सेलुलर 3 डी इलेक्ट्रॉन माइक्रोस्कोपी के लिए टोंटी अत्यधिक जटिल 3 डी घनत्व नक्शे में सुविधा निष्कर्षण (विभाजन) है. हम इस प्रकार प्रभावी विभाजन के लिए एक प्रारंभिक बिंदु प्रदान करने, विभाजन दृष्टिकोण (मैनुअल, अर्द्ध स्वचालित, या स्वचालित) विभिन्न प्रकार के डेटा के लिए सबसे उपयुक्त है जो के बारे में मार्गदर्शन प्रदान करता है जो मापदंड का एक सेट, विकसित किया है.
आधुनिक 3 डी इलेक्ट्रॉन माइक्रोस्कोपी दृष्टिकोण हाल ही में इस तरह के आसंजन परिसरों, साथ ही उच्च आदेश संरचनाओं, ऐसे cytoskeleton के रूप में सेलुलर organelles के रूप में बड़े macromolecular मशीनों, के दृश्य को सक्षम करने, कोशिकाओं और ऊतकों के 3 डी ultrastructural संगठन में अभूतपूर्व अंतर्दृष्टि की अनुमति दी है उनके संबंधित सेल और ऊतक संदर्भ. सेलुलर संस्करणों के निहित जटिलता को देखते हुए, यह पहली बार अपने 3 डी संगठन के दृश्य, मात्रा का ठहराव, और इसलिए समझ अनुमति देने के लिए ब्याज की सुविधाओं को निकालने के लिए आवश्यक है. प्रत्येक डेटा सेट डेटा की विशिष्ट विशेषताओं, जैसे, संकेत करने वाली शोर अनुपात, crispness (तीखेपन) द्वारा परिभाषित किया गया है, अपनी सुविधाओं, सुविधाओं, उपस्थिति या आसान पहचान के लिए अनुमति देते हैं कि विशेषता आकार के अभाव के crowdedness, और प्रतिशत की विविधता ब्याज की एक विशिष्ट क्षेत्र में रह रहे हैं कि पूरी मात्रा का. इन सभी विशेषताओं विचार करने की आवश्यकतापर जब तय विभाजन के लिए लेने के लिए दृष्टिकोण है.
तीन अलग अलग इमेजिंग द्वारा प्राप्त किया गया प्रस्तुत छह अलग 3 डी ultrastructural डेटा सेट दृष्टिकोण: राल एम्बेडेड दाग इलेक्ट्रॉन टोमोग्राफी, आयन beam- और धारावाहिक ब्लॉक चेहरे स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोपी (FIB-SEM, एसबीएफ-SEM) केंद्रित हल्का दाग और भारी दाग नमूनों की , क्रमशः. इन डेटा सेट के लिए, चार अलग विभाजन दृष्टिकोण लागू किया गया है: (1) पूरी तरह से मैनुअल मॉडल इमारत (3) अर्द्ध स्वचालित दृष्टिकोण पीछा सतह प्रतिपादन द्वारा पीछा डेटा (2) के मार्गदर्शन त्रुटि विभाजन, मॉडल के दृश्य से पूरी तरह पीछा सतह प्रतिपादन, या सतह प्रतिपादन और मात्रात्मक विश्लेषण के बाद (4) स्वचालित कस्टम डिजाइन विभाजन एल्गोरिदम द्वारा. डेटा सेट विशेषताओं के संयोजन पर निर्भर करता है, यह इन चार स्पष्ट दृष्टिकोण के लिए आम तौर पर एक दूसरों से बेहतर साबित पाया गया कि, लेकिन मापदंड का सही अनुक्रम पर निर्भर करता है, मोपुनः से एक दृष्टिकोण सफल हो सकता है. इन आंकड़ों के आधार पर हमने विभिन्न डेटा सेट के विश्लेषण के लिए उद्देश्य डेटा सेट विशेषताओं और व्यक्तिपरक व्यक्तिगत मापदंड दोनों categorizes कि एक ट्राइएज योजना का प्रस्ताव.
