Name: 볼륨 세분화 및 SuRVoS (슈퍼 지역 볼륨 세분화) 워크 벤치를 사용 하 여 생물학 물자의 분석 (동영상) | JoVE Journal
Uploaded: 2017-08-23T15:00:00.000+00:00
Duration: 11 min 38 s
Description: 학습하세요 SuRVoS 워크벤치를 활용한 생물학적 볼륨 데이터의 반자동 세분화 방법을. 구조생물학 연구에서 정성적·정량적 분석을 가능하게 하며, 재료과학 등 다양한 분야에도 적용할 수 있습니다.

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

우리는 인정 하 고 루이 왕와 베일 러 대학의과 대학에서 제공 하는 cryoET 데이터 집합에 대 한 Wah 애기와 다이아몬드 광원에서 앤드류 Bodey I13 beamtime 지원 감사 하 고 싶습니다. 이 연구의 부분 했다 국립 보건원 (NIH) 부여 제 (P41GM103832) 다이아몬드 광원 인정 박사 STU0079 아래 Imanol Luengo 공동 자금에 지원 됩니다.

참고: 일반적으로 여기에 표시 된 각 데이터 형식에 대 한 특정 매개 변수 및 각 처리 단계에 대 한 매개 변수의 유용한 범위는 표 1에 제공 됩니다.
 1. 준비 작업 영역 및 로드 데이터 <ol><li>발사 SuRVoS 워크 벤치, 오픈 데이터 집합 단추를 누르고 결과 팝업에 세그먼트 수를 데이터 파일을 선택 합니다. 데이터 집합의 적절 한 방향을 선택 하십시오. 다음으로, 선택 하거나 작업 영역 및 관련된 파일을 저장할 것입니다 폴더를 만들 합니다. 이 폴더는 빈 새 세그먼트를 시작할 때 하는 것이 좋습니다. 데이터를 로드 워크 벤치 플러그인 창 왼쪽에, 오른쪽에는 두 개의 창 ( 그림 1) 사이의 도구 단축키 세트 시각화 창으로 열립니다.</li>
</ol> 2. 전처리 및 데이터 표현을 <ol><li>는 선택에서 ROI 탭 입력 z, y 및 x 시작 및 끝 좌표 관심과 클릭의 영역에 대 한 추가. 선택 적절 한 y 및 x 좌표 이미지에 포인트 위에 마우스를 올려놓습니다. 시각화 창 상단의 슬라이더를 사용 하 여 z 좌표를 선택 하십시오. 지역 추가 되었습니다 일단 오른쪽에 있는 상자를 선택 하 여 선택 되어 있는지 확인 합니다. 모든 다운스트림 계산 선택된 영역에 수행 됩니다. 일반적으로, 작은 시작, 관심 (ROI), 매개 변수를 최적화 하 고 다음 세그먼트 수를 전체 영역에 이러한 매개 변수를 다시 적용의 대표 지역 이다 권고.</li>
	<li>기능 채널에 탭을를 사용 하 여 드롭 다운 메뉴 상단에 기능/필터를 선택 하 고 큐에 추가 (기능 채널에 대 한 더 많은 정보에 대 한 논의 참조). 기능/필터 추가 되 고 해당 이름을 클릭 하 여 선택 후 기능/필터에 고유한 옵션을 수정 하 고 기능/필터를 실행 하는 입력된 데이터 집합을 선택 합니다. 모든 옵션을 선택한 일단 계산 기능/필터 이름 오른쪽에 있는 확인란을 클릭 합니다.
	<ol><li>새 데이터 집합에 대 한 매개 변수를 최적화 하기 위해 여러 필터/기능을 추가 하 고 순서로 계산 되 고, 다른 후 한 전에 그들에 대 한 매개 변수를 선택 합니다. 이렇게 하려면 각 새로운 필터/기능 추가 적절 한 매개 변수, 각 필터/기능 실행을 왼쪽에 확인란 선택한 계산 기능 상자 창의 상단에 클릭. 추가 정보에 대 한 토론을 참조 하십시오.</li>
	</ol></li></ol> 3. 적합 한 슈퍼 지구 생성 <ol><li>슈퍼 영역에 탭 Supervoxels 섹션에서를 사용 하 여 소스 메뉴는 supervoxels를 만들 것입니다 필터링 된 데이터 집합을 선택 합니다. 모양, 간격 및 supervoxels (자세한 내용은 토론 및 그림 2 참조)의 압축을 지정 합니다. 마지막으로,는 supervoxels를 생성 하 고 적용 버튼을 클릭 합니다. 일단은 supervoxels 만들어진 시각화 창, 설정 또는 해제 및 시각화 탭 바로 가기 뷰어 창에서 제어 하는 그들의 투명도에서 볼 수 있습니다.</li>
	<li>슈퍼 영역에서 탭의 Megavoxels 섹션에서 소스 메뉴를 사용 하 여 megavoxels를 만들 것입니다 있는 필터링 된 데이터 집합을 선택 합니다. 그런 다음 람다, numBins 및 megavoxels (더 자세한 내용 참조)의 감마 매개 변수를 지정 합니다. 일단은 megavoxels 만들어진 시각화 창, 설정 또는 해제 및 시각화 탭 바로 가기 뷰어 창에서 제어 하는 그들의 투명도에서 볼 수 있습니다.</li>
</ol> 4. 주석 소개 <ol><li>주석에서 탭 수준 추가 단추를 사용 하 여 주석 레벨을 추가 하려면. 수준에 추가 된 후 주석에 대 한 레이블을 추가 하려면 수준에 레이블 추가 단추를 사용 합니다. 주석의 용이성에 대 한 이름 및 라벨의 색상을 수정할 수 추가,.</li>
	<li>다음 주석 달기, 시작 되기 위하여 선택 펜 아이콘 도구 바로 가기 섹션에서. 이것을 선택 하면 옵션 집합 시각화 창 상단에 나타납니다. 이러한 옵션 펜 너비와 복, supervoxels 또는 megavoxels를 주석을 사용 되는지 여부를 제어 합니다.
	<ol><li>모델 훈련을 위해 일반적으로, 주석 수준 드롭 다운 상자에서 supervoxels를 선택 하 고 중간급 대형 펜 폭을 사용 해야 합니다. 주석 탭에서 레이블 레이블 정보의 맨 오른쪽에 있는 상자를 선택 하 여 수를 선택 합니다. 다음, 단일 supervoxel 주석을 추가 하거나 클릭 하 고 끌어 많은 주석을 시각화 창에 클릭. 
		참고: 복 및 megavoxels 주석 수준 드롭 다운 상자에서 선택 된 고 수는, megavoxels의 경우는 마우스의 클릭 한 번으로 세그먼트 수를 비슷한 복의 많은 수천을 사용할 수 있습니다 같은 방법으로 주석을 사용.</li>
	</ol></li></ol> 5. 조각화를 사용 하 여 모델 학습 microCT 데이터 집합 함께 시연.
 참고: 서로 다른 여러 큰 영역을 차별화 하는 데 많은 데이터 집합에 대 한 첫 번째 분할입니다. 예를 들어 세포질, 또는 외부 얼음 및 지원 구조에서 세포에서 핵을 분리. 명확한 구분된 경계와 큰 영역 세분화의이 유형에 대 한 모델 학습 유용합니다. 설명 하기 위해이, Goosegrass의 엑스선 단계 대비 단층 데이터 사용 됩니다.
<ol><li>데이터를 로드 하 고 전처리 필터 및 기능 스위트를 사용 하 여 적절 한 supervoxels 및 megavoxels 가이드로 표 1에 매개 변수를 사용 하 여 위의 섹션에 설명 된 대로 결정. 그림 3에서 보듯이 dataset의 일부 큰 영역 주석 달기 약 섹션 4에 표 1 및 지침에서 매개 변수를 사용 하 여 계속. 
	참고: dataset 필요가 없습니다이 시점에서 세그먼트 완전히 수.</li>
	<li>모델 훈련에 탭, 수동 훈련 주석, 포함 된 수준 예측 수준을 설정 하 고 설명자 섹션 지역 Supervoxels로 설정. 다음, 소스 선택 드롭다운을 클릭 하 여 기능 상자와 선택의 필터 데이터의 영역을 차별화 하는 데 사용할 수 있는 설명자를 선택 합니다 (표 1 및 토론 참조).</li>
