Объем сегментации и анализ биологических материалов с помощью Workbench SuRVoS (супер-регионе объем сегментация)
23 августа 2017 г.
Сегментация трехмерных данных из многих методы визуализации является основным узким местом в анализ сложных биологических систем. Здесь, мы описывают использование SuRVoS Workbench полуавтоматически сегмент объемные данные на различные длины шкалы с использованием наборов данных примера от крио электронная томография, крио мягкой рентгеновская томография и фаза контраст рентгеновская томография методов.
Общая цель этой процедуры заключается в полуавтоматической сегментации сложных объемных наборов данных биологического характера. Этот метод может помочь ответить на ключевые вопросы в области структурной биологии, позволяя проводить качественный и количественный анализ объемных данных. Основное преимущество этого метода заключается в том, что хотя этот метод может дать представление о биологических наборах данных, он также может быть применен в других областях, таких как материаловедение.
Это программное обеспечение использует другой рабочий процесс в качестве программ сегментации, что может вызвать первоначальные трудности при первом использовании SuRVoS. Таким образом, визуальная демонстрация имеет решающее значение для понимания этого нового рабочего процесса. Сегментация больших четко определенных областей с помощью обучения модели демонстрируется на наборе данных фазово-контрастной рентгеновской томографии.
Чтобы начать эту процедуру, запустите верстак SuRVoS. Нажмите кнопку «Открыть набор данных» и выберите файл данных для сегментации в появившемся всплывающем окне. Выберите подходящую ориентацию для набора данных.
Затем выберите папку, в которой будет храниться рабочая область и связанные с ней файлы. Нажмите кнопку «Загрузить». На вкладке Выбрать ROI введите координаты начала и конца X, Y и Z для интересующего региона и нажмите Добавить.
После добавления раздела убедитесь, что он выбран, установив флажок справа. После этого во вкладке Каналы функций с помощью выпадающего меню выберите функцию и добавьте ее в очередь. Измените все параметры, относящиеся к объекту, и выберите входной набор данных, на котором будет запущен компонент.
Установите флажок справа от имени функции, для которой требуется выполнить вычисления. Несколько объектов могут быть запущены на одном и том же наборе данных, а вычисленные объекты могут быть использованы в качестве входных наборов данных для дальнейшей обработки. Затем выберите вкладку «Суперрегионы».
В разделе Супервоксели с помощью выпадающего меню выберите отфильтрованный набор данных, из которого будут созданы супервокселы. Укажите форму, интервал и компактность. Нажмите кнопку «Применить», чтобы создать супервоксели.
Чтобы оценить качество супервокселей, отображайте их отдельно без наложения данных. Если интересующие вас особенности данных все еще видны только в супервокселах, они хорошо представляют данные. На вкладке Аннотации нажмите кнопку Добавить уровень, чтобы добавить уровень аннотации.
Нажмите кнопку Добавить метку на только что созданном уровне, чтобы добавить метку для аннотации. Далее в разделе ярлыков инструмента выберите значок пера. Набор параметров появится в верхней части панели визуализации.
Выберите параметр супервокселов и перо средней ширины, чтобы начать создание обучающих данных для обучения модели. Щелкните поле справа от информации о метке, чтобы выбрать метку для аннотации. Затем щелкните и перетащите курсор на панели визуализации, чтобы добавить заметки к нескольким супервоксалям.
На вкладке Обучение модели задайте для параметра Уровень прогноза уровень, содержащий аннотации ручного обучения. Затем в разделе дескрипторов установите регион на супер воксели. Щелкните раскрывающийся список «Выбрать источники» и установите флажки для выбранных функций или фильтров, чтобы выбрать дескрипторы, которые будут использоваться для различения областей данных.
Нажмите на кнопку «Предсказать». Когда вычисления будут завершены, панель визуализации обновится с прогнозами о том, к какой метке аннотаций принадлежит каждый непомеченный воксель. Оценив эффект от методик обучения и выбрав одну из них, нажмите на раскрывающийся список «Уточнить» в разделе уточнений, чтобы применить дополнительное уточнение.
