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

L’objectif global de cette procédure est de segmenter semi-automatiquement des ensembles de données volumétriques complexes de nature biologique. Cette méthode peut aider à répondre à des questions clés dans le domaine de la biologie structurale en permettant l’analyse qualitative et quantitative de données volumétriques. Le principal avantage de cette technique est que, bien que cette méthode puisse fournir un aperçu des ensembles de données biologiques, elle peut également être appliquée à d’autres domaines tels que la science des matériaux.

Ce logiciel utilise un flux de travail différent de celui des programmes de segmentation, ce qui peut causer des difficultés initiales lors de la première utilisation de SuRVoS. Par conséquent, une démonstration visuelle est essentielle pour comprendre ce nouveau flux de travail. La segmentation de grandes régions bien définies à l’aide de l’entraînement d’un modèle est démontrée sur un ensemble de données de tomographie à rayons X à contraste de phase.

Pour commencer cette procédure, lancez l’établi SuRVoS. Cliquez sur le bouton Ouvrir l’ensemble de données et sélectionnez le fichier de données à segmenter dans la fenêtre contextuelle résultante. Choisissez une orientation appropriée pour le jeu de données.

Ensuite, choisissez un dossier dans lequel stocker l’espace de travail et les fichiers associés. Cliquez sur le bouton Charger. Dans l’onglet Sélectionner le retour sur investissement, saisissez les coordonnées de début et de fin X, Y et Z pour notre région qui nous intéresse, puis cliquez sur Ajouter.

Une fois qu’une section est ajoutée, assurez-vous qu’elle est sélectionnée en cochant la case à droite. Ensuite, dans l’onglet Canaux de fonctionnalités, utilisez le menu déroulant pour choisir une fonctionnalité et l’ajouter à la file d’attente. Modifiez les options spécifiques à la fonctionnalité et choisissez le jeu de données d’entrée sur lequel exécuter la fonctionnalité.

Cochez la case à droite du nom de la fonctionnalité à calculer. Plusieurs entités peuvent être exécutées sur le même ensemble de données et les entités calculées peuvent être utilisées comme ensembles de données d’entrée pour un traitement ultérieur. Choisissez ensuite l’onglet Super régions.

Dans la section Super Voxels, utilisez le menu déroulant pour sélectionner l’ensemble de données filtrées à partir duquel les super voxels seront créés. Spécifiez la forme, l’espacement et la compacité. Cliquez sur le bouton Appliquer pour générer les super voxels.

Pour évaluer la qualité des super voxels, affichez-les seuls sans que les données ne soient superposées. Si les caractéristiques d’intérêt des données sont toujours visibles dans les super voxels seuls, ils représentent bien les données. Dans l’onglet Annotation, cliquez sur le bouton Ajouter un niveau pour ajouter un niveau d’annotation.

Cliquez sur le bouton Ajouter une étiquette dans le niveau nouvellement créé pour ajouter une étiquette à l’annotation. Ensuite, dans la section des raccourcis de l’outil, sélectionnez l’icône du stylo. Un ensemble d’options s’affiche en haut du volet de visualisation.

Sélectionnez l’option super voxels et un stylet de largeur moyenne pour commencer à créer des données d’entraînement pour l’entraînement du modèle. Cliquez sur la case située à l’extrême droite des informations sur l’étiquette pour sélectionner l’étiquette à annoter. Cliquez ensuite et faites glisser dans le volet de visualisation pour annoter plusieurs super voxels.

Dans l’onglet Entraînement du modèle, définissez le niveau de prédiction sur le niveau qui contient les annotations d’entraînement manuel. Ensuite, dans la section descripteur, réglez la région sur super voxels. Cliquez sur le menu déroulant Sélectionner des sources et cochez les cases des fonctionnalités ou des filtres de votre choix pour sélectionner les descripteurs qui seront utilisés pour différencier les régions de données.

Cliquez sur le bouton Pronostiquer. Une fois le calcul terminé, le volet de visualisation est mis à jour avec des prédictions de l’étiquette d’annotation à laquelle appartient chaque voxel non étiqueté. Après avoir évalué l’effet des méthodologies d’entraînement et en avoir choisi une, cliquez sur la liste déroulante Affiner dans la section d’affinement pour appliquer un affinement supplémentaire.

En bas de l’onglet d’entraînement du modèle, dans la section Mettre à jour les annotations, assurez-vous que le menu déroulant de visualisation est défini sur Prédictions. Ensuite, utilisez le curseur de confiance pour attribuer plus ou moins de super voxels non annotés aux étiquettes d’annotations sélectionnées. Une fois qu’un niveau de confiance approprié a été sélectionné, cliquez sur les boutons Enregistrer en regard des étiquettes en bas de l’outil de confiance pour enregistrer les prédictions dans des étiquettes spécifiques.

Le volet de visualisation sera mis à jour pour refléter les modifications apportées. Si nécessaire, répétez l’entraînement du modèle avec des précisions supplémentaires et des prédictions de haut niveau de confiance jusqu’à ce qu’il n’y ait plus ou peu de super voxels non étiquetés. La segmentation de régions plus petites et plus complexes à l’aide de superrégions est démontrée sur un ensemble de données de cryotomographie électronique.