	<li>그런 다음 예측 버튼 클릭합니다. 계산이 완료 되 면 모든 주석 클래스를 보여주는 비 라는 복에 대 한 예측에 속하는 것으로 예측 시각화 창 업데이트 됩니다. 일반적으로, 각 분류자 방법론에 대 한 기본 매개 변수는 좋은 출발점을 제공 하 고 사용자만 잘 맞는 데 분류자 간의 전환 해야. 그러나, 전문가 또는 숙련 된 사용자에 대 한 각 분류자에 대 한 옵션 사용할 수 있으며 수정할 수 있습니다.</li>
	<li>훈련 방법론의 효과 평가 하 고 하나를 선택, 후 구체화 섹션에서 드롭-다운 수정 클릭 하 여 추가 수정 적용. At 모델 훈련의 하단 탭에 &#34; 업데이트 주석 &#34; 섹션, 시각화 드롭-다운 메뉴 Predictio로 설정 되어 있는지 확인ns입니다. 더 많거나 적게 할당할 신뢰 슬라이더를 사용 하 여 선택한 주석 레이블에 unannotated supervoxels의.</li>
	<li>신뢰의 적절 한 수준을 선택한 후 육안 검사에 따라 사용 하 여 레이블 옆의 저장 버튼 자신감 도구의 하단에 특정 라벨으로 예측 하기. 시각화 창 변경 내용을 표시 하도록 업데이트 됩니다. 각 라벨을 별도로 저장할 수 있습니다 및 양측 검정 z, y 및 x 박스에서 값을 입력 하 고 각 레이블에 대 한 저장 버튼을 클릭 하 여 더 작은 하위 영역에서 라벨을 저장 하는 실제로,.</li>
	<li>주소 사소한 mislabeling 제공 하 여 추가 학습 데이터 섹션 4에서 설명한 대로. 적절 한 예측 레이블에 추가 후 모델 세련미와 함께 훈련 하 고 더 이상 때까지 높은 신뢰도 예측을 추가의 과정을 반복 supervoxels 레이블 없음. 모델 훈련 과정은 거기 실행 때마다 더 훈련, supervoxels 할당 하기 때문에 이것은 효과적인 그리고 그러므로 과정 반복 증가 더 강력한 된다.</li>
</ol> 6. 슈퍼 지구를 사용 하 여 세분화 CryoET 데이터 집합 함께 시연.
 참고: 이후 슈퍼 지역 세분화는 더 작은, 몰래 바인딩된 영역에 대 한 유용, 세포와이 데이터 집합 내에서 microtubules의 세분화에 초점 여기 있을 것입니다. 모델 훈련 신속 하 게 배경 얼음과 탄소;에서 혈소판을 세그먼트에 사용 되었다 이러한 매개 변수 추가, 논의 하지 않습니다 하지만 표 1에 표시 됩니다.
<ol><li>데이터 로드, 필터 및 기능 스위트를 사용 하 여 전처리 및 적절 한 supervoxels 및 megavoxels 가이드로 표 1에 매개 변수를 사용 하 여 위의 섹션에 설명 된 대로 결정.</li>
	<li>추가 적절 한 수준 및 주석 탭에 레이블 레이블을 선택 하 고는 중간급을 사용 하 여 주석을 시작 supervoxels 선택 폭 펜. 단일 개체로 라벨을 피하기 위하여 서로 게 가까운 근접에 있는 개체에 대 한 다른 레이블을 선택 하는 필요의.</li>
	주석 추가, 정리 하기 위해 <li>형태학 수정 방법 (팽창, 침식, 열기, 닫기 및 채우기 구멍)를 사용 합니다. 이 옵션은 주석 탭의 하단에서 찾을 수 있습니다. 사용 하려면, 세분화 레이블 및 수정 방법을 선택 합니다. 반지름 값을 입력 하 고 세련미를 적용 하는 방법을 선택 합니다. 다음 수정을 클릭 합니다.</li>
</ol> 7. 분류 및 분석의 데이터 개체에 따라 고유의 특성, CryoSXT 데이터 집합 함께 시연 참고: 일반적으로, 분할 후 다음 단계는 데이터의 분석. 레이블 분할 도구 SuRVoS에 평균 개체 강도, 분산, 볼륨, 또는 위치와 같은 개체의 기본 특성에 따라 규칙을 사용 하 여 세그먼트 개체의 분류에 대 한 수 있습니다. 각 새 개체 클래스에 대 한 이러한 조치 간의 관계의 시각화에 대 한 레이블 통계 도구 수 있습니다. 이들은 분할 후 복잡 한 3D 데이터 집합의 분석을 위한 강력한 새로운 도구.
<ol><li>데이터 로드, 필터 및 기능 스위트를 사용 하 여 전처리, 적절 한 supervoxels 및 megavoxels 및 세그먼트 가이드로 표 1에 매개 변수를 사용 하 여 위의 섹션에 설명 된 대로 결정.</li>
	<li>세분화, 시각화 창의 두 번째 탭 클릭 후 레이블 분할. 이 창-규칙 작성 창 오른쪽에 새로운 영역을 추가 합니다.</li>
	<li>가 영역의 상단에 적절 한 수준과 레이블 분할에 대 한 레이블을 선택 합니다. 그런 다음 레이블을 클릭 하 고 쿼리를 데이터 집합을 선택 합니다. 선택한 레이블에 개체의 모든 것 지금 수 설명 파란색에서으로 시각화 창 및 개체의 평균 강도 보여주는 플롯에서 별도 개체 규칙 생성 창에 표시 됩니다. 음모에 표시 되 고 측정값을 변경 하려면 오른쪽 상단에 드롭-다운 상자에 클릭 하십시오.</li>
	<li>관련 클래스에는 개체를 시작을 클릭 하 여 규칙 만들기 창 아래쪽에 새 레이블을 추가. 앞에서 설명한 이름 및이 새로운 상표와 관련 된 색상을 변경할 수 있습니다.
	<ol>추가 클릭 <li>새 규칙 및 드롭 다운 및 자유형 입력 상자를 사용 하 여 적용할 규칙을 정의 합니다. 시각화 창에서 새 규칙 및 규칙 만들기 창에서 플롯의 효과를 보고 적용을 클릭 합니다. 단일 레이블에 여러 규칙을 적용할 수 있습니다 및 동일한 데이터 집합 내에서 여러 라벨을 만들 수 있습니다. 
		참고: 레이블이 없는 개체를 수집 하려면 새 레이블을 만들고 그것에 규칙을 추가 하는 대신 다른 사람을 선택을 클릭 합니다.</li>
	</ol></li> <li>관심사의 목표에 새로운 레이블을 분리 되었습니다, 새로운, 빈 수준 주석 탭에서 만들. 다음 규칙 만들기 탭에이 레벨을 선택 하 고 레이블을 저장을 클릭 합니다. 이이 빈 수준 새 레이블을 저장 합니다.</li>
	<li>시각화 창의 가장자리에 레이블 통계 탭을 클릭 하십시오. 이 데이터에서 개체 클래스 간의 관계를 이해 하기 시작 하는 데 사용할 수 있는 새로운 시각화 창을 열 것 이다. 상단에는 적절 한 수준 및 레이블과 데이터 집합 쿼리를 선택 합니다.
	<ol><li>선택 자의 그들 옆에 있는 상자를 선택 하 여 측정값의 몇 가지. 그런 다음 레이블을 클릭 합니다. 이 각각의 선택한 측정값에 대 한 인덱스도 비교 플롯을 생산할 예정 이다. 음모를 업데이트 하려면 선택 하거나 적절 한 조치를 해제 하 고 업데이트 플롯을 클릭 합니다.</li>
	</ol></li></ol> 8. 데이터 및 세그먼트 <ol><li>시각화 창 레이블 통계 탭에서 각각, 수출 플롯 및 데이터 내보내기 클릭 하 여 플롯 및 원시 측정 데이터를 내보냅니다.</li>
	<li>는 플러그인 창에서 내보내기 탭에서 클릭 하 여 이미지 데이터와 세그먼트를 내보냅니다. 먼저, 데이터가 저장 될 폴더를 선택 하려면 클릭 합니다. 다음 선택 출력 (원시 데이터, 원시 주석, 세분화 마스크 또는 마스크 데이터)와 (HDF5, MRC, 또는 TIFF) 형식. 마지막으로, 체크 박스를 사용 하 여 내보낼 수 주석 레벨을 선택 하 고 내보내기를 클릭 합니다. 데이터 크기를 조정 하 고 필요에 따라 내보내기 전에 반전 수 있습니다. 마스크 된 데이터를 내보낼 때 데이터 집합은 mask(s)에 적용 될 선택할 수 있습니다 드롭 다운 메뉴를 사용 하 여.</li>
</ol>

