité dans la plage souhaitée, de sorte que seules les caractéristiques d'intérêt soient masquées.Cliquez sur le bouton de sélection, puis ajoutez une sélection en cliquant sur le bouton avec le symbole plus ou à l’aide du raccourci. Générez une surface pour la visualisation et l’analyse qualitative comme décrit dans le protocole textuel. Toutes une quatrième approche.La segmentation automatisée sur mesure peut être utilisée pour segmenter efficacement de grands ensembles de données, mais nécessite des connaissances dans des programmes tels que matlab. Veuillez consulter la vidéo supplémentaire sur la segmentation sur mesure pour obtenir des instructions étape par étape concernant cette méthode. Six jeux de données exemples ont été segmentés selon quatre approches : génération manuelle de modèles abstraits, tracé manuel des caractéristiques d'intérêt, segmentation automatisée basée sur la densité et segmentation automatisée sur mesure. La génération manuelle de modèles abstraits s'est révélée efficace pour la résine.La tomographie incluse colorée des stéréocils avait pour objectif de créer un modèle à des fins quantitatives, plutôt que d'extraire des densités exactes pour la tomographie incluse colorée de la paroi cellulaire d'une plante. La segmentation automatisée basée sur la densité s'est révélée la plus efficace pour extraire rapidement la cellulose à travers de nombreuses coupes. Les méthodes manuelles ont exigé davantage d'efforts, mais seulement sur quelques coupes de données.La génération manuelle de modèles abstraits a produit le triplet de microtubules dans la tomographie en coupe du kinocilié, tandis que les deux approches automatisées ont extrait les densités plus rapidement et ont donc été privilégiées en raison de la forme des mitochondries provenant de faisceaux d'ions focalisés, en microscopie électronique à balayage de cellules épithéliales mammaires. Le traçage manuel a fourni le résultat le plus net, et la faible densité cellulaire a permis une segmentation rapide. Étant donné le grand volume qui devait être segmenté, une segmentation automatisée sur mesure s'est révélée la plus efficace pour segmenter les données bactériennes de microscopie électronique à balayage en coupes en série. Bien que cela soit chronophage, la seule méthode permettant d’extraire le faisceau d’ions focalisés en microscopie électronique à balayage de la membrane de cellules épithéliales mammaires était le tracé manuel. Le développement des approches de segmentation ouvre la voie aux chercheurs de ce domaine émergent de la biologie cellulaire structurale pour explorer et déterminer l’architecture tridimensionnelle des cellules au niveau des complexes macromoléculaires, des organites et des cellules, dans une grande variété de cultures cellulaires, de cultures d’organoïdes ou d’organismes modèles. Après avoir visionné cette vidéo, vous devriez avoir une bonne compréhension de la manière de choisir et d’appliquer l’approche de segmentation optimale pour votre jeu de données.

from-voxels-to-knowledge-practical-guide-to-segmentation-complex

Research

Recherche

JoVE Journal

Bioengineering

Bioingénierie

Ici, nous présentons une méthode, cocem3D, pour dévoiler l’ultrastructure d’une cellule spécifique dans son tissu natif en faisant le pont entre la microscopie électronique à balayage confocale et sérielle.

Corrélative confocale et microscopie électronique 3D d&#39;une cellule sensorielle spécifique

Segmentation des données tridimensionnelles de nombreuses techniques d’imagerie est un goulot d’étranglement majeur dans l’analyse des systèmes biologiques complexes. Nous décrivons ici l’utilisation de SuRVoS établi à semi-automatiquement segment volumétrique des données diverses échelles de longueur à l’aide d’ensembles de données exemple de tomographie cryo-électronique, cryo tomographie à rayons x mou et techniques de tomographie aux rayons x phase contraste.

