ボリューム分割と SuRVoS (超領域ボリューム分割) ワークベンチを用いた生物学的材料の分析

この手順の全体的な目標は、生物学的な性質の複雑な体積データセットを半自動的にセグメント化することです。この方法は、体積データの定性的および定量的分析を可能にすることにより、構造生物学の分野における重要な質問に答えるのに役立ちます。この手法の主な利点は、この方法が生物学的データセットへの洞察を提供できるだけでなく、材料科学などの他の分野にも適用できることです。

このソフトウェアは、セグメンテーションプログラムとして異なるワークフローを使用しているため、SuRVoSを初めて使用するときに初期の問題を引き起こす可能性があります。したがって、この新しいワークフローを理解するには、視覚的なデモンストレーションが重要です。モデルトレーニングを使用した明確に定義された大きな領域のセグメンテーションは、位相コントラストX線トモグラフィーデータセットで実証されています。

この手順を開始するには、SuRVoS ワークベンチを起動します。[データセットを開く] ボタンをクリックし、表示されるポップアップでセグメント化するデータ ファイルを選択します。データセットの適切な向きを選択します。

次に、ワークスペースと関連ファイルを保存するフォルダーを選択します。「ロード」ボタンをクリックします。[Select ROI] タブで、対象地域の X、Y、Z の開始座標と終了座標を入力し、[Add] をクリックします。

セクションを追加したら、右側のチェックボックスをオンにして、セクションが選択されていることを確認します。この後、[Features Channels] タブで、ドロップダウンメニューを使用して機能を選択し、キューに追加します。フィーチャに固有のオプションを変更し、フィーチャを実行する入力データセットを選択します。

計算する機能名の右側にあるチェックボックスをクリックします。同じデータセットに対して複数のフィーチャを実行でき、計算されたフィーチャを入力データセットとして使用してさらに処理することができます。次に、[スーパーリージョン]タブを選択します。

[スーパーボクセル] セクションで、ドロップダウンメニューを使用して、スーパーボクセルの作成元となるフィルタリングされたデータセットを選択します。形状、間隔、コンパクトさを指定します。[適用] ボタンをクリックして、スーパー ボクセルを生成します。

スーパーボクセルの品質を評価するには、データをオーバーレイせずにスーパーボクセルを単独で表示します。データから関心のあるフィーチャがスーパー ボクセルだけでまだ表示されている場合、それらはデータを適切に表しています。「アノテーション」タブで、「レベルを追加」ボタンをクリックしてアノテーション・レベルを追加します。

新しく作成したレベルの [ラベルの追加] ボタンをクリックして、注釈のラベルを追加します。次に、ツールのショートカットセクションで、ペンアイコンを選択します。一連のオプションが視覚化ウィンドウの上部に表示されます。

スーパーボクセルオプションと中幅のペンを選択して、モデルトレーニングのトレーニングデータの作成を開始します。ラベル情報の右端にあるボックスをクリックして、注釈を付けるラベルを選択します。次に、視覚化ペインをクリックしてドラッグし、複数のスーパーボクセルに注釈を付けます。

[モデル学習] タブで、予測レベルを手動学習アノテーションが含まれるレベルに設定します。次に、記述子セクションで、領域をスーパーボクセルに設定します。[ソースの選択] ドロップダウンをクリックし、選択した機能またはフィルターのチェックボックスをオンにして、データの領域を区別するために使用される記述子を選択します。

「予測」ボタンをクリックします。計算が完了すると、視覚化ペインが更新され、ラベル付けされていない各ボクセルが属する注釈ラベルの予測が表示されます。トレーニング手法の効果を評価し、いずれかを選択したら、リファインメントセクションの「リファイン」ドロップダウンをクリックして、追加のリファインメントを適用します。

[Update Annotations] セクションの [Model Training] タブの下部にある [Visualization] ドロップダウンメニューが [predictions] に設定されていることを確認します。次に、信頼度スライダーを使用して、選択した注釈ラベルに注釈が付けられていないスーパーボクセルを多かれ少なかれ割り当てます。適切な信頼度を選択したら、信頼度ツールの下部にあるラベルの横にある [保存] ボタンをクリックして、予測を特定のラベルに保存します。

視覚化ウィンドウが更新され、変更が反映されます。必要に応じて、ラベル付けされていないスーパーボクセルがほとんどまたはまったくなくなるまで、追加の改良と信頼性の高い予測を使用してモデルのトレーニングを繰り返します。スーパー領域を使用した、より小さくて複雑な領域のセグメンテーションは、クライオ電子線トモグラフィーデータセットで示されています。

注釈タブで適切なレベルとラベルを追加した後、ラベルを選択します。中央幅のペンを使用して、スーパーボクセルを選択した状態で注釈を開始します。スーパーリージョンセグメンテーションの 1 つの戦略は、1 つのスライスですばやくセグメント化し、いくつかのスライスを上下に移動して、新しいスライスのギャップを埋めることです。