<ol><li>DiamondLightSource/SuRVoS: Version 1.0. Zenodo. , Available from:
 <a target="_blank" href="https://zenodo.org/record/247547">https://zenodo.org/record/247547</a> (2017).</li>
<li>SuRVoS Workbench - Super Region Volume Segmentation. , Available from:
 <a target="_blank" href="https://diamondlightsource.github.io/SuRVoS/">https://diamondlightsource.github.io/SuRVoS/</a> (2017).</li>
<li>Frangakis, A. S., Förster, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computational+exploration+of+structural+information+from+cryo-electron+tomograms%5BTitle%5D)+AND+%22Curr+Opin+Struct+Biol%22%5BJournal%5D)">Computational exploration of structural information from cryo-electron tomograms.</a> Curr Opin Struct Biol. 14 (3), 325-331 (2004).</li>
<li>Lucić, V., Förster, 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>Lučič, V., Rigort, A., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-electron+tomography%3A+the+challenge+of+doing+structural+biology+in+situ%5BTitle%5D)+AND+%22J+Cell+Biol%22%5BJournal%5D)">Cryo-electron tomography: the challenge of doing structural biology in situ.</a> J Cell Biol. 202 (3), 407-419 (2013).</li>
<li>Milani, M., Drobne, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Focused+ion+beam+manipulation+and+ultramicroscopy+of+unprepared+cells%5BTitle%5D)+AND+%22Scanning%22%5BJournal%5D)">Focused ion beam manipulation and ultramicroscopy of unprepared cells.</a> Scanning. 28 (3), 148-154 (2006).</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), (2004).</li>
<li>Rigort, A., 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+%22J+Struct+Biol%22%5BJournal%5D)">Automated segmentation of electron tomograms for a quantitative description of actin filament networks.</a> J Struct Biol. 177 (1), 135-144 (2012).</li>
<li>Förster, F., Han, B. -G., Beck, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+Proteomics%5BTitle%5D)+AND+%22Meth+Enzymolb%22%5BJournal%5D)">Visual Proteomics.</a> Meth Enzymolb. 483, 215-243 (2010).</li>
<li>Liu, Y., Sigworth, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+cryo-EM+particle+selection+for+membrane+proteins+in+spherical+liposomes%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automatic cryo-EM particle selection for membrane proteins in spherical liposomes.</a> J Struct Biol. 185 (3), 295-302 (2014).</li>
<li>Asano, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+molecular+census+of+26S+proteasomes+in+intact+neurons%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">A molecular census of 26S proteasomes in intact neurons.</a> Science. 347 (6220), 439-442 (2015).</li>
<li>Garduño, E., Wong-Barnum, M., Volkmann, N., Ellisman, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+electron+tomographic+data+sets+using+fuzzy+set+theory+principles%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Segmentation of electron tomographic data sets using fuzzy set theory principles.</a> J Struct Biol. 162 (3), 368-379 (2008).</li>
<li>Sommer, C., Straehle, C., Köthe, U., Hamprecht, F. A. <a target="_blank" href="http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.394.8442&rep=rep1&type=pdf">Ilastik: Interactive learning and segmentation toolkit.</a> 2011 IEEE Int Symp Biomed Imaging: From Nano to Macro. , 230-233 (2011).</li>
<li>Darrow, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+Mechanisms+of+Mutant+Huntingtin+Aggregation+Suppression+by+the+Synthetic+Chaperonin-like+CCT5+Complex+Explained+by+Cryoelectron+Tomography%5BTitle%5D)+AND+%22J+Biol+Chem%22%5BJournal%5D)">Structural Mechanisms of Mutant Huntingtin Aggregation Suppression by the Synthetic Chaperonin-like CCT5 Complex Explained by Cryoelectron Tomography.</a> J Biol Chem. 290 (28), 17451-17461 (2015).</li>
<li>Wang, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electron+cryotomography+reveals+ultrastructure+alterations+in+platelets+from+patients+with+ovarian+cancer%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+USA%22%5BJournal%5D)">Electron cryotomography reveals ultrastructure alterations in platelets from patients with ovarian cancer.</a> Proc Natl Acad Sci USA. 112 (46), 14266-14271 (2015).</li>
<li>Shahmoradian, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TRiC%27s+tricks+inhibit+huntingtin+aggregation%5BTitle%5D)+AND+%22eLife%22%5BJournal%5D)">TRiC's tricks inhibit huntingtin aggregation.</a> eLife. 2, (2013).</li>
<li>Dai, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visualizing+virus+assembly+intermediates+inside+marine+cyanobacteria%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Visualizing virus assembly intermediates inside marine cyanobacteria.</a> Nature. 502 (7473), 707-710 (2013).</li>
<li>Sandberg, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Methods+for+Image+Segmentation+in+Cellular+Tomography%5BTitle%5D)+AND+%22Methods+Cell+Biol%22%5BJournal%5D)">Methods for Image Segmentation in Cellular Tomography.</a> Methods Cell Biol. 79, 769-798 (2007).</li>
<li>Volkmann, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Methods+for+Segmentation+and+Interpretation+of+Electron+Tomographic+Reconstructions%5BTitle%5D)+AND+%22Methods+Enzymol%22%5BJournal%5D)">Methods for Segmentation and Interpretation of Electron Tomographic Reconstructions.</a> Methods Enzymol. 483, 31-46 (2010).</li>
<li>Tsai, W. -T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((From+Voxels+to+Knowledge%3A+A+Practical+Guide+to+the+Segmentation+of+Complex+Electron+Microscopy+3D-Data%5BTitle%5D)+AND+%22J+Vis+Exp%22%5BJournal%5D)">From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data.</a> J Vis Exp. (90), (2014).</li>
<li>FEI. Amira & Avizo 3D: Software for Scientific and Industrial Data. , Available from:
 <a target="_blank" href="https://www.fei.com/software/amira-avizo/">https://www.fei.com/software/amira-avizo/</a> (2016).</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>Nguyen, H., Ji, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shape-driven+three-dimensional+watersnake+segmentation+of+biological+membranes+in+electron+tomography%5BTitle%5D)+AND+%22IEEE+trans+med+imaging%22%5BJournal%5D)">Shape-driven three-dimensional watersnake segmentation of biological membranes in electron tomography.</a> IEEE trans med imaging. 27 (5), 616-628 (2008).</li>
<li>Rusu, M., Starosolski, Z., Wahle, M., Rigort, A., Wriggers, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+tracing+of+filaments+in+3D+electron+tomography+reconstructions+using+Sculptor+and+Situs%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automated tracing of filaments in 3D electron tomography reconstructions using Sculptor and Situs.</a> J Struct Biol. 178 (2), 121-128 (2012).</li>
<li>Moussavi, F., Heitz, G., Amat, F., Comolli, L. R., Koller, D., Horowitz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+segmentation+of+cell+boundaries+from+whole+cell+cryogenic+electron+tomography+volumes%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">3D segmentation of cell boundaries from whole cell cryogenic electron tomography volumes.</a> J Struct Biol. 170 (1), 134-145 (2010).</li>
<li>Hecksel, C. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+Variability+of+Manual+Annotation+in+Cryo-Electron+Tomograms%5BTitle%5D)+AND+%22Microsc+Mpicroanal%22%5BJournal%5D)">Quantifying Variability of Manual Annotation in Cryo-Electron Tomograms.</a> Microsc Mpicroanal. 22 (3), 487-496 (2016).</li>
<li>Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLIC+superpixels+compared+to+state-of-the-art+superpixel+methods%5BTitle%5D)+AND+%22IEEE+trans+pattern+anal+mach+intell%22%5BJournal%5D)">SLIC superpixels compared to state-of-the-art superpixel methods.</a> IEEE trans pattern anal mach intell. 34 (11), 2274-2282 (2012).</li>
<li>Luengo, I., Basham, M., French, A. P. <a target="_blank" href="http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=2506227">Fast global interactive volume segmentation with regional supervoxel descriptors.</a> Proc. SPIE. 9784, (2016).</li>
<li>Luengo, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SuRVoS%3A+Super-Region+Volume+Segmentation+Workbench%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">SuRVoS: Super-Region Volume Segmentation Workbench.</a> J Struct Biol. 198 (1), 43-53 (2017).</li>
<li>Wadeson, N., Basham, M. Savu: A Python-based, MPI Framework for Simultaneous Processing of Multiple, N-dimensional, Large Tomography Datasets. arXiv:1610.08015 [cs]. , Available from:
 <a target="_blank" href="http://arxiv.org/abs/1610.08015">http://arxiv.org/abs/1610.08015</a> (2016).</li>
<li>DiamondLightSource/Savu: Version 1.2. Zenodo. , Available from:
 <a target="_blank" href="https://zenodo.org/record/198726">https://zenodo.org/record/198726</a> (2014).</li>
<li>Paganin, D., Mayo, S. C., Gureyev, T. E., Miller, P. R., Wilkins, S. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+phase+and+amplitude+extraction+from+a+single+defocused+image+of+a+homogeneous+object%5BTitle%5D)+AND+%22J+Microsc%22%5BJournal%5D)">Simultaneous phase and amplitude extraction from a single defocused image of a homogeneous object.</a> J Microsc. 206 (Pt 1), 33-40 (2002).</li>
<li>van Aarle, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+and+flexible+X-ray+tomography+using+the+ASTRA+toolbox%5BTitle%5D)+AND+%22Opt+Express%22%5BJournal%5D)">Fast and flexible X-ray tomography using the ASTRA toolbox.</a> Opt Express. 24 (22), 25129-25147 (2016).</li>
<li>Palenstijn, W. J., Batenburg, K. J., Sijbers, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performance+improvements+for+iterative+electron+tomography+reconstruction+using+graphics+processing+units+%28GPUs%29%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Performance improvements for iterative electron tomography reconstruction using graphics processing units (GPUs).</a> J Struct Biol. 176 (2), 250-253 (2011).</li>
<li>Mastronarde, D. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dual-Axis+Tomography%3A+An+Approach+with+Alignment+Methods+That+Preserve+Resolution%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Dual-Axis Tomography: An Approach with Alignment Methods That Preserve Resolution.</a> J Struct Biol. 120 (3), 343-352 (1997).</li>
<li>Duke, E., Dent, K., Razi, M., Collinson, L. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biological+applications+of+cryo-soft+X-ray+tomography%5BTitle%5D)+AND+%22J+Microsc%22%5BJournal%5D)">Biological applications of cryo-soft X-ray tomography.</a> J Microsc. 255 (2), 65-70 (2014).</li>
<li>Arbeláez, P., Maire, M., Fowlkes, C., Malik, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Contour+detection+and+hierarchical+image+segmentation%5BTitle%5D)+AND+%22IEEE+trans+pattern+anal+mach+intell%22%5BJournal%5D)">Contour detection and hierarchical image segmentation.</a> IEEE trans pattern anal mach intell. 33 (5), 898-916 (2011).</li>
<li>Luengo, I., Basham, M., French, A. P. Hierarchical Piecewise-Constant Super-regions. arXiv:1605.05937 [cs]. , Available from:
 <a target="_blank" href="http://arxiv.org/abs/1605.05937">http://arxiv.org/abs/1605.05937</a> (2016).</li>
<li>Luengo, I., Basham, M., French, A. P. SMURFS: superpixels from multi-scale refinement of super-regions. , Available from:
 <a target="_blank" href="http://www.bmva.org/bmvc/2016/papers/paper004/index.html">http://www.bmva.org/bmvc/2016/papers/paper004/index.html</a> 1-12 (2016).</li>
</ol>