Volume de Segmentation et analyse des matériaux biologiques à l’aide de Workbench SuRVoS (Super-région Volume Segmentation)

Le pipeline décrit est conçu pour la segmentation des ensembles de données de microscopie électronique plus grands que les gigaoctets, afin d'extraire des morphologies de cellules entières. Une fois que les cellules sont reconstruites en 3D, un logiciel personnalisé conçu autour de besoins individuels peut être utilisé pour effectuer une analyse qualitative et quantitative directement en 3D, en utilisant également la réalité virtuelle pour surmonter l'occlusion de vue.

Une méthode pour la reconstruction 3D et l'analyse de la réalité virtuelle des cellules gliales et neuronales

Ici, nous présentons un protocole pour combiner efficacement la face de bloc de série et la microscopie électronique focalisée de faisceau d'ions pour cibler une zone d'intérêt. Cela permet une recherche efficace, en trois dimensions, et la localisation d'événements rares dans un grand champ de vision.

Études ciblées utilisant le visage de bloc en série et la microscopie électronique focalisée de faisceau d'ion

Nous décrivons la préparation de rubans de sections série et leur collecte sur un grand support de transfert pour une utilisation en tant qu’échantillons de tomographie en réseau, ainsi que des procédures d’imagerie automatisées dans un microscope électronique à balayage. Le protocole permet le dépistage, la récupération et l’imagerie ciblée d’événements locaux rares, ainsi que l’acquisition de grands volumes de données.

Flux de travail de tomographie en réseau pour l’acquisition ciblée d’informations de volume à l’aide de la microscopie électronique à balayage

Nous décrivons ici des outils et des méthodes de calcul qui permettent la visualisation et l’analyse de données d’images tridimensionnelles et quadridimensionnelles d’embryons de souris dans le contexte de l’allongement axial et de la segmentation, obtenues par tomographie par projection optique in toto, et par imagerie en direct et coloration par immunofluorescence en monture entière à l’aide de la microscopie multiphotonique.

Approches de visualisation et d’analyse tridimensionnelles et quadridimensionnelles pour étudier l’allongement et la segmentation axial des vertébrés

Ici, un protocole décrivant les étapes de préparation des échantillons et de collecte de données requises en cryomodensitométrie à rayons X mous (SXT) pour imager l’ultrastructure de cellules entières cryo-préservées à une résolution de 25 nm demi-pas, est présenté.

Une description cartographique 3D de la cellule par cryo tomographie par rayons X mous

Il s’agit d’une méthode d’entraînement d’un U-Net multi-coupes pour la segmentation multi-classe de tomogrammes cryo-électroniques en utilisant une partie d’un tomogramme comme entrée d’apprentissage. Nous décrivons comment déduire ce réseau à d’autres tomogrammes et comment extraire des segmentations pour des analyses plus approfondies, telles que la moyenne des sous-tomogrammes et le traçage filamentaire.

Segmentation basée sur l’apprentissage profond des tomogrammes cryoélectroniques

La cryo-tomographie électronique (cryo-ET) permet de visualiser en 3D l’ultrastructure cellulaire à une résolution nanométrique, mais la segmentation manuelle reste longue et complexe. Nous présentons un nouveau flux de travail qui intègre un logiciel de réalité virtuelle avancé pour segmenter les tomogrammes cryo-ET, démontrant ainsi son efficacité grâce à la segmentation des mitochondries dans les cellules de mammifères.

Exploiter la réalité virtuelle pour la segmentation et l’analyse immersives des données de cryo-tomographie électronique

Nous démontrons la fabrication d'une scène à faible coût cryogénique conçu pour s'adapter à la plupart des microscopes optiques réfléchie. Cette étape de laboratoire construit cryogénique permet efficace et fiable d'imagerie corrélative entre la Cryo-lumière et cryo-microscopie électronique.

Low-Cost Cryo-Lumière de fabrication étape par microscopie lumineuse corrélées / Electron Microscopy

Apprenez à segmenter des données de microscopie électronique 3D complexes pour l'analyse de structures cellulaires. Cette méthode compare les approches manuelles et automatisées pour extraire les caractéristiques d'intérêt.

De voxels à la connaissance: Un guide pratique de la segmentation du complexe microscopie électronique 3D-données

Explorer plus de vidéos