परंपरागत रूप से, इलेक्ट्रॉन माइक्रोस्कोपी (ईएम) क्षेत्र 1) उच्च और सुपर उच्च संकल्प मंदिर का उपयोग संरचनात्मक जीव विज्ञान शाखा में विभाजित किया गया है, जो आम तौर पर निहित या स्पष्ट डेटा के साथ macromolecular परिसर के तीन आयामी (3 डी) संरचना की जांच के लिए औसत के साथ संयुक्त एक परिभाषित संरचना और आम तौर पर एक अपेक्षाकृत छोटे आकार 1-4, और पूरे सेलुलर sceneries 1,5,6 कल्पना कर रहे हैं, जिसमें 2) सेलुलर इमेजिंग शाखा. संरचनात्मक जीव विज्ञान शाखा पिछले चार दशकों में एक शानदार विकास आया है जबकि, कोशिका जीव विज्ञान शाखा ज्यादातर अक्सर कम से अधिक बेहतर संरक्षित नमूनों पर, दो आयामों तक ही सीमित था. केवल पिछले दशक में इलेक्ट्रॉन टोमोग्राफी के आगमन के साथ आमतौर पर सेलुलर sceneries, और इस प्रकार ब्याज की सुविधाओं के रूप में नहीं किया जा सकता औसतन जहां तीसरा आयाम 5,7, में विस्तार सेल जैविक ultrastructural इमेजिंग है, आम तौर पर अद्वितीय हैं.
कल्पना सेलुलर दृश्यों आंख को अक्सर शोभायमान कर रहे हैं हालांकि सटीक प्रोटीन संरचना आमतौर पर अज्ञात है, क्योंकि ब्याज और इस तरह के अत्यधिक जटिल सेलुलर संस्करणों के बाद मात्रात्मक विश्लेषण की सुविधाओं के कुशल निकासी इसलिए इन सेलुलर व्याख्या करने के लिए यह चुनौतीपूर्ण बना रही है, भाग में, पीछे 3 डी संस्करणों. इस तिथि करने के लिए, व्यापक जैविक विशेषज्ञता अक्सर जटिल tomograms व्याख्या करने के लिए, या यहां तक कि 3 डी की मात्रा में महत्वपूर्ण क्षेत्रों और आवश्यक घटकों की पहचान करने के क्रम में की जरूरत है. एक और जटिलता के रूप में, 3 डी संस्करणों के दृश्य उल्लेखनीय गैर तुच्छ है. 3 डी संस्करणों के बारे में सोचा है और इस तरह 2 डी छवियों के ढेर के रूप में देखे जा सकते हैं. अनुक्रमिक 2 डी छवियों का टुकड़ा द्वारा टुकड़ा निरीक्षण जटिलता कम कर देता है, लेकिन यह भी सीमा दो आयामों को निष्कर्षण और इस तरह मात्रात्मक विश्लेषण शामिल हैं. हालांकि, सबसे 3 डी वस्तुओं के लिए, 3 डी संस्करणों के चित्रण के रूप में केवल लगातार विमानों के एक ढेर एक अधूरी एक की ओर जाता हैएक विशेष प्रणाली के 3 डी प्रकृति में डी विषम परिप्रेक्ष्य. दृश्य निरीक्षण के वैकल्पिक साधनों एक सेलुलर का अक्सर घने प्रकृति का दिया जो या तो मात्रा प्रतिपादन या सतह प्रतिपादन, आवश्यकता मात्रा सकते हैं, इस प्रकार इंटरैक्टिव पुस्तिका विभाजन मुश्किल बना आसानी से नेस्टेड वस्तुओं की एक बाधित देखने के लिए नेतृत्व या कुल मिलाकर एक उपयोगकर्ता डूब.