저자 들은 아무 경쟁 금융 관심사 선언 합니다.

SuRVoS 워크 벤치 다릅니다 다른 세분화 프로그램에서 매개 변수 최적화 실제 세분화 하기 필요 하 고 중요 한 단계입니다. 일부 수동 또는 반 수동 세분화 프로그램에서 사용자는 새로운 프로젝트를 여는 순간 내 세그먼트 시작 합니다. SuRVoS와 대용량 볼륨의 매우 작은 사용자 입력으로 분단 될 것 이다 고 경계는 프로그램으로 지정 하려면 매개 변수를 최적화 이므로 성공적인 세분화에 중요 합니다. 특히, 기능 및 최고 지역 건물 관심을 지불 해야 하는 두 영역이 있습니다.
기능 및 모델 교육
원시 데이터 뿐만 아니라 SuRVoS는 추가 데이터 집합을 만들거나 기존 데이터 집합에서 파생 된 채널 사용자 수 있습니다. 이 채널은 다양 한 계산 방법론 또는 기능 추출기를 사용 하 여 만들 수 있습니다. 각 데이터 표현을 동시에 사용할 수 있으며 기능 또는 필터 응용 프로그램의 결과 평가 하기 위해 개별적으로 표시 될 수 있습니다. 이러한 특성 때문에 그들은 SuRVoS에 기능 채널 이라고 하. SuRVoS에서 제공 하는 많은 기능 채널 옵션을 확인 하 고 있습니다. 옵션 및 매개 변수 사용에 대 한 내용은 여기, 전체 목록에 대 한 표 1을 참조 하 고 사용 가능한 기능 채널의 설명 방문 https://diamondlightsource.github.io/SuRVoS/ 2. 첫 번째, 시끄러운 데이터 집합에서 가우스 또는 총 denoising 유익할 변형 필터. 것이 좋습니다 추가 기능 채널 및 supervoxel/megavoxel 계산 수행 하이 denoised 데이터 집합 중 하나를 사용 하 여 데이터 원본으로. 일반적으로, 총 변이 denoised 데이터 집합 기능 채널 및 supervoxel/megavoxel 계산 소스 데이터로 사용 됩니다. 그것은 먼저 기본 값으로 실행, 3d에서 결과 평가 하 고 마지막으로, 반복적으로 데이터 집합에 대 한 매개 변수 최적화에 좋습니다. 또한, 채널 쌓아 올릴 수 있다 "필터 세트"로 특히 기능, 데이터 집합 및이 분리 다음 supervoxels 및 megavoxels를 만드는 데이터 원본으로 사용할 수 있습니다. 이 전략은 매우 종속 데이터 집합, 그것은 도움이 될 수 있습니다.
기능 채널 또한 훈련 모델 훈련에서 분류자를 원본으로 사용 됩니다. 때 사용 하는 기능은 채널에서 그것 사용이 좋습니다 몇 가지 강력한 기능 채널 (예를 들어, blob 감지, 짜임새 및 구조, 또는 강력한 기능 범주에서)는 작은 양의 주석 작업할 때 훈련 하는 분류자입니다. 많은 양의 학습 데이터를 사용 하는 것이 좋습니다는 분류자에 다양 한 정보를 제공 하는 그들은 더 많은 기능은 채널 범주에서 전반적인 사용 (예를 들어, 로컬에서 위의 목록 기능 채널에 추가 기능 및 가우스 기능 범주)입니다.
교육 모델에 3 개 주요 부품이 있다: 데이터를 설명 하는 입력된 데이터 소스를 제공, 이러한 입력을 사용 하 여 분류자, 훈련 하 고 마지막으로 출력 예측 정제. 일반적으로, 데이터의 작은 영역 데이터의 더 큰 지역 적은 사용자 주석 필요 합니다 하는 동안 분류자를 정확 하 게 훈련을 더 많은 사용자 주석 필요 합니다. 모델 훈련 먼저 상세를 선택 하지 않고 사용할 수 있습니다 최상의 예측을 찾을 수 있습니다. 다음 상세를 포함 하 고 구멍 또는 가장자리 등 예측 문제를 해결 하는 데 필요한 람다 매개 변수를 최적화 합니다.
Supervoxels 및 megavoxels
Supervoxels는 여러 클러스터 근처, 비슷한 복38,39. Supervoxels 기본 경계를 준수 하기 위해 반복적으로 변형 다음 데이터에 중첩 표준 3D 그리드로 시작 하 고 따라서 더 나은 데이터를 나타냅니다. Supervoxel 생성 및 변형 4 개의 사용자 입력에 의해 제어 됩니다: 데이터 원본, superpixel 모양, 간격, 및 소형. 데이터 소스는 supervoxel 생성 하는 동안 쿼리는 데이터 입력을 제공 합니다. 필터링 된 데이터 소스를 포함 하 여 모든 소스를 사용할 수 있습니다. Superpixel 모양 매개 변수 시작 3D 그리드 및 결과 supervoxels의 대략적인 원하는 모양을 결정합니다. 이러한 매개 변수를 변경 증가 하거나 변형 하기 전에 supervoxels의 크기를 줄일 수 있습니다. 간격 매개 변수는 각 방향에 있는 경계의 중요성을 정의합니다. 이러한 매개 변수를 변경 하나 경계를 강조할 수 있다 또는 다른 (s), 결과 supervoxels 의미 비용으로 두 방향으로 데이터를 특정된 방향에 경계를 따라 더 변형 됩니다. 마지막 매개 변수, 소형, 얼마나 많은 supervoxels 변형 수 제어 합니다. 낮은 압축 수 더 변형 supervoxels 수 있습니다. 이러한 매개 변수는 관심의 데이터의 경계를 나타내는 supervoxels를 제공 하기 위해 최적화 되어야 합니다. 참고: 현재, supervoxel 모양 매개 변수는 1024 동일 해야 합니다이 함께 곱한 때.
몇 가지 방법으로 supervoxel 매개 변수 보정할 수 있습니다, 거기 아무도 "정답"은 의미 매개 변수에 결정할 때. 예를 들어 큰 시작 격자 (예: superpixel 형태: 10 x 10 x 10) 및 낮은 압축 수 (출 20) 작은 시작 표 (예: superpixel 모양 5 x 5 x 5)에 비해 비슷한 경계 준수와 높은 supervoxels를 줄 수 있습니다 소형 숫자 (예: 50)입니다. 있기 때문에 더 많은, 두 번째 시나리오에 더 작은 supervoxels 그들은 필요가 없습니다 경계를 나타내는 만큼 변형. 두 집합이 매개 변수는 데이터 집합의 세그먼트에 대 한 적절 한 될 수 있습니다.
