볼륨 세분화 및 SuRVoS (슈퍼 지역 볼륨 세분화) 워크 벤치를 사용 하 여 생물학 물자의 분석

이 절차의 전반적인 목표는 생물학적 특성의 복잡한 체적 데이터 세트를 반자동으로 분할하는 것입니다. 이 방법은 체적 데이터의 정성적 및 정량적 분석을 허용함으로써 구조 생물학 분야의 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 기술의 주요 장점은 이 방법이 생물학적 데이터 세트에 대한 통찰력을 제공할 수 있지만 재료 과학과 같은 다른 분야에도 적용할 수 있다는 것입니다.

이 소프트웨어는 세분화 프로그램으로 다른 워크플로를 사용하므로 SuRVoS를 처음 사용할 때 초기에 어려움을 겪을 수 있습니다. 따라서 이 새로운 워크플로를 이해하는 데 시각적 데모가 중요합니다. 모델 훈련을 사용하여 잘 정의된 대규모 영역의 분할은 위상차 X선 단층 촬영 데이터 세트에서 시연됩니다.

이 절차를 시작하려면 SuRVoS 워크벤치를 시작합니다. Open Dataset 버튼을 클릭하고 결과 팝업에서 세그먼트화할 데이터 파일을 선택합니다. 데이터 세트에 대한 적절한 방향을 선택합니다.

그런 다음 작업 영역 및 관련 파일을 저장할 폴더를 선택합니다. 로드 버튼을 클릭합니다. Select ROI 탭에서 관심 영역에 대한 X, Y, Z 시작 및 끝 좌표를 입력하고 Add를 클릭합니다.

섹션이 추가되면 오른쪽에 있는 확인란을 선택하여 선택되어 있는지 확인합니다. 그런 다음 기능 채널 탭에서 드롭다운 메뉴를 사용하여 기능을 선택하고 대기열에 추가합니다. 기능과 관련된 옵션을 수정하고 기능을 실행할 입력 데이터셋을 선택합니다.

계산할 피처 이름 오른쪽에 있는 확인란을 클릭합니다. 동일한 데이터셋에서 여러 피처를 실행할 수 있으며, 계산된 피처를 추가 처리를 위한 입력 데이터셋으로 사용할 수 있습니다. 그런 다음 슈퍼 리전(Super Regions) 탭을 선택합니다.

Super Voxels 섹션에서 드롭다운 메뉴를 사용하여 Super Voxels가 생성될 필터링된 데이터 세트를 선택합니다. 모양, 간격 및 조밀도를 지정합니다. 적용 버튼을 클릭하여 슈퍼 복셀을 생성합니다.

슈퍼 복셀의 품질을 평가하려면 데이터를 오버레이하지 않고 단독으로 표시하십시오. 데이터에서 관심 있는 특징이 슈퍼 복셀에서만 여전히 볼 수 있는 경우 데이터를 잘 나타냅니다. Annotation 탭에서 Add Level 버튼을 클릭하여 주석 수준을 추가합니다.

새로 생성된 레벨에서 Add Label 버튼을 클릭하여 주석에 대한 레이블을 추가합니다. 그런 다음 도구 바로 가기 섹션에서 펜 아이콘을 선택합니다. 시각화 창의 맨 위에 옵션 집합이 나타납니다.

super voxels 옵션과 중간 너비 펜을 선택하여 모델 학습을 위한 학습 데이터 생성을 시작합니다. 레이블 정보의 맨 오른쪽에 있는 상자를 클릭하여 주석을 추가할 레이블을 선택합니다. 그런 다음 시각화 창을 클릭하고 드래그하여 여러 슈퍼 복셀에 주석을 추가합니다.

Model Training(모델 학습) 탭에서 예측 수준을 수동 학습 주석이 포함된 수준으로 설정합니다. 그런 다음 설명자 섹션에서 영역을 super voxels로 설정합니다. Select Sources(소스 선택) 드롭다운을 클릭하고 선택한 기능 또는 필터의 확인란을 선택하여 데이터 영역을 구분하는 데 사용할 설명자를 선택합니다.

Predict 버튼을 클릭합니다. 계산이 완료되면 시각화 창이 레이블이 지정되지 않은 각 복셀이 속한 주석 레이블에 대한 예측으로 업데이트됩니다. 교육 방법론의 효과를 평가하고 하나를 선택한 후 구체화 섹션에서 Refine 드롭다운을 클릭하여 추가 구체화를 적용합니다.

모델 학습 탭의 아래쪽에 있는 Update Annotations 섹션에서 시각화 드롭다운 메뉴가 predictions로 설정되어 있는지 확인합니다. 다음으로, 신뢰도 슬라이더를 사용하여 선택한 주석 레이블에 주석이 없는 슈퍼 복셀을 더 많거나 적게 할당합니다. 적절한 신뢰 수준을 선택한 후 신뢰도 도구 아래쪽에 있는 레이블 옆에 있는 저장 버튼을 클릭하여 예측을 특정 레이블에 저장합니다.

시각화 창이 업데이트되어 변경 사항이 반영됩니다. 필요한 경우, 레이블이 지정되지 않은 슈퍼 복셀이 거의 없거나 전혀 없을 때까지 추가 세분화와 높은 신뢰도 예측으로 모델 훈련을 반복합니다. 슈퍼 영역을 사용하여 더 작고 복잡한 영역의 분할은 초저온 전자 단층 촬영 데이터 세트에서 입증됩니다.

주석 탭에서 적절한 수준과 레이블을 추가한 후 레이블을 선택합니다. 중간 너비 펜을 사용하여 선택한 슈퍼 복셀로 주석을 달기 시작합니다. 상위 영역 세분화를 위한 한 가지 전략은 한 슬라이스에서 빠르게 분할하고, 몇 개의 슬라이스를 위 또는 아래로 이동하고, 새 슬라이스의 공백을 채우는 것입니다.

