Volume segmentatie en analyse van biologische materialen met behulp van de SuRVoS (Super regio Volume segmentatie) Workbench
August 23rd, 2017
Segmentatie van driedimensionale gegevens uit vele beeldvormingstechnieken is een grote knelpunt in de analyse van complexe biologische systemen. Hier beschrijven we het gebruik van SuRVoS Workbench tot semi-automatisch segment volumetrische gegevens op verschillende lengte-schalen voorbeeld datasets van cryo-Elektronentomografie, cryo zachte X-ray tomografie en fase contrast X-ray tomografie technieken gebruiken.
Het algemene doel van deze procedure is om complexe volumetrische datasets van biologische aard semi-automatisch te segmenteren. Deze methode kan helpen bij het beantwoorden van belangrijke vragen op het gebied van structurele biologie door zowel kwalitatieve als kwantitatieve analyse van volumetrische gegevens mogelijk te maken. Het grootste voordeel van deze techniek is dat, hoewel deze methode inzicht kan bieden in biologische datasets, deze ook kan worden toegepast op andere gebieden zoals materiaalkunde.
Deze software gebruikt een andere workflow dan segmentatieprogramma's, wat bij het eerste gebruik van SuRVoS aanvankelijke moeilijkheden kan veroorzaken. Daarom is visuele demonstratie cruciaal om deze nieuwe workflow te begrijpen. Segmentatie van grote, goed gedefinieerde regio's met behulp van modeltraining wordt gedemonstreerd op een fasecontrast röntgentomografie dataset.
Om deze procedure te starten, start u de SuRVoS werkbank. Klik op de knop Open Dataset en selecteer het te segmenteren gegevensbestand in het resulterende pop-upvenster. Kies een geschikte oriëntatie voor de dataset.
Kies vervolgens een map om de werkruimte en de bijbehorende bestanden in op te slaan. Klik op de knop Laden. In het tabblad Selecteer ROI voer de X, Y en Z start- en eindcoördinaten voor onze regio van interesse in en klik op Toevoegen.
Zodra een sectie is toegevoegd, zorg er dan voor dat deze is geselecteerd door het vakje aan de rechterkant aan te vinken. Hierna, in het tabblad Functiekanalen, gebruikt u het vervolgkeuzemenu om een functie te kiezen en deze toe te voegen aan de wachtrij. Wijzig eventuele opties die specifiek zijn voor de functie en kies het invoergegevensbestand waarop de functie moet worden uitgevoerd.
Klik op het selectievakje rechts van de functienaam om te berekenen. Meerdere functies kunnen op hetzelfde dataset worden uitgevoerd en berekende functies kunnen worden gebruikt als invoergegevens voor verdere verwerking. Kies vervolgens het tabblad Super Regio's.
In de sectie Super Voxels gebruikt u het vervolgkeuzemenu om het gefilterde dataset te selecteren waaruit de super voxels zullen worden gemaakt. Specificeer de vorm, de afstand en de compactheid. Klik op de knop Toepassen om de super voxels te genereren.
Om de kwaliteit van de super voxels te beoordelen, toont u ze alleen aan zonder de gegevens erop. Als de interessante kenmerken van de gegevens nog steeds zichtbaar zijn in de super voxels alleen, vertegenwoordigen ze de gegevens goed. In het tab Annotation klikt u op de knop Niveau Toevoegen om een annotatiefase toe te voegen.
Klik op de knop Label Toevoegen in het nieuw gecreëerde niveau om een label voor de annotatie toe te voegen. Selecteer vervolgens in het gedeelde snelkoppelingengedeelte het penpictogram. Een reeks opties verschijnt bovenaan het visualisatiepaneel.
Selecteer de super voxels optie en een pen met middelste breedte om te beginnen met het creëren van trainingsgegevens voor de modeltraining. Klik op het vakje aan de rechterkant van de labelinformatie om het te labelen dat moet worden geannoteerd. Klik vervolgens en sleep in het visualisatiepaneel om meerdere super voxels te annoteren.
In het tab Model Training stelt u het voorspellingsniveau in op het niveau dat de handmatige trainingsannotaties bevat. Vervolgens, in de sectie descriptor, stelt u de regio in op super voxels. Klik op de vervolgkeuze Selecteer Bronnen en vink de vakjes aan voor de gewenste functies of filters om de descriptoren te selecteren die zullen worden gebruikt om regio's van gegevens te onderscheiden.