Supervoxel 매개 변수를 선택할 때 가장 큰 고려 사항은 supervoxels 데이터를 대표 하는 얼마나 잘 이다. 표시에서 그림 2D, 그들, 밑 데이터 없이 혼자 supervoxels supervoxel 매개 변수를 평가 하는 좋은 방법 이다. 이 방법으로 표시, 가장자리와 데이터에서 발견 하는 도형의 윤곽선 여전히 표시 됩니다는 supervoxels에서.
Megavoxels는 여러 이웃, 유사한 supervoxels38,39의 대기업. 그들은 다시 4 개의 사용자 입력에 의해 제어 됩니다: 데이터 소스, 람다, numbins, 및 감마. Supervoxels에서와 마찬가지로 데이터 소스 megavoxel 생성 하는 동안 쿼리는 데이터 입력을 제공 합니다. 람다와 numbins는 megavoxels의 크기와 경계 준수에 영향을. megavoxels 더 큰 (높은 람다, 낮은 numbins)를 성장, 그들의 경계 준수 감소 합니다. 그러나 대화도 사실 이다, 경계 준수와 함께 증가할 것 이다 작은 megavoxels (낮은 람다, 높은 numbins), megavoxel 크기 감소, 그래서 않습니다 신속 하 게 많은 양의 복 세그먼트에서 그들의 유용성. 옵션 감마 매개 변수 2 supervoxels를 함께 병합의 비용 대 부드럽게 요소를 제어 합니다. 감마의 작은 값은 데 적은 megavoxels 전반적인 비용 두 supervoxels 사이의 유사성을 강화할 수 있다.
Supervoxels, 것과 같이 가장 큰 고려 사항은 선택 하 고 megavoxel 매개 변수를 최적화 하는 경우는 megavoxels 데이터를 대표 하는 얼마나 잘 이다. 표시 하는 megavoxels supervoxels에 설명 된 대로 혼자 다시 매개 변수를 평가 하기 위해 사용할 수 있습니다. 그러나, 때문에 megavoxels 일반적으로 훨씬 더 큰 것 3 차원를 사용 하 여 주석 도구 to 선택 관심 영역 사이 경계는 꽉 수 있도록 단일 megavoxels 또한 것이 좋습니다.
주석 전략
두 가지 일반적인 주석 전략 설명: 모델 교육 접근은 슈퍼 지역 세분화 접근 개별 세포와 같은 더 작은, 더 다양 한 기능에 대 한 유용 하지만 데이터 집합의 큰 영역을 분리 하는 데 유용. 먼저, 큰 영역을 주석을 다음 부모-자식 관계를 사용 하 여 보다 구체적인 지역으로 그들을 분할 수 있도록 계층적 패션에 주석을 구성할 수 있습니다. 레이블의 부모 레이블 레이블 색 선택의 오른쪽에 있는 영역을 클릭 하 고 이전 수준에서 적절 한 상위 레이블을 선택 하 여 지정할 수 있습니다. 실제로, 대부분 데이터 집합 사용 하 여 모델 학습 및 슈퍼 지역 세분화 전략 관심의 특정 영역/기능 세그먼트.
모델 훈련 예 여기에 몇 가지 훈련 입력 (수동 사용자 supervoxel 기반 주석 형태로)는 데이터의 3 개의 동등 하 게 간격 둔된 조각에 사용 되었다. 이 방법에서는, SuRVoS의 모델 교육 측면 성은 세분화 된 가능한 에 강조 goosegrass fruiting 시체에서 지역 간의 격차 등 지역의 차별화 된 큰, 작업 하는 경우에 특히 속도 증가 그림 3.
때 모델 교육, 예측을 볼 수 없습니다, 경우 그것은 수 있습니다 시각화 탭에가 고 예측 레이어 켜져 있는지 확인 해야 할 고 투명의 적절 한 금액으로 설정. 또한, 0의 신뢰 모든 레이블된 supervoxel 어떤 가까운가에 따라 레이블을 할당할 수 있습니다. 단지 100의 신뢰는 라벨의 1 개의 종류는 어떤 비례 일치 하는 경우에 레이블을 할당할 것 이다. 사이 모든 것이 두 극단의 거래 이다. 신뢰 수준을 선택할 때 그것은 아무 잘못 예측된 복 레이블에 예측을 저장 하기 전에 육안으로 직접 검사를 몇 조각 확인 하기 좋습니다.
슈퍼 지구를 사용 하 여 주석을 위한 좋은 전략 데이터에 주석을 한 번에 한 조각, 먼저 "빠른, 지저분한" 접근을 사용 하 여 (그림 4C)에 몇 가지 세포를 확대 도구를 사용 하는 것입니다. 다음, Z에 몇 조각 위아래로 이동 하 고이 과정을 반복 합니다. Supervoxels 3 차원 이기 때문에, "지저분한" 방법의 결함의 많은 조각 아래 또는 위의 주석에 의해 고정 됩니다. 이 방법에서는, 세분화는 가속화 하 고 경계는 supervoxels에 의해 보다는 수동으로 제공 됩니다.
라벨 정리, 표준 세분화 구체화 옵션 제공 되었다. 팽창 하면 선택한 세분화 레이블이 특정된 반경으로 성장, 침식 축소 됩니다. 열기 및 닫기는 각각 첫 번째 침식 및 다음 팽창, 또는의 응용 프로그램입니다. 그리고 채우기 구멍을 정확 하 게. 이러한 작업 순서 상관. 일반적으로, 다음 열기, 다음 팽창 작용 채우기 구멍을 수행. 각 수정 방법 ("이이 슬라이스"), 단일 슬라이스에 2D ("모든 조각 (2D)") 또는 3D ("전체 볼륨 (3D)") 모든 조각에 적용할 수 있습니다. 모든 조각 (2D) 것이 좋습니다.
의미와 향후 방향
효율적이 고 정확한 세분화 장기 세션 동안 이미지 데이터의 테라 바이트의 일상적인 자동된 수집으로 특히의 3D 데이터 집합 처리에 다음 병목 이다. SuRVoS 워크 벤치는 수동 세분화에 비해 5 배 세분화 과정을 속도 수 있습니다. 또한, 경계는 supervoxels에 의해 구분 된, 있기 때문에 결과 세그먼트의 다양성 개선 한다. 미래에 높은 신뢰와 볼륨, 또는 심지어 별도 볼륨의 나머지에 적용할 훈련 데이터의 대표적인 3D 영역의 세분화를 사용 하는 방법을 탐구 하겠습니다. 이 사전 추가 사용자 시간과 세그먼트도 복잡 한 생물 학적 볼륨, 이미지 세분화 및 처리 병목 현상을 완화 하는 데 필요한 입력의 양을 줄일 것 이다. 이, 차례로, 강력한 실험 번호와 다양 한 상태 (예: 비-질병, 질병, 치료)에 생물학 데이터의 양적 비교를 허용할 것 이다.