В нижней части вкладки обучения модели в разделе Обновление аннотаций убедитесь, что в раскрывающемся меню визуализации выбрано значение Прогнозы. Затем используйте ползунок достоверности, чтобы назначить больше или меньше неаннотированных супервокселей выбранным меткам аннотаций. После выбора соответствующего уровня достоверности нажмите кнопки Сохранить рядом с метками в нижней части средства проверки достоверности, чтобы сохранить прогнозы в определенных метках.
Панель визуализации обновится в соответствии с внесенными изменениями. При необходимости повторяйте обучение модели с дополнительной уточнением и прогнозами с высокой степенью достоверности до тех пор, пока неразмеченных супервокселей не останется мало или вообще не будет. Сегментация меньших, более сложных областей с использованием суперобластей продемонстрирована на наборе данных криоэлектронной томографии.
После добавления соответствующих уровней и меток во вкладке аннотаций выберите метку. Используя перо средней ширины, начните аннотирование с выделенными супервокселями. Одна из стратегий сегментации суперрегионов заключается в том, чтобы быстро сегментировать один срез, переместиться на несколько срезов вверх или ниже и заполнить пробелы на новом срезе.
Таким образом, промежуточные срезы также будут аннотированы с меньшими усилиями со стороны пользователя. Далее, чтобы еще больше очистить аннотации, выберите метку сегментации и один из методов морфологического уточнения. Введите значение радиуса и выберите способ применения метода уточнения.
Затем нажмите кнопку Уточнить. Классификация и анализ объектов данных продемонстрированы на наборе данных криомягкой рентгеновской томографии. После полной сегментации данных перейдите на вторую вкладку в области визуализации под названием «Разделитель меток».
В правой части окна будет добавлена новая область, панель создания правил. В верхней части области создания правил выберите уровень и метки для разделения меток. Затем выберите набор данных для запроса и нажмите кнопку Метка.
Каждый объект в выбранных метках теперь будет обведен синим цветом как отдельные объекты на панели визуализации. Панель создания правил теперь будет содержать график, показывающий среднюю интенсивность объектов. Нажмите на выпадающее меню в правом верхнем углу, чтобы изменить отображаемую меру.
Затем нажмите кнопку Добавить новую метку в нижней части панели создания правил, чтобы начать разбиение объектов на соответствующие классы. Нажмите кнопку Добавить новое правило и используйте раскрывающийся список и поля ввода в свободной форме, чтобы определить правило, которое будет применяться. Нажмите кнопку Применить, чтобы увидеть эффекты нового правила в области визуализации и на графике в области создания правила.
После того, как все интересующие объекты классифицированы, перейдите на вкладку Аннотации. Создайте новый пустой уровень. Затем выберите этот новый уровень на вкладке создания правил и нажмите кнопку Сохранить метки.
Щелкните вкладку Статистика меток на краю панели визуализации, чтобы открыть новую панель визуализации, которую можно использовать для понимания отношений между классами объектов. В верхней части экрана выберите подходящий уровень, метки и набор данных для запроса. Затем выберите несколько интересующих мер, установив флажки рядом с ними.
Щелкните Надпись, чтобы построить графики попарного сравнения для каждого из выбранных измерений. Если необходимо добавить или удалить меру, установите соответствующий флажок, а затем нажмите кнопку Обновить график. В данном исследовании демонстрируются две стратегии сегментации и один инструмент классификации в инструментальных средствах SuRVoS.
Для обучения модели загружается набор данных с относительно высокой контрастностью и границами, определяющими регионы. Данные фильтруются и зажимаются, чтобы сделать фон, передний план и внутренние структуры более различимыми. Затем супервоксели строятся на основе отфильтрованного набора данных.
После того, как качество супервокселей оценено, вручную делаются аннотации, чтобы обучить классификатор прогнозировать области, соответствующие фону, фруктовой щетине, семенному материалу и окружающей мякоти. Морфологические уточнения используются для очистки сегментации путем заполнения отверстий. Для сегментации суперрегионов загружается зашумленный и сложный набор данных.
Затем к выбранной области интереса применяется соответствующий набор фильтров. После обучения модели и сегментации через каждые пять-10 срезов используются быстрые ручные аннотации для выбора супервокселей, описывающих интересующий объект. Затем демонстрируется разделение меток с использованием набора данных с множеством различных органелл.
