Volume di segmentazione e analisi dei materiali biologici utilizzando SuRVoS (Super regione Volume segmentazione) Workbench

L'obiettivo generale di questa procedura è quello di segmentare in modo semiautomatico complicati set di dati volumetrici di natura biologica. Questo metodo può aiutare a rispondere a domande chiave nel campo della biologia strutturale, consentendo l'analisi qualitativa e quantitativa dei dati volumetrici. Il vantaggio principale di questa tecnica è che in Sebbene questo metodo possa fornire informazioni sui set di dati biologici, può essere applicato anche ad altri campi come la scienza dei materiali.

Questo software utilizza un flusso di lavoro diverso come i programmi di segmentazione, il che può causare difficoltà iniziali quando si utilizza SuRVoS per la prima volta. Pertanto, la dimostrazione visiva è fondamentale per comprendere questo nuovo flusso di lavoro. La segmentazione di grandi regioni ben definite utilizzando l'addestramento del modello è dimostrata su un set di dati di tomografia a raggi X a contrasto di fase.

Per iniziare questa procedura, avviare il workbench SuRVoS. Fare clic sul pulsante Apri set di dati e selezionare il file di dati da segmentare nel popup risultante. Scegliere un orientamento appropriato per il set di dati.

Quindi, scegli una cartella in cui archiviare l'area di lavoro e i file associati. Fare clic sul pulsante Carica. Nella scheda Seleziona ROI, inserisci le coordinate di inizio e fine X, Y e Z per il nostro interesse regionale e fai clic su Aggiungi.

Una volta aggiunta una sezione, assicurati che sia selezionata selezionando la casella a destra. Successivamente, nella scheda Canali funzionalità, utilizza il menu a discesa per scegliere una funzionalità e aggiungerla alla coda. Modificare le opzioni specifiche della funzionalità e scegliere il set di dati di input su cui eseguire la funzionalità.

Fare clic sulla casella di controllo a destra del nome della funzione da calcolare. È possibile eseguire più funzionalità sullo stesso set di dati e le funzionalità calcolate possono essere utilizzate come set di dati di input per un'ulteriore elaborazione. Quindi scegli la scheda Super Regioni.

Nella sezione Super Voxels, utilizza il menu a discesa per selezionare il set di dati filtrato da cui verranno creati i Super Voxel. Specificare la forma, la spaziatura e la compattezza. Fare clic sul pulsante Applica per generare i super voxel.

Per valutare la qualità dei super voxel, visualizzali da soli senza sovrapporre i dati. Se le caratteristiche di interesse dei dati sono ancora visibili solo nei super voxel, rappresentano bene i dati. Nella scheda Annotazione, fare clic sul pulsante Aggiungi livello per aggiungere un livello di annotazione.

Fare clic sul pulsante Aggiungi etichetta nel livello appena creato per aggiungere un'etichetta per l'annotazione. Successivamente, nella sezione della scorciatoia dello strumento, seleziona l'icona della penna. Nella parte superiore del riquadro di visualizzazione verrà visualizzato un set di opzioni.

Selezionare l'opzione super voxels e una penna di larghezza media per iniziare a creare i dati di addestramento per l'addestramento del modello. Fare clic sulla casella all'estrema destra delle informazioni sull'etichetta per selezionare l'etichetta da annotare. Quindi fare clic e trascinare nel riquadro di visualizzazione per annotare più super voxel.

Nella scheda Addestramento modello impostare il livello di previsione sul livello che contiene le annotazioni di addestramento manuale. Quindi, nella sezione del descrittore, imposta la regione su super voxels. Fare clic sul menu a discesa Seleziona fonti e selezionare le caselle per le caratteristiche o i filtri desiderati per selezionare i descrittori che verranno utilizzati per differenziare le regioni di dati.

Fare clic sul pulsante Prevedi. Al termine del calcolo, il riquadro di visualizzazione si aggiornerà con le previsioni dell'etichetta di annotazione a cui appartiene ogni voxel non etichettato. Dopo aver valutato l'effetto delle metodologie di formazione e averne scelta una, fai clic sul menu a discesa Perfeziona nella sezione di perfezionamento per applicare ulteriori perfezionamenti.

Nella parte inferiore della scheda di addestramento del modello nella sezione Aggiorna annotazioni, assicurarsi che il menu a discesa della visualizzazione sia impostato su previsioni. Quindi, usa il cursore di sicurezza per assegnare più o meno super voxel non annotati alle etichette delle annotazioni selezionate. Dopo aver selezionato un livello di confidenza appropriato, fare clic sui pulsanti Salva accanto alle etichette nella parte inferiore dello strumento di attendibilità per salvare le previsioni in etichette specifiche.

Il riquadro di visualizzazione verrà aggiornato per riflettere le modifiche apportate. Se necessario, ripetere l'addestramento del modello con ulteriori perfezionamenti e previsioni di alta affidabilità fino a quando non ci sono pochi o nessun super voxel non etichettato. La segmentazione di regioni più piccole e complesse utilizzando le super regioni è dimostrata su un set di dati di tomografia crioelettronica.

Dopo aver aggiunto i livelli e le etichette appropriati nella scheda delle annotazioni, selezionare l'etichetta. Usando una penna di media larghezza, inizia ad annotare con i super voxel selezionati. Una strategia per la segmentazione delle super regioni consiste nel segmentare rapidamente su una sezione, spostare alcune sezioni sopra o sotto e riempire gli spazi vuoti sulla nuova sezione.