SuRVoS 워크 벤치는 관심, 해상도 또는 이미징 적임1,의 구조에 다양 한 샘플에서 메트릭 데이터에서 과학적으로 관련 정보를 추출 하는 연구를 허용 하도록 설계 된 소프트웨어의 한 조각 2. 체적 데이터와 같은이 종종 x-선 또는 전자 단층 촬영 시스템을 사용 하 여 수집 정기적으로 또는 기반으로 대형 실험실 그들의 복잡으로 인해 중앙된 시설. 모두 이러한 방법, 그리고 다른 기술, 대형 생산, 정보 풍부한 데이터 집합의 어떤 세그먼트 중 반자동 방식으로 또는 수동으로에 도전 증명. 근처-네이티브 상태 cryo 움직일 데이터 집합 낮은 복용량 이미징 조건, 낮은 신호 대 잡음 비율 및 cryo 전자 단층 촬영 (cryoET)3,4,5에서 특히 가난한 대비 결과 요구 하는 특히, . 일부 3D 데이터 집합에 추가 요소가 관련 된 도전적인 실험 조건에 의해 결과의 존재는, 예를 통해 제한 된 데이터 수집으로 인해 누락 된 쐐기 유물 범위, 결과 누락 된 정보에 기울기 및 광속3,,45의 방향으로 신장. 심지어 때 낮은 신호 대 잡음 또는 누락 된 쐐기 아티팩트는 문제 (예: 이온 빔 SEM6 초점 또는 직렬 블록 얼굴 SEM7), 복잡성 및 샘플, 및 많은 양의 데이터의 3 차원 본질 의미 분석 것 여전히 데이터 세분화를 위한 자동화 된 프로세스에서 혜택을.
현재 셀의 생물 학적 볼륨을 고려, 많은 옵션이 자동 또는 반자동으로 식별 말라, microtubules, 또는 특정 단백질 복합물, 템플릿 기반 검색을 사용 하 여 같은 매우 구체적인 휴대 전화 기능에 대 한 또는 데이터 집합 (예: 고대비, 스테인드, 수 지에 포함 된 샘플)8,,910,,1112특정 유형의 기능을 식별 합니다. 그러나, 이러한 경우 선험적으로 정보 또는 특정 샘플 준비 프로토콜에서는 이러한 세분화 전략의 광범위 한 적용을 제한 하는 데 필요한 있습니다. 또한 사용자 입력된13주어진 관심의 다양 한 구조의 모양을 배울 수 복 수준에서 모델 학습을 수행 하는 도구 사용할 수 있다. 그러나,이 수준에서 학습 및 테스트 모델의 복잡성 오류가 및 계산 비싼 수 있습니다. 도전적인 이미지 조건, 그리고 광범위 하 게 적용, 반자동 세분화 전략의 부족을 감안할 때, 수동 분할 일반적 이다, 복잡 한 생물 학적 재료14,15, 와 함께 작업 하는 경우에 16 , 그러나 17., 그것은 일반적으로 허용 수동 세분화의 과정만 소모, 하지만 또한 오류가, 주관적이 고 변수4,5,18,19 아니다 ,20. 그러나 수동 분할 프로세스 (즉, 보간, 올가미, 또는 타격 도구)을 쉽게 하기 위해 도구를 제공 하는 일부 세분화 프로그램21,22, 시끄러운 데이터 집합의 경우에,, 그들은 성공적으로 적용 하기 어려운과 심지어 그들이 사용 하는 경우 성공적으로,이 과정이 여전히 주관적이 고 가변입니다.
전통적으로, 세그먼트 두 가지 방법으로 사용 되었습니다: 질적 또는 양적. 이미징 기술 및 세분화 전략 개선, 그것은 되 고 더 일반적인 알고리즘 개발8,12, 생물학 질문에 대답 하는 양적 도구와 "지상 진실"으로 세분화를 사용 하 15,23,,2425. 이 위해서 자세한 견제와 균형은 변화와 과정26전체 주관 감소 해야 합니다. 그러나, 이러한 조치는 더욱 세분화의 시간이 걸리는 자연 증가. 이 때문에, 그것은 빠르고 덜 가변 분할 전략을 제공 하는 중요 한입니다.
SuRVoS 워크 벤치는 기계 학습 및 이미지 처리 도구를 또한 필요한 단계를 통해 사용자를 안내 하는 동안 세분화 과정에서 사용자를 지원의 선택과 함께 사용자를 제공 하 여 이러한 문제를 해결 하기 시작 합니다. 이 위해 두 가지 주요 혁신은 SuRVoS에서 함께 구현 됩니다. 첫째, 그룹 유사한, 그들의 고유의 속성을 기반으로 데이터의 인근 지역에 최고 지역 계층 구조를 사용 합니다. 각 계층에 영역의 강한 경계 준수 제공 하면서 적은 요소를 사용 하 여 동일한 볼륨을 나타냅니다. 따라서, 최고 지역 몇몇 크기 순서에 의해 볼륨 세그먼트의 복잡성을 줄이고 아직 여전히 정보27의 상당한 손실 없이 데이터를 나타냅니다. 둘째, SuRVoS 훈련 다음 나머지 볼륨28,29세그먼트를 사용 하는 분류자를 최소한의 수동 분할 입력을 사용 하 여 반자동된 세분화 전략을 제공 합니다. 이 전략 감소 수동 세그먼트, 세그먼트에 사용자 시간을 크게 감소 하 고, 최고 지역, 사용 하는 경우 경계, 잠재적으로 감소 변화 및 주관의 수동 묘사를 제거 합니다.
더 SuRVoS의 주요 특징은 레이블 쪼개는 도구, 사용자 그들의 고유한 특성에 따라 이미 세그먼트 개체의 시리즈를 분류할 수 있다 그것에 의하여. 관심의 다양 한 개체의 세분화, 후 서브 클래스 평균 개체 강도, 가변성, 크기 측정값을 기반으로 집합을 분할 하는 것이 도구를 사용할 수 있습니다, 그리고 위치, 등 유용과 개체의 큰 그룹을 분류할 때 높은 복잡성. 예를 들어 세포 세포의 그룹 미토 콘 드리 아, 빈 소포, 지질 방울 등으로 나눌 수 있습니다.; 또는 포함 분리 될 수 있다 자료 집합 크기 또는 모양에 따라. 일단 개별 레이블 세그먼트 수 있습니다. 그룹으로 분할 사용 하는 분류자, 식별 편견 감소의 수 있습니다.
SuRVoS 워크 벤치는 성공적으로 사용 되었다 세그먼트 데이터를 여러 이미징 기술에서. 여기, 싱크 로트 론 엑스레이 위상 대비 단층 촬영 (microCT) 식물의 fruiting 본문의 segmentati를 설명 하는모델 학습에 사용 하 여, 인간 혈소판의 cryo 전자 단층 촬영 (cryoET) 세분화 슈퍼-및 megavoxels를 사용 하 여 설명 하는 데 사용 됩니다. 및 cryo 소프트 x 선 단층 촬영 (cryoSXT)는 포유류 세포 라인의 도구를 분할 하는 라벨을 보여 주기 위해 사용 됩니다.

<table><tbody><tr><td>컴퓨터</td><td>해당</td><td></td> 없음 Linux <td>운영 체제를 실행하고 있어야 하며 최소 4GB의 메모리가 있는 NVidia GPU가 있어야 합니다.</td></tr></tbody></table>

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

Volume Segmentation and Analysis of Biological Materials Using SuRVoS (Super-region Volume Segmentation) Workbench

이러한 관심 분야에 추가 연구를 착수 수 있도록 세분화 특정 지역 이나 한 군데 볼륨 내에서 개체를 분리 하는 과정입니다. 고려 하면 복잡 한 생물 학적 시스템의 분석, 3 차원 이미지 데이터의 세분화 시간과 노동 집약적인 단계입니다. 많은 이미징 modalities의 증가 가용성 그리고 자동화 된 데이터 수집 체계,이 지식을 데이터에서 이동 현대 실험적인 생물학에 대 한 증가 도전 포즈. 이 간행물 SuRVoS 워크 벤치, 반자동으로 세그먼트 복잡 한 생물 학적 체적 데이터 메서드를 제공 하 여 이러한 문제를 해결 하도록 설계 된 프로그램의 사용을 설명 합니다. 다른 확대 및 이미징 modalities의 세 가지 데이터 집합 표시 됩니다 여기, 각각 SuRVoS와 세그먼트의 다른 전략을 강조. 단계 대조 x 선 단층 촬영 (microCT) 식물의 fruiting 본문의 세분화 모델 훈련을 사용 하 여 설명 하는, 인간 혈소판의 cryo 전자 단층 촬영 (cryoET) 슈퍼-및 megavoxels, 및 cryo 소프트 사용 하 여 분할을 보여 주기 위해 사용 됩니다. 포유류 세포 라인의 x 선 단층 촬영 (cryoSXT) 도구를 분할 하는 라벨을 입증 하는 데 사용 됩니다. 전략 및 각 데이터 형식에 대 한 매개 변수 또한 선물 된다. 단일 대화형 도구에 자동 프로세스의 선택, 혼합 하 여 SuRVoS는 여러 가지 혜택을 제공 합니다. 전체 시간 세그먼트 체적 데이터 수동 세분화, 다양 한 이미지 처리 분야에서 주류에 비해 5의 요인에 의해 감소 된다. 이 때 중요 한 저축 완전 수동 세분화 노력의 주를 걸릴 수 있습니다. 또한, 주관 계산 확인 된 경계 및 분할 복잡 한 컬렉션 개체의 계산 된 속성 보다는 사건에-의해-사건을 기준의 사용을 통해 해결 됩니다.

많은 이미징 기술 3 차원 데이터의 세분화는 복잡 한 생물 학적 시스템의 분석에서 주요 병목 이다. 여기, 우리가 설명 하는 다양 한 길이 스케일에서 체적 데이터를 세그먼트 반자동 SuRVoS 워크 벤치를 사용 하 여 예제 데이터 집합에서 cryo 전자 단층 촬영, cryo 소프트 x 선 단층 촬영, 그리고 위상 대비 x 선 단층 촬영 기법을 사용 하 여.

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

Segmentation is the process of isolating specific regions or objects within an imaged volume, so that further study can be undertaken on these areas of ...