Во-первых, для усиления границ органелл используется соответствующий фильтр полной вариации. Органеллы полувручную сегментируются с помощью мега вокселей и супер вокселей, а рафинирование используется для заполнения отверстий и сглаживания краев. Разделитель меток используется для визуализации каждой органеллы как объекта в наборе данных, а затем для визуализации различных характеристик каждого объекта на графике данных.
Здесь были созданы правила для разделения органелл на пять различных классов на основе их наследуемых свойств, например, размера или средней интенсивности. Разделитель меток может быть использован для вывода количественной информации о данных и начала понимания клеточного контекста. После просмотра этого видео у вас должно сложиться хорошее понимание того, как использовать верстак SuRVoS для полуавтоматической сегментации.
Используя эту процедуру, можно провести сравнение нескольких биологических состояний, чтобы ответить на вопросы, например, о болезни дикого типа и последующем лечении. После освоения этот метод может ускорить процесс сегментации примерно в пять раз, если он выполнен правильно. Следуя этой процедуре, программы визуализации могут быть использованы для рендеринга результатов для публикации и создания фильма.
Обзор
В данной статье рассматривается использование SuRVoS Workbench для полуавтоматической сегментации сложных объемных наборов данных в структурной биологии. Этот метод расширяет возможности качественного и количественного анализа биологических данных, а область его применения распространяется также на материаловедение.
Основные компоненты исследования
Область науки
- Структурная биология
- Методы визуализации
- Сегментация данных
Теоретические сведения
- Сегментация 3D-данных представляет собой сложную задачу в биологическом анализе.
- Используются различные методы визуализации, такие как криоэлектронная томография.
- SuRVoS Workbench предлагает новый подход к сегментации данных.
- Понимание рабочего процесса имеет решающее значение для эффективного использования программного обеспечения.
Цель исследования
- Улучшение сегментации объемных наборов данных.
- Облегчение анализа в области структурной биологии.
- Предоставление метода, применимого в других областях, таких как материаловедение.
Используемые методы
- Запуск SuRVoS Workbench и загрузка наборов данных.
- Определение областей интереса и выбор признаков для сегментации.
- Создание супервокселей и аннотирование данных.
- Обучение модели для повышения точности сегментации.
Основные результаты
- Успешная сегментация крупных областей с использованием обучения модели.
- Демонстрация сегментации на различных наборах данных.
- Классификация и анализ сегментированных объектов.
- Методы уточнения повышают качество аннотаций.
Выводы
- Рабочая станция SuRVoS значительно облегчает сегментацию сложных биологических наборов данных.
- Метод универсален и может быть адаптирован для других областей науки.
- Визуальные демонстрации необходимы для понимания рабочего процесса.
Часто задаваемые вопросы
Практическая значимость для отрасли
Точная сегментация сложных данных 3D-визуализации биологических объектов является критическим узким местом в структурной биологии и доклинической валидации мишеней, где ручные методы трудоемки и субъективны. SuRVoS Workbench решает эту проблему, обеспечивая полуавтоматическую сегментацию, которая сокращает время обработки примерно в пять раз, одновременно повышая воспроизводимость за счет вычислительно определенных границ. Эта возможность способствует более быстрому тестированию гипотез, снижению механистических рисков и принятию решений на основе данных в рабочих процессах раннего поиска.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Научная ценность: Обеспечивает возможность качественного и количественного анализа структур на субклеточном и тканевом уровнях для проверки терапевтических гипотез и уточнения путей, имеющих значение при заболеваниях.
- Операционная ценность: Сокращает время сегментации с недель до дней, ускоряя циклы валидации мишеней и высвобождая ресурсы экспертов для анализа более высокого порядка.
- Прогностическая ценность: Обеспечивает согласованные, воспроизводимые результаты сегментации, что повышает достоверность структурных наблюдений, используемых для определения приоритетности мишеней.
Скрининг и разработка анализа
- Научная ценность: обеспечивает получение стандартизированных количественных измерений объектов (например, размера, интенсивности) на основе сегментированных органелл или клеточных компонентов, что позволяет получать готовые для анализа фенотипические показатели.