このようにして、中間スライスにも注釈が付けられ、ユーザーの労力が少なくて済みます。次に、注釈をさらにクリーンアップするために、セグメンテーションラベルと形態素の絞り込み方法の 1 つを選択します。半径の値を入力し、微調整方法の適用方法を選択します。

次に、[絞り込み] をクリックします。データオブジェクトの分類と分析は、クライオ軟X線トモグラフィーデータセットで実証されています。データを完全にセグメント化したら、視覚化ペインの [ラベル スプリッター] という 2 番目のタブをクリックします。

新しい領域であるルール作成ウィンドウがウィンドウの右側に追加されます。ルール作成ペインの上部で、ラベル分割のレベルとラベルを選択します。次に、クエリを実行するデータセットを選択し、[ラベル] をクリックします。

選択したラベルの各オブジェクトは、視覚化ペインで個別のオブジェクトとして青色で輪郭が描かれます。ルール作成ペインには、オブジェクトの平均強度を示すプロットが含まれるようになります。右上のドロップダウンボックスをクリックして、表示されるメジャーを変更します。

次に、ルール作成ペインの下部にある [新しいラベルの追加] をクリックして、オブジェクトを関連するクラスに分割し始めます。「新規ルールを追加」をクリックし、ドロップダウン・ボックスと自由形式の入力ボックスを使用して、適用するルールを定義します。[適用] をクリックして、新しいルールの効果を視覚化ペインとルール作成ペインのプロットで確認します。

関心のあるすべてのオブジェクトが分類されたら、[Annotations] タブに移動し、新しい空のレベルを作成します。次に、ルール作成タブでこの新しいレベルを選択し、[ラベルの保存] をクリックします。

視覚化ウィンドウの端にある [ラベル統計] タブをクリックして、オブジェクト クラス間の関係を理解するために使用できる新しい視覚化ウィンドウを開きます。上部で、クエリを実行する適切なレベルとラベル、およびデータセットを選択します。次に、その横にあるチェックボックスをオンにして、関心のあるいくつかの測定値を選択します。

[ラベル] をクリックして、選択した各メジャーのペアワイズ比較プロットを作成します。メジャーを追加または削除する必要がある場合は、適切なチェックボックスをクリックしてから、[プロットの更新] をクリックします。この研究では、SuRVoS ワークベンチの 2 つのセグメンテーション戦略と 1 つの分類ツールを実証します。

モデルのトレーニングでは、領域を定義する境界を持つ比較的高コントラストのデータセットが読み込まれます。データはフィルタリングされ、クランプされて、背景、前景、および内部の構造がより区別しやすくなります。その後、スーパーボクセルは、フィルタリングされたデータセットの上に構築されます。

スーパーボクセルの品質が評価された後、背景、果実の剛毛、種子材料、および周囲の果肉に対応する領域を予測するように分類器を訓練するために、手動の注釈付けが行われます。形態学的細分化は、穴を埋めることによってセグメンテーションをクリーンアップするために使用されます。スーパーリージョンセグメンテーションの場合、ノイズが多く複雑なデータセットがロードされます。

次に、選択した関心領域に適切なフィルター セットが適用されます。モデルのトレーニングとセグメンテーションの後、5 スライスから 10 スライスごとにクイック マニュアル アノテーションを使用して、関心のあるフィーチャを説明するスーパー ボクセルが選択されます。次に、ラベル分割を、多くの多様なオルガネラを含むデータセットを使用して示します。

まず、適切な全変動フィルターを使用して、オルガネラ境界を強化します。オルガネラは、メガボクセルとスーパーボクセルを使用して半手動でセグメント化され、穴を埋めてエッジを滑らかにするためにリファイニングが使用されます。ラベルスプリッターは、各細胞小器官をデータセット内のオブジェクトとして視覚化し、データプロット内の各オブジェクトに関するさまざまな特性を視覚化するために使用されます。

ここでは、細胞小器官を、サイズや平均強度などの継承特性に基づいて5つの異なるクラスに分離するルールが作成されました。ラベルスプリッターを使用して、データに関する定量的情報を出力し、細胞の状況を理解し始めることができます。このビデオを見れば、SuRVoSワークベンチを使用して半自動セグメンテーションを行う方法について十分に理解できるはずです。

この手順を使用すると、たとえば野生型の病気やその後の治療状態に関する質問に答えるために、複数の生物学的状態の比較を行うことができます。この手法を習得すると、適切に実行すれば、セグメンテーションプロセスを約5倍高速化できます。この手順に従うと、ビジュアライゼーションプログラムを使用して、パブリケーションやムービー作成のための結果をレンダリングできます。