In questo modo, anche le sezioni intermedie verranno annotate con meno sforzo da parte dell'utente. Successivamente, per ripulire ulteriormente le annotazioni, selezionare l'etichetta di segmentazione e uno dei metodi di perfezionamento morfologico. Immettere un valore per il raggio e scegliere come applicare il metodo di raffinamento.

Quindi fare clic su Perfeziona. La classificazione e l'analisi degli oggetti di dati è dimostrata su un set di dati di tomografia a raggi X crio-soft. Dopo aver segmentato completamente i dati, fare clic sulla seconda scheda nel riquadro di visualizzazione denominata Label Splitter.

Una nuova area, il riquadro di creazione delle regole, verrà aggiunta sul lato destro della finestra. Nella parte superiore del riquadro di creazione delle regole, selezionare il livello e le etichette per la suddivisione delle etichette. Quindi, selezionare il set di dati su cui eseguire la query e fare clic su Etichetta.

Ogni oggetto nelle etichette selezionate verrà ora delineato in blu come oggetti separati nel riquadro di visualizzazione. Il riquadro di creazione delle regole conterrà ora un grafico che mostra l'intensità media degli oggetti. Fare clic sulla casella a discesa in alto a destra per modificare la misura visualizzata.

Quindi, fai clic su Aggiungi nuova etichetta nella parte inferiore del riquadro di creazione delle regole per iniziare a suddividere gli oggetti in classi pertinenti. Fare clic su Aggiungi nuova regola e utilizzare l'elenco a discesa e le caselle di immissione in formato libero per definire la regola da applicare. Fare clic su Applica per visualizzare gli effetti della nuova regola nel riquadro di visualizzazione e sul grafico nel riquadro di creazione della regola.

Dopo aver classificato tutti gli oggetti di interesse, passare alla scheda Annotazioni. Creare un nuovo livello vuoto. Quindi scegli questo nuovo livello nella scheda di creazione della regola e fai clic su Salva etichette.

Fare clic sulla scheda Statistiche etichetta sul bordo del riquadro di visualizzazione per aprire un nuovo riquadro di visualizzazione che può essere utilizzato per comprendere le relazioni tra le classi di oggetti. Nella parte superiore, selezionare un livello e le etichette appropriati e il set di dati su cui eseguire l'interrogazione. Quindi seleziona alcune misure di interesse selezionando le caselle accanto ad esse.

Fare clic su Etichetta per produrre grafici di confronto a coppie per ciascuna delle misure selezionate. Se è necessario aggiungere o rimuovere una misura, fare clic sulla casella di controllo appropriata e quindi su Aggiorna grafico. In questo studio, vengono dimostrate due strategie di segmentazione e uno strumento di classificazione nel workbench SuRVoS.

Per l'addestramento del modello, viene caricato un set di dati a contrasto relativamente elevato con limiti che definiscono l'area. I dati vengono filtrati e bloccati per rendere più distinguibili lo sfondo, il primo piano e le strutture interne. I super voxel vengono quindi costruiti sopra il set di dati filtrato.

Dopo aver valutato la qualità dei super voxel, vengono effettuate annotazioni manuali per addestrare il classificatore a prevedere le aree corrispondenti allo sfondo, alle setole del frutto, al materiale del seme e alla polpa circostante. I perfezionamenti morfologici vengono utilizzati per ripulire la segmentazione riempiendo i buchi. Per la segmentazione delle super regioni, viene caricato un set di dati rumoroso e complesso.

Successivamente, viene applicato un set di filtri appropriato all'area di interesse selezionata. Dopo l'addestramento e la segmentazione del modello, vengono utilizzate annotazioni manuali rapide ogni 5-10 sezioni per selezionare i super voxel che descrivono la caratteristica di interesse. La suddivisione delle etichette viene quindi dimostrata utilizzando un set di dati con molti organelli diversi.

Innanzitutto, viene utilizzato un filtro di variazione totale appropriato per migliorare i confini degli organelli. Gli organelli sono segmentati semi-manualmente utilizzando mega voxel e super voxel e la raffinazione viene utilizzata per riempire i buchi e smussare i bordi. Il divisore di etichette viene utilizzato per visualizzare ogni organello come un oggetto nel set di dati e quindi per visualizzare varie caratteristiche di ciascun oggetto nel tracciato dati.

Qui, sono state create regole per separare gli organelli in cinque classi distinte in base alle loro proprietà ereditate, ad esempio la loro dimensione o intensità media. Il separatore di etichette può essere utilizzato per produrre informazioni quantitative sui dati e iniziare a comprendere il contesto cellulare. Dopo aver visto questo video, dovresti avere una buona comprensione di come utilizzare SuRVoS workbench per la segmentazione semiautomatica.

Utilizzando questa procedura, è possibile effettuare confronti di più stati biologici per rispondere a domande, ad esempio sulla malattia wild-type e quindi sulle condizioni trattate. Una volta padroneggiata, questa tecnica può accelerare il processo di segmentazione di circa cinque volte se eseguita correttamente. Seguendo questa procedura, i programmi di visualizzazione possono essere utilizzati per eseguire il rendering dei risultati per la pubblicazione e la realizzazione di filmati.