이런 식으로 중간 슬라이스에도 주석이 추가되고 사용자의 노력이 줄어듭니다. 다음으로, 주석을 추가로 정리하려면 세분화 레이블과 형태학적 세분화 방법 중 하나를 선택합니다. 반지름 값을 입력하고 미세 조정 방법을 적용하는 방법을 선택합니다.

그런 다음 구체화를 클릭합니다. 데이터 객체의 분류 및 분석은 cryo-soft X-ray tomography 데이터 세트에서 시연됩니다. 데이터를 완전히 분할한 후 시각화 창에서 Label Splitter라는 두 번째 탭을 클릭합니다.

새 영역인 규칙 만들기 창이 창의 오른쪽에 추가됩니다. 규칙 만들기 창의 맨 위에서 레이블 분할을 위한 수준과 레이블을 선택합니다. 다음으로, 쿼리할 데이터셋을 선택하고 레이블을 클릭합니다.

이제 선택한 레이블의 각 개체가 시각화 창에서 별도의 개체로 파란색 윤곽선으로 표시됩니다. 이제 규칙 생성 창에는 개체의 평균 강도를 보여주는 플롯이 포함됩니다. 오른쪽 위에 있는 드롭다운 상자를 클릭하여 표시되는 측정값을 변경합니다.

그런 다음 규칙 생성 창 아래쪽에 있는 Add New Label(새 레이블 추가)을 클릭하여 개체를 관련 클래스로 분할하기 시작합니다. 새 규칙 추가를 클릭하고 드롭다운 및 자유 양식 입력 상자를 사용하여 적용할 규칙을 정의합니다. 적용을 클릭하여 시각화 창과 규칙 생성 창의 플롯에서 새 규칙의 효과를 확인합니다.

관심 있는 모든 개체를 분류한 후 Annotations(주석) 탭으로 이동합니다. 비어 있는 새 레벨을 만듭니다. 그런 다음 규칙 생성 탭에서 이 새 수준을 선택하고 레이블 저장을 클릭합니다.

시각화 창의 가장자리에 있는 Label Statistics 탭을 클릭하여 개체 클래스 간의 관계를 이해하는 데 사용할 수 있는 새 시각화 창을 엽니다. 맨 위에서 적절한 수준과 레이블 및 쿼리할 데이터 세트를 선택합니다. 그런 다음 옆에 있는 상자를 선택하여 관심 있는 몇 가지 측정값을 선택합니다.

레이블을 클릭하여 선택한 각 측정값에 대한 쌍별 비교 그림을 생성합니다. 측정값을 추가하거나 제거해야 하는 경우 해당 확인란을 클릭한 다음 플롯 업데이트를 클릭합니다. 이 연구에서는 SuRVoS 워크벤치에서 두 가지 세분화 전략과 한 가지 분류 도구를 보여줍니다.

모델 교육의 경우 영역을 정의하는 경계가 있는 상대적으로 고대비 데이터 세트가 로드됩니다. 데이터는 배경, 전경 및 내부 구조를 더 잘 구별할 수 있도록 필터링되고 고정됩니다. 그런 다음 슈퍼 복셀은 필터링된 데이터 세트 위에 구축됩니다.

슈퍼 복셀의 품질을 평가한 후, 배경, 과일 강모, 종자 재료 및 주변 과육에 해당하는 영역을 예측하도록 분류기를 훈련시키기 위해 수동 주석을 작성합니다. 형태학적 개선은 구멍을 채워 분할을 정리하는 데 사용됩니다. 상위 영역 세분화의 경우 노이즈가 많고 복잡한 데이터 세트가 로드됩니다.

다음으로, 선택한 관심 영역에 적절한 필터 세트가 적용됩니다. 모델 훈련 및 세분화 후, 관심 기능을 설명하는 슈퍼 복셀을 선택하기 위해 5-10개의 슬라이스마다 빠른 수동 주석이 사용됩니다. 그런 다음 다양한 소기관이 있는 데이터 세트를 사용하여 라벨 분할을 시연합니다.

먼저, 소기관 경계를 향상시키기 위해 적절한 총 변동 필터를 사용합니다. 소기관은 메가 복셀과 슈퍼 복셀을 사용하여 반수동으로 분할되며 정련은 구멍을 채우고 가장자리를 매끄럽게 하는 데 사용됩니다. 레이블 스플리터는 각 소기관을 데이터 세트의 개체로 시각화한 다음 데이터 플롯의 각 개체에 대한 다양한 특성을 시각화하는 데 사용됩니다.

여기서, 소기관을 상속 속성(예: 크기 또는 평균 강도)에 따라 5개의 별개의 클래스로 분리하는 규칙이 만들어졌습니다. 라벨 스플리터는 데이터에 대한 정량적 정보를 출력하고 세포 컨텍스트를 이해하기 시작하는 데 사용할 수 있습니다. 이 동영상을 시청한 후에는 반자동 세분화를 위해 SuRVoS 워크벤치를 사용하는 방법을 잘 이해하게 될 것입니다.

이 절차를 사용하여 예를 들어 야생형 질병 및 치료 상태에 대한 질문에 답하기 위해 여러 생물학적 상태를 비교할 수 있습니다. 이 기술을 마스터하면 적절하게 수행되면 세분화 프로세스의 속도를 약 5배 높일 수 있습니다. 이 절차에 따라 시각화 프로그램을 사용하여 출판 및 영화 제작을 위한 결과를 렌더링할 수 있습니다.