이 프로시저의 전반적인 목표는 생물학적 성격의 복잡한 볼륨 데이터셋을 반자동으로 분할하는 것입니다. 이 방법은 볼륨 데이터의 정성적 및 정량적 분석을 가능하게 하여 구조 생물학 분야의 핵심적인 질문들에 답하는 데 도움을 줄 수 있습니다. 이 기술의 주요 장점은 생물학적 데이터셋에 대한 통찰력을 제공할 수 있을 뿐만 아니라 재료 과학과 같은 다른 분야에도 적용 가능하다는 점입니다.이 소프트웨어는 기존의 분할 프로그램과는 다른 워크플로를 사용하므로, SuRVoS를 처음 사용할 때 초기 어려움이 있을 수 있습니다. 따라서 이 새로운 워크플로를 이해하기 위해서는 시각적 시연이 매우 중요합니다. 모델 학습을 이용한 크고 명확한 영역의 분할 과정을 위상차 X선 단층촬영 데이터셋을 통해 시연합니다.이 절차를 시작하려면 SuRVoS 워크벤치를 실행하십시오. Open Dataset 버튼을 클릭하고 나타나는 팝업 창에서 세그멘테이션할 데이터 파일을 선택하십시오. 해당 데이터셋에 적절한 방향(orientation)을 선택하십시오.다음으로, 워크스페이스와 관련 파일을 저장할 폴더를 선택합니다. Load 버튼을 클릭하십시오. Select ROI 탭에서 관심 영역의 X, Y, Z 시작 및 종료 좌표를 입력하고 Add를 클릭하십시오.섹션이 추가되면 우측의 체크박스를 확인하여 해당 섹션이 선택되었는지 확인하십시오. 그 다음, Features Channels 탭에서 드롭다운 메뉴를 사용하여 기능을 선택하고 큐에 추가합니다. 해당 기능에 특정한 옵션을 수정하고 기능을 실행할 입력 데이터셋을 선택하십시오.계산할 기능 이름의 오른쪽에 있는 체크박스를 클릭하십시오. 동일한 데이터 세트에 대해 여러 기능을 실행할 수 있으며, 계산된 기능은 추가 처리를 위한 입력 데이터 세트로 사용할 수 있습니다. 그런 다음 Super Regions 탭을 선택하십시오.Super Voxels 섹션에서 드롭다운 메뉴를 사용하여 슈퍼 복셀을 생성할 필터링된 데이터셋을 선택하십시오. 모양, 간격 및 조밀도를 지정하십시오. 적용 버튼을 클릭하여 슈퍼 복셀을 생성하십시오.슈퍼 복셀(super voxel)의 품질을 평가하려면 데이터 오버레이 없이 슈퍼 복셀만 표시하십시오. 데이터에서 관심 있는 특징들이 슈퍼 복셀만으로도 여전히 보인다면, 이는 데이터를 잘 표현하고 있는 것입니다. Annotation 탭에서 Add Level 버튼을 클릭하여 어노테이션 레벨을 추가하십시오.새로 생성된 레벨에서 레이블 추가 버튼을 클릭하여 주석을 위한 레이블을 추가합니다. 다음으로 도구 단축키 섹션에서 펜 아이콘을 선택합니다. 시각화 창 상단에 옵션 세트가 나타납니다.모델 학습을 위한 트레이닝 데이터 생성을 시작하려면 super voxels 옵션과 중간 너비의 펜을 선택하십시오. 레이블 정보의 맨 오른쪽에 있는 상자를 클릭하여 어노테이션할 레이블을 선택하십시오. 그런 다음 시각화 창에서 클릭 및 드래그하여 여러 super voxels를 어노테이션하십시오.모델 훈련(Model Training) 탭에서 예측 레벨을 수동 훈련 주석이 포함된 레벨로 설정하십시오. 그런 다음 디스크립터(descriptor) 섹션에서 영역을 슈퍼 복셀(super voxels)로 설정하십시오. '소스 선택(Select Sources)' 드롭다운 메뉴를 클릭하고 원하는 특성 또는 필터의 체크박스를 선택하여 데이터 영역을 구분하는 데 사용할 디스크립터를 지정하십시오.Predict 버튼을 클릭하십시오. 계산이 완료되면 시각화 창에 레이블이 지정되지 않은 각 복셀(voxel)이 어떤 주석 레이블에 속하는지에 대한 예측 결과가 업데이트됩니다. 학습 방법론의 효과를 평가하고 하나를 선택한 후, refinement 섹션의 Refine 드롭다운을 클릭하여 추가 정밀화를 적용하십시오.모델 학습 탭 하단의 주석 업데이트(Update Annotations) 섹션에서 시각화 드롭다운 메뉴가 예측(predictions)으로 설정되어 있는지 확인하십시오. 다음으로, 신뢰도 슬라이더를 사용하여 주석이 지정되지 않은 슈퍼 복셀을 선택한 주석 레이블에 더 많이 또는 더 적게 할당하십시오. 적절한 신뢰도 수준이 선택되면, 신뢰도 도구 하단의 레이블 옆에 있는 저장(Save) 버튼을 클릭하여 예측 내용을 특정 레이블에 저장하십시오.시각화 창이 변경 사항을 반영하여 업데이트됩니다. 필요한 경우, 라벨이 지정되지 않은 super voxel이 거의 없거나 전혀 없을 때까지 추가적인 정교화 및 높은 신뢰도의 예측을 통해 모델 학습을 반복하십시오. super region을 사용하여 더 작고 복잡한 영역을 분할하는 방법이 cryo-electron tomography 데이터셋을 통해 시연됩니다.주석 탭에서 적절한 레벨과 라벨을 추가한 후, 해당 라벨을 선택하십시오. 중간 너비의 펜을 사용하여 슈퍼 복셀(super voxels)이 선택된 상태로 주석 작업을 시작합니다. 슈퍼 영역 분할의 한 가지 전략은 하나의 슬라이스에서 빠르게 분할한 다음, 위아래로 몇 개의 슬라이스를 이동하여 새 슬라이스의 빈 공간을 채우는 것입니다.이러한 방식으로 사용자는 적은 노력으로 중간 슬라이스들까지 함께 어노테이션할 수 있습니다. 다음으로, 어노테이션을 더욱 정교하게 다듬기 위해 세그멘테이션 라벨과 형태학적 정밀화 방법 중 하나를 선택하십시오. 반지름 값을 입력하고 정밀화 방법을 적용할 방식을 선택하십시오.그 다음 Refine을 클릭합니다. 데이터 객체의 분류 및 분석은 저온-연성 X선 단층 촬영(cryo-soft x-ray tomography) 데이터셋을 통해 시연됩니다. 데이터 세그멘테이션을 완전히 마친 후, 시각화 창의 두 번째 탭인 Label Splitter를 클릭하십시오.윈도우 오른쪽에 규칙 생성 창이라는 새로운 영역이 추가됩니다. 규칙 생성 창 상단에서 라벨 분할을 위한 레벨과 라벨을 선택하십시오. 다음으로 쿼리할 데이터셋을 선택하고 Label을 클릭하십시오.이제 선택한 레이블의 각 객체는 시각화 창에서 별개의 객체로 파란색 테두리로 표시됩니다. 규칙 생성 창에는 객체의 평균 강도를 나타내는 그래프가 표시됩니다. 우측 상단의 드롭다운 상자를 클릭하여 표시되는 측정 항목을 변경하십시오.다음으로, 규칙 생성 창 하단의 Add New Label을 클릭하여 객체를 관련 클래스로 분류하기 시작합니다. Add New Rule을 클릭하고 드롭다운 메뉴와 자유 입력란을 사용하여 적용할 규칙을 정의합니다. Apply를 클릭하면 시각화 창과 규칙 생성 창의 플롯에서 새 규칙의 적용 효과를 확인할 수 있습니다.관심 대상의 분류가 모두 완료되면, Annotations 탭으로 이동하십시오. 새로운 빈 레벨을 생성합니다. 그다음 규칙 생성 탭에서 이 새 레벨을 선택하고 Save Labels를 클릭하십시오.시각화 창 가장자리에 있는 레이블 통계(Label Statistics) 탭을 클릭하여 객체 클래스 간의 관계를 파악하는 데 사용할 수 있는 새 시각화 창을 엽니다. 상단에서 적절한 레벨과 레이블, 그리고 쿼리할 데이터셋을 선택하십시오. 그런 다음 관심 있는 몇 가지 측정 항목 옆의 확인란을 체크하여 선택하십시오.라벨을 클릭하여 선택한 각 측정 항목에 대한 쌍별 비교 그래프를 생성하십시오. 측정 항목을 추가하거나 제거해야 하는 경우, 해당 체크박스를 클릭한 다음 그래프 업데이트를 클릭하십시오. 본 연구에서는 SuRVoS 워크벤치의 두 가지 세그멘테이션 전략과 한 가지 분류 도구를 시연합니다.모델 학습을 위해 영역 정의 경계가 있는 상대적으로 대비가 높은 데이터셋을 로드합니다. 배경, 전경 및 내부 구조를 더 명확하게 구분하기 위해 데이터를 필터링하고 클램핑 처리합니다. 그 후, 필터링된 데이터셋을 기반으로 슈퍼 복셀을 구축합니다.슈퍼 복셀의 품질을 평가한 후, 배경, 과일 가시, 종자 물질 및 주변 과육에 해당하는 영역을 예측하도록 분류기를 학습시키기 위해 수동 주석을 작성합니다. 구멍을 채워 세그멘테이션을 정교하게 다듬기 위해 형태학적 보정(morphological refinements)을 사용합니다. 슈퍼 영역 세그멘테이션을 위해 노이즈가 많고 복잡한 데이터 세트를 로드합니다.다음으로, 선택한 관심 영역에 적절한 필터 세트를 적용합니다. 모델 학습 및 세그멘테이션 후, 5~10 슬라이스마다 신속한 수동 어노테이션을 수행하여 관심 특징을 나타내는 슈퍼 복셀을 선택합니다. 이어서 다양한 소기관이 포함된 데이터셋을 사용하여 라벨 분할 과정을 시연합니다.먼저, 소기관의 경계를 강화하기 위해 적절한 전변이(total variation) 필터를 사용합니다. 메가 복셀(mega voxels)과 슈퍼 복셀(super voxels)을 사용하여 소기관을 반자동으로 분할하며, 구멍을 채우고 가장자리를 부드럽게 하기 위해 정밀화 과정을 거칩니다. 레이블 분할기(label splitter)를 사용하여 데이터셋 내의 각 소기관을 객체로 시각화하고, 이후 데이터 플롯에서 각 객체의 다양한 특성을 시각화합니다.여기서는 소기관의 크기나 평균 강도와 같은 고유한 특성에 따라 소기관을 5가지의 뚜렷한 클래스로 분류하는 규칙을 생성하였습니다. 라벨 분할기(label splitter)를 사용하여 데이터에 대한 정량적 정보를 출력하고 세포 내 맥락을 파악하기 시작할 수 있습니다. 이 영상을 시청하고 나면, 반자동 세그멘테이션을 위해 SuRVoS 워크벤치를 사용하는 방법에 대해 충분히 이해하게 될 것입니다.이 절차를 사용하여, 예를 들어 야생형, 질환 상태 및 치료 후 상태와 같이 여러 생물학적 상태를 비교하여 의문에 대한 답을 얻을 수 있습니다. 이 기술을 숙달하고 적절하게 수행한다면 세그멘테이션(segmentation) 과정을 약 5배 빠르게 진행할 수 있습니다. 이 절차를 마친 후에는 시각화 프로그램을 사용하여 출판 및 영상 제작을 위한 결과물을 렌더링할 수 있습니다.

