Volume de segmentação e análise de materiais biológicos, usando a bancada de trabalho de SuRVoS (região super Volume segmentação)

O objetivo geral deste procedimento é segmentar semiautomaticamente conjuntos de dados volumétricos complicados de natureza biológica. Este método pode ajudar a responder a questões-chave no campo da biologia estrutural, permitindo a análise qualitativa e quantitativa de dados volumétricos. A principal vantagem dessa técnica é que, embora esse método possa fornecer informações sobre conjuntos de dados biológicos, ele também pode ser aplicado a outros campos, como a ciência dos materiais.

Este software usa um fluxo de trabalho diferente como programas de segmentação que podem causar dificuldades iniciais ao usar o SuRVoS pela primeira vez. Portanto, a demonstração visual é fundamental para entender esse novo fluxo de trabalho. A segmentação de grandes regiões bem definidas usando o treinamento do modelo é demonstrada em um conjunto de dados de tomografia de raios-x com contraste de fase.

Para iniciar este procedimento, inicie o ambiente de trabalho SuRVoS. Clique no botão Abrir conjunto de dados e selecione o arquivo de dados a ser segmentado no pop-up resultante. Escolha uma orientação apropriada para o conjunto de dados.

Em seguida, escolha uma pasta na qual armazenar o espaço de trabalho e os arquivos associados. Clique no botão Carregar. Na guia Selecionar ROI, insira as coordenadas inicial e final X, Y e Z para nosso interesse na região e clique em Adicionar.

Depois que uma seção for adicionada, certifique-se de que ela esteja selecionada marcando a caixa à direita. Depois disso, na guia Canais de recursos, use o menu suspenso para escolher um recurso e adicioná-lo à fila. Modifique todas as opções específicas do recurso e escolha o conjunto de dados de entrada no qual executar o recurso.

Clique na caixa de seleção à direita do nome do recurso a ser calculado. Vários recursos podem ser executados no mesmo conjunto de dados e os recursos calculados podem ser usados como conjuntos de dados de entrada para processamento posterior. Em seguida, escolha a guia Super Regiões.

Na seção Super Voxels, use o menu suspenso para selecionar o conjunto de dados filtrado a partir do qual os super voxels serão criados. Especifique a forma, o espaçamento e a compacidade. Clique no botão Aplicar para gerar os super voxels.

Para avaliar a qualidade dos super voxels, exiba-os sozinhos sem os dados sobrepostos. Se as características de interesse dos dados ainda estiverem visíveis apenas nos super voxels, elas representam bem os dados. Na guia Anotação, clique no botão Adicionar nível para adicionar um nível de anotação.

Clique no botão Adicionar legenda no nível recém-criado para adicionar uma legenda para a anotação. Em seguida, na seção de atalho da ferramenta, selecione o ícone da caneta. Um conjunto de opções aparecerá na parte superior do painel de visualização.

Selecione a opção super voxels e uma caneta de largura média para começar a criar dados de treinamento para o treinamento do modelo. Clique na caixa à direita das informações do rótulo para selecionar o rótulo a ser anotado. Em seguida, clique e arraste no painel de visualização para anotar vários super voxels.

Na guia Treinamento do modelo, defina o nível de previsão como o nível que contém as anotações de treinamento manual. Em seguida, na seção descritor, defina a região como super voxels. Clique no menu suspenso Selecionar fontes e marque as caixas dos recursos ou filtros de escolha para selecionar os descritores que serão usados para diferenciar regiões de dados.

Clique no botão Prever. Quando o cálculo for concluído, o painel de visualização será atualizado com previsões de qual rótulo de anotação cada voxel não rotulado pertence. Depois de avaliar o efeito das metodologias de treinamento e escolher uma, clique no menu suspenso Refinar na seção de refinamento para aplicar refinamento adicional.

Na parte inferior da guia de treinamento do modelo, na seção Atualizar Anotações, verifique se o menu suspenso de visualização está definido como previsões. Em seguida, use o controle deslizante de confiança para atribuir mais ou menos dos super voxels não anotados aos rótulos de anotações selecionados. Depois que um nível apropriado de confiança tiver sido selecionado, clique nos botões Salvar ao lado dos rótulos na parte inferior da ferramenta de confiança para salvar as previsões em rótulos específicos.

O painel de visualização será atualizado para refletir as alterações feitas. Se necessário, repita o treinamento do modelo com refinamento adicional e previsões de alta confiança até que haja poucos ou nenhum super voxels não rotulado. A segmentação de regiões menores e mais complexas usando super-regiões é demonstrada em um conjunto de dados de tomografia crioeletrônica.