Klik op de knop Voorspellen. Wanneer de berekening is voltooid, wordt het visualisatiepaneel bijgewerkt met voorspellingen van welk annotatielabel elk niet-gelabelde voxel toebehoort. Na het beoordelen van het effect van de trainingsmethodologieën en het kiezen van een, klikt u op de vervolgkeuze Verfijnen in de verfijningsectie om aanvullende verfijning toe te passen.
Aan de onderkant van het modeltrainingstab in de sectie Annotations Bijwerken, zorg ervoor dat het visualisatiemenu is ingesteld op voorspellingen. Gebruik vervolgens de schuifregelaar vertrouwen om meer of minder van de niet-geannoteerde super voxels toe te wijzen aan de geselecteerde annotatieslabels. Nadat er een geschikt niveau van vertrouwen is geselecteerd, klikt u op de Opslaan knoppen naast de labels onderaan het vertrouwensgereedschap om de voorspellingen in specifieke labels op te slaan.
Het visualisatiepaneel wordt bijgewerkt om de aangebrachte wijzigingen weer te geven. Indien nodig, herhaalt u de modeltraining met aanvullende verfijning en voorspellingen met hoog vertrouwen totdat er weinig of geen ongelabelde super voxels zijn. Segmentatie van kleinere, complexere regio's met behulp van super regio's wordt gedemonstreerd op een cryo-elektronentomografie dataset.
Na het toevoegen van geschikte niveaus en labels in het tab Annotation, selecteert u het label. Gebruik een pen met middelste breedte en begin met annoteren met geselecteerde super voxels. Een strategie voor super regio segmentatie is om snel op één slice te segmenteren, een paar slices boven of onder te verplaatsen en de gaten op de nieuwe slice in te vullen.
Op deze manier zullen de tussenliggende slices ook worden geannoteerd met minder inspanning van de gebruiker. Vervolgens, om de annotaties verder op te ruimen, selecteert u het segmentatielabel en een van de morfologische verfijningmethoden. Voer een straalwaarde in en kies hoe de verfijningmethode moet worden toegepast.
Klik vervolgens op Verfijnen. Classificatie en analyse van dataobjecten wordt gedemonstreerd op een cryo-soft röntgentomografie dataset. Nadat de gegevens volledig zijn gesegmenteerd, klikt u op het tweede tabblad in het visualisatiepaneel genaamd Label Splitter.
Er wordt een nieuw gebied, het regelscreatiepaneel, toegevoegd aan de rechterkant van het venster. Kies bovenaan het regelscreatiepaneel het niveau en de labels voor labelsplitsing. Selecteer vervolgens de dataset om te queryen en klik op Label.
Elk object in de geselecteerde labels wordt nu omlijnd in blauw als aparte objecten in het visualisatiepaneel. Het regelscreatiepaneel bevat nu een grafiek die de gemiddelde intensiteit van de objecten toont. Klik op de vervolg
Overzicht
Dit artikel bespreekt het gebruik van SuRVoS Workbench voor semi-automatisch segmenteren van complexe volumetrische datasets in de structurele biologie. De methode verbetert de kwalitatieve en kwantitatieve analyse van biologische gegevens, met toepassingen die zich uitstrekken tot materiaalkunde.
Belangrijke studiecomponenten
Wetenschapsgebied
- Structurele biologie
- Beeldtechnieken
- Gegevenssegmentatie
Achtergrond
- Segmentatie van 3D-gegevens is een belangrijke uitdaging in biologische analyse.
- Verschillende beeldtechnieken, zoals cryo-elektron tomografie, worden gebruikt.
- SuRVoS Workbench biedt een nieuwe aanpak voor gegevenssegmentatie.
- Het begrijpen van de workflow is cruciaal voor effectief gebruik van de software.
Doel van studie
- Om de segmentatie van volumetrische datasets te verbeteren.
- Om analyse in structurele biologie te vergemakkelijken.
- Om een methode te bieden die toepasbaar is in andere vakgebieden zoals materiaalkunde.
Gebruikte methoden
- SuRVoS Workbench starten en datasets laden.
- Gebieden van interesse definiëren en kenmerken selecteren voor segmentatie.
- Super voxels maken en gegevens annoteren.
- Modeltraining voor verbeterde segmentatie-nauwkeurigheid.
Belangrijkste resultaten
- Succesvolle segmentatie van grote regio's met behulp van modeltraining.
- Demonstratie van segmentatie op verschillende datasets.
- Classificatie en analyse van gesegmenteerde objecten.
- Verfijning methoden verbeteren de kwaliteit van annotaties.