इन बाधाओं, स्वचालित सुविधा निकासी की एक बड़ी विविधता उपाय (विभाजन) दृष्टिकोण आमतौर पर density- या ढाल आधारित 8-10 या तो कर रहे हैं कि विकसित किया गया है. हाल के कुछ तरीकों ब्याज की एक विशिष्ट सुविधा लक्षित कर सकते हैं हालांकि, हालांकि इन तरीकों ऐसे एक्टिन तंतु 11 के रूप में, चाहे क्षेत्रों या सुविधाओं विशेषज्ञ करने के लिए ब्याज की हैं जिनमें से खंड को पूरी मात्रा जाते हैं. इसके अलावा, स्वचालित विभाजन क्रियान्वित कार्यक्रमों कभी कभी जैसे, वाटरशेड immersio जब आवेदन (उप संस्करणों की एक बड़ी संख्या का उत्पादन कर सकते हैं परिणामअक्सर ब्याज की पूरी सुविधा शामिल है या आगे विभाजन के अधीन में मैन्युअल वापस मर्ज किए जाने की जरूरत है कि एन विभाजन). यह इस प्रकार सबसे प्रतिपादन कंप्यूटर एल्गोरिदम अक्सर एक वांछित खंडों मात्रा का उत्पादन करने की आवश्यकता है एक विशेषज्ञ द्वारा ही निष्ठा के साथ ब्याज की सुविधाओं, और पर्याप्त curation प्रयासों निकालने में असमर्थ रहे हैं, विशेष रूप से जटिल और भीड़ डेटा सेट के लिए सच है.
इसके अलावा, एक अति विशिष्ट समस्या के लिए कस्टम समाधान अक्सर उन्हें व्यापक बनाने पर कोई जोर लिए थोड़ा के साथ, एक वैज्ञानिक बैठक पत्र के रूप में प्रकाशित किया है और गणित, कंप्यूटर विज्ञान और / या के क्षेत्रों के अंतरंग ज्ञान नहीं है, जो शोधकर्ताओं के लिए व्यापक उपकरण सुलभ हैं कंप्यूटर ग्राफिक्स. छवि विश्लेषण पुस्तकालयों की एक सीमा से युक्त एक अनुकूलन प्रोग्रामिंग सॉफ्टवेयर वातावरण, उपयोगकर्ताओं कुशलता से सही विभाजन के लिए अपने स्वयं के मॉड्यूल लिखने के लिए अनुमति देता है एक शक्तिशाली उपकरण सेट किया जा सकता है. हालांकि, इस दृष्टिकोण ext की आवश्यकताensive प्रशिक्षण और इसकी कई विशेषताएं या छवि विश्लेषण के लिए क्षमताओं का लाभ लेने के क्रम में कंप्यूटर विज्ञान में एक पृष्ठभूमि. एक अपने आसपास 12,13 से ब्याज की वस्तुओं को अलग करने के लिए "टेम्पलेट्स" की अनूठी ज्यामिति पर भरोसा करते हैं, जो शक्तिशाली आकार आधारित दृष्टिकोण का उपयोग करके, जैसे सुविधाओं को और अधिक विरल हैं जहां कुछ डेटा सेट, के लिए इस तरह के एक बहुमुखी सॉफ्टवेयर वातावरण में काम कर सकते हैं .
कंप्यूटर ग्राफिक्स दृश्य संकुल की एक निष्पक्ष किस्म इंटरैक्टिव पुस्तिका विभाजन और मॉडल निर्माण के लिए मौजूद हैं. कैलिफोर्निया के सैन फ्रांसिस्को विश्वविद्यालय कल्पना 14, कोलोराडो IMOD 15 विश्वविद्यालय और टेक्सास विश्वविद्यालय के ऑस्टिन VolumeRover 16: दूसरों शैक्षिक मूल के हैं और इस तरह के रूप में, नि: शुल्क वितरित की, जबकि कुछ संकुल, व्यावसायिक रूप से उपलब्ध हैं. हालांकि, इन कार्यक्रमों के अधिकारी सुविधाओं और क्षमताओं की एक विस्तृत श्रृंखला और जटिलता ईए के लिए सीखने की अवस्था steepensचर्चा. कुछ दृश्य कार्यक्रमों ऐसी गेंदों और जटिल 3 डी की मात्रा का एक सरल मॉडल बनाने के लिए घनत्व नक्शे में रखा जा सकता है जो विभिन्न आकारों की लाठी के रूप में सरल ज्यामितीय मॉडल, प्रदान करते हैं. इन मॉडलों तो सरल ज्यामितीय और बड़ा माप और इसलिए सिर्फ "सुंदर तस्वीर" से परे जाने की अनुमति है. वस्तुओं के इस तरह के मार्गदर्शन त्रुटि वस्तुओं का केवल एक छोटी संख्या का पता लगाया और निकाले जाने की जरूरत है, जहां संस्करणों के लिए अच्छी तरह से काम करता है. हालांकि, का उपयोग बड़ी मात्रा 3 डी ultrastructural इमेजिंग की हाल ही में विकास या तो केंद्रित आयन बीम स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोपी (FIB-SEM) 17-20 या धारावाहिक ब्लॉक चेहरे स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोपी (एसबीएफ-SEM) 21 3 डी डेटा का आकार कि अतिरिक्त जटिलता प्रस्तुत सेट दसियों गीगाबाइट गीगाबाइट के सैकड़ों, और यहां तक कि टेराबाइट्स से लेकर कर सकते हैं. इसलिए, इस तरह के बड़े 3 डी संस्करणों का मार्गदर्शन सुविधा निकासी के लिए लगभग दुर्गम हैं, और इसलिए कुशल उपयोगकर्ता निर्देशित अर्द्ध स्वचालित करतबure निकासी निकट भविष्य में 3 डी संस्करणों के कुशल विश्लेषण के लिए बाधाओं में से एक होगा.