Après avoir ajouté les niveaux et les étiquettes appropriés dans l’onglet d’annotation, sélectionnez l’étiquette. À l’aide d’un stylet de largeur moyenne, commencez à annoter avec les super voxels sélectionnés. Une stratégie de segmentation de super-région consiste à segmenter rapidement sur une tranche, à déplacer quelques tranches au-dessus ou en dessous et à combler les lacunes de la nouvelle tranche.

De cette façon, les tranches intermédiaires seront également annotées avec moins d’effort de la part de l’utilisateur. Ensuite, pour nettoyer davantage les annotations, sélectionnez l’étiquette de segmentation et l’une des méthodes de raffinement morphologique. Entrez une valeur de rayon et choisissez le mode d’application de la méthode d’affinement (affinement fine).

Cliquez ensuite sur Affiner. La classification et l’analyse des objets de données sont démontrées sur un ensemble de données de tomographie à rayons X cryo-soft. Après avoir entièrement segmenté les données, cliquez sur le deuxième onglet du volet de visualisation appelé Répartiteur d’étiquettes.

Une nouvelle zone, le volet de création de règles, sera ajoutée sur le côté droit de la fenêtre. En haut du volet de création de règle, sélectionnez le niveau et les étiquettes pour le fractionnement des étiquettes. Ensuite, sélectionnez l’ensemble de données à interroger et cliquez sur Étiquette.

Chaque objet des étiquettes sélectionnées sera désormais encadré en bleu en tant qu’objets distincts dans le volet de visualisation. Le volet de création de règles contiendra désormais un graphique montrant l’intensité moyenne des objets. Cliquez sur la liste déroulante en haut à droite pour modifier la mesure affichée.

Ensuite, cliquez sur Ajouter une nouvelle étiquette en bas du volet de création de règle pour commencer à diviser les objets en classes appropriées. Cliquez sur Ajouter une nouvelle règle et utilisez les zones déroulante et de saisie libre pour définir la règle à appliquer. Cliquez sur Appliquer pour voir les effets de la nouvelle règle dans le volet de visualisation et sur le tracé dans le volet de création de règle.

Une fois que tous les objets d’intérêt ont été classés, accédez à l’onglet Annotations. Créez un nouveau niveau vide. Choisissez ensuite ce nouveau niveau dans l’onglet de création de règles et cliquez sur Enregistrer les étiquettes.

Cliquez sur l’onglet Statistiques d’étiquette sur le bord du volet de visualisation pour ouvrir un nouveau volet de visualisation qui peut être utilisé pour comprendre les relations entre les classes d’objets. En haut, sélectionnez le niveau et les libellés appropriés, ainsi que l’ensemble de données à interroger. Sélectionnez ensuite quelques mesures qui vous intéressent en cochant les cases à côté d’elles.

Cliquez sur Étiquette pour produire des graphiques de comparaison par paires pour chacune des mesures sélectionnées. Si une mesure doit être ajoutée ou supprimée, cochez la case appropriée, puis cliquez sur Mettre à jour le tracé. Dans cette étude, deux stratégies de segmentation et un outil de classification dans l’atelier SuRVoS sont présentés.

Pour l’entraînement du modèle, un jeu de données à contraste relativement élevé avec des limites définissant la région est chargé. Les données sont filtrées et limitées pour rendre l’arrière-plan, le premier plan et les structures internes plus distincts. Les super-voxels sont ensuite construits au-dessus de l’ensemble de données filtrées.

Une fois la qualité des super voxels évaluée, des annotations manuelles sont effectuées pour entraîner le classificateur à prédire les zones correspondant à l’arrière-plan, aux poils du fruit, au matériel de graine et à la chair environnante. Des raffinements morphologiques sont utilisés pour nettoyer la segmentation en remplissant les trous. Pour la segmentation par super-région, un ensemble de données bruyant et complexe est chargé.

Ensuite, un jeu de filtres approprié est appliqué à la région d’intérêt sélectionnée. Après l’entraînement et la segmentation du modèle, des annotations manuelles rapides sont utilisées toutes les cinq à 10 tranches pour sélectionner les super voxels qui décrivent la caractéristique d’intérêt. Le fractionnement des étiquettes est ensuite démontré à l’aide d’un ensemble de données avec de nombreux organites variés.

Tout d’abord, un filtre de variation totale approprié est utilisé pour améliorer les limites des organites. Les organites sont segmentés semi-manuellement à l’aide de méga voxels et de super voxels et le raffinage est utilisé pour remplir les trous et lisser les bords. Le séparateur d’étiquettes est utilisé pour visualiser chaque organite en tant qu’objet dans l’ensemble de données, puis pour visualiser diverses caractéristiques de chaque objet dans le tracé de données.

Ici, des règles ont été créées pour séparer les organites en cinq classes distinctes en fonction de leurs propriétés héréditaires, par exemple leur taille ou leur intensité moyenne. Le séparateur d’étiquettes peut être utilisé pour produire des informations quantitatives sur les données et commencer à comprendre le contexte cellulaire. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de l’utilisation de l’établi SuRVoS pour la segmentation semi-automatique.

Grâce à cette procédure, il est possible d’effectuer des comparaisons entre plusieurs états biologiques afin de répondre à des questions, par exemple sur les maladies de type sauvage, puis sur les affections traitées. Une fois maîtrisée, cette technique peut accélérer le processus de segmentation d’environ cinq fois si elle est exécutée correctement. En suivant cette procédure, des programmes de visualisation peuvent être utilisés pour afficher les résultats pour la publication et la réalisation de films.