Conclusies
- SuRVoS Workbench helpt aanzienlijk bij de segmentatie van complexe biologische datasets.
- De methode is veelzijdig en kan worden aangepast voor andere wetenschappelijke gebieden.
- Visuele demonstraties zijn essentieel voor het begrijpen van de workflow.
Veelgestelde vragen
Executive Industry Relevance
Accurate segmentation of complex 3D biological imaging data is a critical bottleneck in structural biology and preclinical target validation, where manual methods are time-intensive and subjective. SuRVoS Workbench addresses this by enabling semi-automated segmentation that reduces processing time by approximately fivefold while improving reproducibility through computationally defined boundaries. This capability supports faster hypothesis testing, mechanistic de-risking, and data-driven decision-making in early discovery workflows.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables qualitative and quantitative analysis of subcellular and tissue-level structures to interrogate therapeutic hypotheses and clarify disease-relevant pathways.
- Operational Value: Reduces segmentation time from weeks to days, accelerating target validation cycles and freeing expert resources for higher-order analysis.
- Predictive Value: Provides consistent, reproducible segmentation outputs that enhance confidence in structural observations used for target prioritization.
Screening & Assay Development
- Scientific Value: Generates standardized, quantifiable object measurements (e.g., size, intensity) from segmented organelles or cellular components, enabling assay-ready phenotypic readouts.
- Operational Value: Supports scalable application across imaging modalities (cryoET, microCT, cryoSXT) and model systems, facilitating cross-platform assay standardization.
- Predictive Value: Enables objective classification of biological objects via rule-based label splitting, reducing observer bias in high-content screening data interpretation.
Translational & Preclinical Research
- Scientific Value: Maintains continuity from discovery through preclinical stages by providing comparable, quantitative structural data across biological states (e.g., wild-type vs. treated).
- Operational Value: Integrates with downstream visualization and publication tools, supporting seamless transition from data segmentation to presentation and regulatory documentation.
- Predictive Value: Facilitates mechanistic de-risking by linking morphological changes to functional phenotypes, improving target-to-hypothesis alignment.
Pipeline & Workflow Integration
SuRVoS Workbench fits within the discovery continuum from early target hypothesis testing through lead identification and preclinical validation, particularly where 3D imaging informs biological mechanism or target engagement.
- Discovery Biology: Supports hypothesis testing by enabling precise isolation and analysis of regions of interest in complex volumetric datasets, clarifying structural basis of biological function.
- Screening: Delivers reproducible, quantitative outputs (e.g., object counts, size distributions) essential for assay development and compound effect evaluation in phenotypic screening.
- Analytics: Generates measurable descriptors (intensity, shape, volume) that allow statistical comparison of conditions and support data-driven go/no-go decisions.
- Translational Research: Enables direct comparison of structural phenotypes across disease models, supporting biomarker alignment and preclinical continuity when source data shows conserved organelle responses.
- Enterprise Reuse: Functions as a reusable segmentation platform across projects, modalities, and teams, reducing redundant method development and promoting standardization.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity through objective, data-driven segmentation.
- Operational Value: Improves standardization and scalability of image analysis workflows across sites and modalities, decreasing variability in multi-user environments.
- Strategic Value: Accelerates go/no-go decisions by shortening the time from image acquisition to actionable insight, improving capital efficiency in discovery projects.
- Portfolio Impact: Enables risk-adjusted prioritization of targets based on robust, quantitative structural evidence, reducing late-stage biological attrition.
Implementation Considerations
- Requires familiarity with 3D image data concepts and SuRVoS-specific workflows, including super voxel generation and model training.
- Dependent on access to compatible imaging systems (e.g., cryoET, microCT, cryoSXT) and sufficient computational resources for voxel processing.
- Necessitates cross-team agreement on annotation standards, feature selection, and refinement parameters to ensure reproducibility.
- Adaptation across model systems may require tuning of filter settings, super voxel parameters, and label splitting rules based on signal-to-noise and structural complexity.
- Practical limitations include initial learning curve due to non-traditional workflow and dependency on user-defined training data quality for model accuracy.
Biopharma FAQs
Chapters in this video
0:05
Title
0:53
Preparing the Workplace, Data Representation, and Generating Appropriate Super-regions
3:19
Introduction to Annotation
4:12
Segmentation Using Model Training
5:41
Segmentation Using Super-regions
6:42
Classifiction and Analysis of Data Objects Based on Inherent Characteristics
9:00
Results: Model Training, Super-region Segmentation, and Label Splitting Using the SuRVoS Workbench
10:55
Conclusion