नियमित रूप से जैविक छवि प्रकार की एक बड़ी रेंज पर उपयोग किया जाता है कि चार अलग विभाजन दृष्टिकोण यहाँ प्रस्तुत कर रहे हैं. इन विधियों तो जीव अपने स्वयं के डेटा की प्रभावी सुविधा निकासी के लिए सबसे अच्छा विभाजन दृष्टिकोण क्या हो सकता है निर्णय लेने में सहायता करने के लिए एक गाइड में एक संकलन की अनुमति, डेटा सेट के विभिन्न प्रकारों के लिए उनकी प्रभावशीलता के लिए तुलना कर रहे हैं. विस्तृत उपयोगकर्ता मैनुअल वर्णित कार्यक्रमों के अधिकांश के लिए उपलब्ध हैं, उद्देश्य इन विशेष पैकेजों में से किसी एक के साथ संभावित उपयोगकर्ताओं को परिचित कराने के लिए नहीं है. इसके बजाय, लक्ष्य विविध विशेषताओं के साथ छह उदाहरण डेटा सेट करने के लिए उन्हें लागू करने के द्वारा इन अलग विभाजन रणनीतियों के संबंधित शक्तियों और सीमाओं का प्रदर्शन है. इस तुलना के माध्यम से, मापदंड का एक सेट या तो के उद्देश्य छवि विशेषताओं के आधार पर कर रहे हैं कि विकसित किया गया हैऐसे में इस तरह के विभाजन के लिए वांछित उद्देश्य के रूप में व्यक्तिपरक कारणों से डेटा विपरीत, crispness, crowdedness, और जटिलता, या स्टेम के रूप में 3 डी डेटा सेट, सुविधाओं की morphologies के अंश, जिसका अर्थ है ब्याज की सुविधाओं का जनसंख्या घनत्व, खंडित किए जाने की ब्याज की सुविधा है, और कैसे एक आय बेहतर ऐसे समय और स्टाफ की उपलब्धता के रूप में सीमित संसाधनों के साथ द्वारा कब्जा मात्रा. ये अलग उदाहरण डेटा सेट इन उद्देश्य और व्यक्तिपरक मापदंड डेटा सेट के कुछ प्रकार के साथ कुछ सुविधा निष्कर्षण तरीकों में से एक बाँधना उपज संयोजन की एक किस्म में क्रमिक रूप से लागू किया जा सकता वर्णन कैसे. उम्मीद है कि novices मदद मिलेगी दिया सिफारिशों विभाजन विकल्प की एक विशाल विविधता के साथ सामना अपने स्वयं के 3 डी की मात्रा के लिए सबसे प्रभावी विभाजन दृष्टिकोण का चयन करें.