volume-segmentation-analysis-biological-materials-using-survos-super

Research

연구

JoVE Journal

Biology

생물학

지방 콘텐츠 분석은 정기적으로 murine 비만 모델을 이용한 연구를 실시하고 있습니다. 작은 동물 중부 표준시 이미징 및 분석의 신흥 방법은 종방향 세부 풍부한 지방이 콘텐츠를 분석 제공하고 있습니다. 작은 동물 중부 표준시 이미징, 분석 및 시각화를 수행하기위한 단계 절차에 의해 여기 세부 단계.

세분화 및 Murine 비만 모델에서 지방 볼륨 측정 X 선 계산된 Tomography를 사용하여

병변 탐색기 (LE)는 알츠하이머 질환과 정상 노인의 구조적 MRI에서 지역 뇌 조직과 피질 hyperintensity 병변 볼륨 측정을 얻기 위해 개발 한 반자동, 이미지 처리 파이프 라인입니다. 정확도 및 높은 수준의 신뢰성을 보장하기 위해, 다음과 LE 서 절차 영상 유도, 표준화 된 프로토콜이다.

병변 탐색기를 정확하고 신뢰할 수있는 MRI 유도 알츠하이머 병의 볼륨 측정 및 일반 노인을위한 영상 유도, 표준화 된 프로토콜

셀룰러 차원 전자 현미경을위한 병목 고도로 복잡한 3D 밀도 맵에서 피쳐 추출 (분할)된다. 우리는 따라서 효율적인 세그멘테이션 대한 시작점을 제공하고, 분할 방식 (수동, 반자동 또는 자동으로)가 상이한 데이터 유형에 가장 적합 관한 지침을 제공하는 기준의 세트를 개발했다.

복셀에서 지식 : 복잡한 전자 현미경 3D-데이터의 분할에 대한 실용 가이드

MRI 스캔(인간), 3D 이미징 소프트웨어 및 면역조직학적 분석을 사용하여 뇌의 외측심실의 변화를 문서화합니다. 그런 다음 노화 또는 질병으로 인해 인간 뇌에서 발생하는 외심실 부피 변화의 종단 3D 매핑과 뇌실 주위 세포 변화의 특성화를 마우스에서 모델링합니다.

인간과 마우스의 뇌실 주위 조직의 측면 심실 및 조직 학적 특성의 3D 모델링

이 프로토콜 구조 T1 가중치 mri 회색 물질 볼륨의 정량화에 대 한 사용할 수 있는 회색 문제 지역 윤곽을 그리 다를 7 다른 자동된 분할 도구를 적용 하는 과정을 설명 합니다.

T1-가중치 MRI 이미지에서 외피 회색 물질의 자동된 분할

여기에 우리가 두 개의 샘플 처리 기술, 냉동 고압을 결합에 대 한 프로토콜을 현재 그리고 전자 레인지를 이용한 샘플 처리, 집중 된 이온 빔 스캐닝 전자 현미경 (SEM 거짓말)와 데이터 획득에 대 한 포함 하는 최소한의 수 지. 이 마우스 tibial 신경 샘플와 꼬마 선 충을 사용 하 여 보여 줍니다.

고압 냉동, 전자 레인지를 이용한 콘트라스트 향상, 그리고 볼륨 이미지에 대 한 포함 하는 최소한의 수 지에 의해 생물학 견본 준비

설명된 파이프라인은 기가바이트보다 큰 전자 현미경 데이터 세트를 세분화하여 전체 세포 형태를 추출하도록 설계되었습니다. 셀을 3D로 재구성하면 개별 요구를 중심으로 설계된 맞춤형 소프트웨어를 사용하여 3D로 직접 정성적 및 정량적 분석을 수행할 수 있으며 가상 현실을 사용하여 뷰 오클루전을 극복할 수도 있습니다.

신경교 세포와 신경 세포의 3D 재건 및 가상 현실 분석을위한 방법

이 프로토콜은 강력한 3D 이미징 기술인 직렬 블록-페이스 스캐닝 전자 현미경 검사(SBF-SEM)를 사용하는 일상적인 방법을 간략하게 설명합니다. SBF-SEM의 성공적인 적용은 적절한 고정 및 조직 염색 기술뿐만 아니라 이미징 설정을 신중하게 고려합니다. 이 프로토콜에는 이 프로세스 전체에 대한 실용적인 고려 사항이 포함되어 있습니다.

생물학적 조직 샘플의 직렬 블록-얼굴 스캐닝 전자 현미경 검사(SBF-SEM)

여기에서는 축 신장 및 세분화의 맥락에서 마우스 배아의 세 가지 및 네 차원 이미지 데이터를 시각화하고 분석 할 수있는 계산 도구 및 방법을 설명하고, 토토 광학 투영 단층 촬영에서 얻은 다중 광자 현미경을 사용하여 라이브 이미징 및 전체 마운트 면역 형광 염색을 수행합니다.

척추동물 축 신장 및 세분화를 연구하기 위한 세 가지 및 네 차원 시각화 및 분석 접근법

여기에 설명된 생체내 영상화 방법은 대사 보조인자 NAD(P)H로부터의 콜라겐 초고조파 생성 및 내인성 형광을 이용하여 표지되지 않은 종양 미세환경을 종양, 기질 및 혈관 구획으로 비침습적으로 분절하여 4D 생체내 영상의 심층 분석을 한다.

유방 종양 미세환경의 생체 내 이미징을 위한 라벨 없는 세분화 접근법

다차원 현미경 데이터를 정확하게 분석하려면 복잡한 워크플로가 필요합니다. 이 문서에서는 소프트웨어 Cell-ACDC를 사용하는 방법을 보여줍니다. 현미경 데이터의 세분화, 추적, 세포 혈통 분석 및 정량화를 위해 최첨단 AI 기반 모델을 활용합니다. 결정적으로, 모델 출력의 반자동 수정을 위한 혁신적인 프레임워크로 이러한 모델을 보완합니다.

Cell-ACDC를 사용한 다차원 현미경 데이터 분석

학습하세요 SuRVoS 워크벤치를 활용한 생물학적 볼륨 데이터의 반자동 세분화 방법을. 구조생물학 연구에서 정성적·정량적 분석을 가능하게 하며, 재료과학 등 다양한 분야에도 적용할 수 있습니다.

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

더 많은 동영상 탐색