- Операционная ценность: поддерживает масштабируемое применение в различных методах визуализации (cryoET, microCT, cryoSXT) и модельных системах, способствуя стандартизации анализов между разными платформами.
- Прогностическая ценность: обеспечивает объективную классификацию биологических объектов посредством разделения меток на основе заданных правил, что снижает субъективизм наблюдателя при интерпретации данных высокопроизводительного скрининга.
Трансляционные и доклинические исследования
- Научная ценность: обеспечивает преемственность от этапа открытия до доклинических исследований, предоставляя сопоставимые количественные структурные данные для различных биологических состояний (например, дикого типа по сравнению с обработанным).
- Операционная ценность: интегрируется с инструментами визуализации и подготовки публикаций, поддерживая плавный переход от сегментации данных к презентации и подготовке регуляторной документации.
- Прогностическая ценность: способствует снижению механистических рисков путем установления связи между морфологическими изменениями и функциональными фенотипами, что улучшает согласованность между мишенью и гипотезой.
Интеграция конвейера и рабочего процесса
Рабочая станция SuRVoS Workbench вписывается в непрерывный процесс исследований — от раннего тестирования гипотез о мишенях до идентификации ведущих соединений и доклинической валидации, особенно в тех случаях, когда 3D-визуализация дает представление о биологическом механизме или взаимодействии с мишенью.
- Биология открытий: обеспечивает проверку гипотез за счет точной изоляции и анализа интересующих областей в сложных волюметрических наборах данных, что позволяет прояснить структурную основу биологической функции.
- Скрининг: обеспечивает воспроизводимые количественные результаты (например, подсчет объектов, распределение по размеру), необходимые для разработки анализа и оценки эффекта соединений при фенотипическом скрининге.
- Аналитика: генерирует измеримые дескрипторы (интенсивность, форма, объем), которые позволяют проводить статистическое сравнение условий и принимать обоснованные решения о целесообразности дальнейшего исследования (go/no-go).
- Трансляционные исследования: позволяют проводить прямое сравнение структурных фенотипов в различных моделях заболеваний, что способствует согласованию биомаркеров и обеспечению преклинической преемственности при наличии консервативных ответов органелл в исходных данных.
- Корпоративное повторное использование: функционирует как многократно используемая платформа сегментации для различных проектов, модальностей и команд, что сокращает избыточную разработку методов и способствует стандартизации.
Операционное и корпоративное влияние
- Научная ценность: Повышает достоверность прогнозов при валидации мишеней за счет снижения механистической неопределенности с помощью объективной сегментации на основе данных.
- Операционная ценность: Улучшает стандартизацию и масштабируемость рабочих процессов анализа изображений в различных центрах и при использовании разных модальностей, снижая вариабельность в многопользовательских средах.
- Стратегическая ценность: Ускоряет принятие решений о продолжении или прекращении исследований (go/no-go) за счет сокращения времени от получения изображения до получения практически значимых выводов, что повышает эффективность использования капитала в проектах по поиску новых лекарств.
- Влияние на портфель: Позволяет осуществлять приоритезацию мишеней с учетом рисков на основе надежных количественных структурных данных, снижая вероятность неудач на поздних стадиях биологических испытаний.
Особенности реализации
- Требуется знакомство с концепциями данных 3D-изображений и специфическими рабочими процессами SuRVoS, включая генерацию супервокселей и обучение моделей.
- Зависит от доступа к совместимым системам визуализации (например, cryoET, microCT, cryoSXT) и достаточных вычислительных ресурсов для обработки вокселей.
- Необходимо согласование между командами стандартов аннотирования, выбора признаков и параметров уточнения для обеспечения воспроизводимости.
- Адаптация для различных модельных систем может потребовать настройки параметров фильтрации, параметров супервокселей и правил разделения меток в зависимости от соотношения сигнал/шум и структурной сложности.
- Практические ограничения включают период первоначального обучения из-за нетрадиционного рабочего процесса и зависимость точности модели от качества определяемых пользователем обучающих данных.
Часто задаваемые вопросы о биофармацевтике
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