Depois de adicionar níveis e legendas apropriados na guia de anotação, selecione a legenda. Usando uma caneta de largura média, comece a anotar com super voxels selecionados. Uma estratégia para segmentação de super-região é segmentar rapidamente em uma fatia, mover algumas fatias acima ou abaixo e preencher as lacunas na nova fatia.

Desta forma, as fatias intermediárias também serão anotadas com menos esforço do usuário. Em seguida, para limpar ainda mais as anotações, selecione o rótulo de segmentação e um dos métodos de refinamento morfológico. Insira um valor de raio e escolha como aplicar o método de refinamento.

Em seguida, clique em Refinar. A classificação e análise de objetos de dados são demonstradas em um conjunto de dados de tomografia de raios-x criomole. Depois de segmentar totalmente os dados, clique na segunda guia no painel de visualização chamada Divisor de Rótulos.

Uma nova área, o painel de criação de regras, será adicionada ao lado direito da janela. Na parte superior do painel de criação de regras, selecione o nível e os rótulos para divisão de rótulos. Em seguida, selecione o conjunto de dados a ser consultado e clique em Rótulo.

Cada objeto nos rótulos selecionados agora será destacado em azul como objetos separados no painel de visualização. O painel de criação de regras agora conterá um gráfico mostrando a intensidade média dos objetos. Clique na caixa suspensa no canto superior direito para alterar a medida que está sendo mostrada.

Em seguida, clique em Adicionar Novo Rótulo na parte inferior do painel de criação de regras para começar a dividir os objetos em classes relevantes. Clique em Adicionar Nova Regra e use as caixas suspensa e de entrada de forma livre para definir a regra a ser aplicada. Clique em Aplicar para ver os efeitos da nova regra no painel de visualização e na plotagem no painel de criação de regras.

Depois que todos os objetos de interesse forem classificados, vá para a guia Anotações. Crie um novo nível vazio. Em seguida, escolha esse novo nível na guia de criação de regras e clique em Salvar rótulos.

Clique na guia Estatísticas de Rótulo na borda do painel de visualização para abrir um novo painel de visualização que pode ser usado para entender as relações entre as classes de objeto. Na parte superior, selecione um nível e rótulos apropriados e o conjunto de dados a ser consultado. Em seguida, selecione algumas medidas de interesse marcando as caixas ao lado delas.

Clique em Rótulo para produzir gráficos de comparação em pares para cada uma das medidas selecionadas. Se uma medida precisar ser adicionada ou removida, clique na caixa de seleção apropriada e clique em Atualizar plotagem. Neste estudo, são demonstradas duas estratégias de segmentação e uma ferramenta de classificação no ambiente de trabalho SuRVoS.

Para treinamento de modelo, um conjunto de dados de contraste relativamente alto com limites de definição de região é carregado. Os dados são filtrados e fixados para tornar o plano de fundo, o primeiro plano e as estruturas internas mais distinguíveis. Os super voxels são então construídos sobre o conjunto de dados filtrado.

Depois que a qualidade dos super voxels é avaliada, anotações manuais são feitas para treinar o classificador para prever as áreas correspondentes ao fundo, às cerdas da fruta, ao material da semente e à polpa circundante. Refinamentos morfológicos são usados para limpar a segmentação preenchendo buracos. Para segmentação de super-região, um conjunto de dados ruidoso e complexo é carregado.

Em seguida, um conjunto de filtros apropriado é aplicado à região de interesse selecionada. Após o treinamento e a segmentação do modelo, anotações manuais rápidas são usadas a cada cinco a 10 fatias para selecionar os super voxels que descrevem o recurso de interesse. A divisão de rótulos é então demonstrada usando um conjunto de dados com muitas organelas variadas.

Primeiro, um filtro de variação total apropriado é usado para melhorar os limites da organela. As organelas são segmentadas semimanualmente usando mega voxels e super voxels e o refino é usado para preencher buracos e suavizar bordas. O divisor de rótulos é usado para visualizar cada organela como um objeto no conjunto de dados e, em seguida, para visualizar várias características sobre cada objeto no gráfico de dados.

Aqui, foram criadas regras para separar as organelas em cinco classes distintas com base em suas propriedades herdadas, por exemplo, seu tamanho ou intensidade média. O divisor de rótulos pode ser usado para gerar informações quantitativas sobre os dados e começar a entender o contexto celular. Depois de assistir a este vídeo, você deve ter uma boa compreensão de como usar o SuRVoS workbench para segmentação semiautomática.

Usando este procedimento, comparações de vários estados biológicos podem ser feitas para responder a perguntas, por exemplo, sobre doenças do tipo selvagem e, em seguida, condições tratadas. Uma vez dominada, essa técnica pode acelerar o processo de segmentação em aproximadamente cinco vezes se for executada corretamente. Seguindo este procedimento, programas de visualização podem ser usados para renderizar os resultados para publicação e produção de filmes.