इस पत्र का फोकस डेटा संग्रह और पूर्व प्रसंस्करण डेटा को सुविधा निकासी, ध्यान है जबकि कुशल है के लिए महत्वपूर्ण हैegmentation. बार बार नमूने का धुंधला असमान हो सकता है, और इसलिए, संभावित धुंधला कलाकृतियों विभाजन प्रक्रिया में विचार किया जाना चाहिए. हालांकि, दाग आमतौर पर उच्च संकेत करने वाली शोर देता है, और इसलिए कम छानने और संभवतः भी कलाकृतियों में परिणाम सकता है जो सेलुलर संस्करणों के अन्य गणितीय उपचार की आवश्यकता है. संबंधित कच्चे छवि डेटा सेट एक 3 डी मात्रा में, सही विपरीत और कैमरा पिक्सेल सेटिंग्स पर हासिल गठबंधन, और खंगाला जा करने की जरूरत है. Tomograms लिए गठबंधन छवियों भारित वापस प्रक्षेपण का उपयोग आम तौर पर खंगाला जाता है, और फिर डेटा सेट आमतौर पर इस तरह के गैर रेखीय anisotropic प्रसार 22, द्विपक्षीय छानने 23, या 24 छानने पुनरावर्ती मंझला रूप denoising एल्गोरिदम के अधीन है. FIB-SEM और एसबीएफ-SEM इमेजिंग डेटा ऐसे ImageJ रूप में 25 XY उपयोग कार्यक्रमों में पार correlating लगातार स्लाइस से जुड़ रहे हैं. विपरीत वृद्धि और छानने की सुविधाओं को बढ़ावा देने के लिए लागू किया जा सकता हैब्याज और इस प्रकार छवि ढेर शोर डे के लिए. फ़िल्टरिंग दृष्टिकोण computationally महंगा हो सकता है के रूप में छनन, चयन या चयनित subvolumes पर subvolume करने से पहले पूरी मात्रा पर या तो किया जा सकता है. डेटा काफी प्रत्याशित संकल्प की तुलना में oversampled किया गया है अगर नीचे नमूने कभी कभी शोर कम करने और / या फ़ाइल का आकार कम करने के लिए प्रयोग किया जाता है जो डेटा (binning), के, केवल सिफारिश की है.
शोर में कमी के बाद, संसाधित छवियों तो विभिन्न विधियों द्वारा खंडित किया जा सकता है, और इस अध्ययन में ध्यान केंद्रित निम्नलिखित चार पर है, एक गेंद और छड़ी मॉडल बनाने के माध्यम से (1) पुस्तिका abstracted मॉडल पीढ़ी (2) पुस्तिका अनुरेखण परियोजना विशिष्ट विभाजन के लिए एक स्क्रिप्ट के माध्यम से ब्याज, (3) स्वचालित सीमा आधारित घनत्व, और (4) कस्टम सिलवाया स्वचालित विभाजन की सुविधाओं की. सीमा विभाजन 8 और immersive वाटरशेड विभाजन 10 साधारण thresholding के लिए बेहतर विकल्प हैं, लेकिन टीअरे एक ही श्रेणी में हैं और इस चर्चा में स्पष्ट रूप से शामिल नहीं किया गया है.
घनत्व के मैनुअल अनुरेखण टुकड़ा टुकड़ा द्वारा संबंधित उप सेलुलर क्षेत्रों के मूल घनत्व की अवधारण की अनुमति देता है, ब्याज की सुविधाओं रूपरेखा की आवश्यकता है. यह दृष्टिकोण विभाजन की प्रक्रिया का अधिक से अधिक नियंत्रण की अनुमति देता है, लेकिन एक कठिन और श्रम प्रधान प्रक्रिया है.
एक एल्गोरिथ्म उपयोगकर्ता द्वारा निर्धारित मानकों का एक सेट पर आधारित पिक्सल चुनता है जहां स्वचालित सीमा आधारित (और संबंधित) घनत्व विभाजन दृष्टिकोण, अर्द्ध स्वचालित हैं. ऐसे UCSF कल्पना, IMOD, फिजी 26, और VolumeRover के रूप में कई शैक्षिक (मुक्त) दृश्य संकुल, संकुल (भुगतान लाइसेंस की आवश्यकता होती है) उपलब्ध है, साथ ही वाणिज्यिक कर रहे हैं, और दोनों प्रकार के आम तौर पर इन विभाजन तरीकों में से एक या अधिक शामिल हैं. इन विभिन्न तरीकों को वर्णन करने के लिए इस काम में इस्तेमाल किया सॉफ्टवेयर संकुल दोनों वाणिज्यिक कार्यक्रमों और शैक्षिक खुला है शामिलमैन्युअल एक सार मॉडल, साथ ही मैनुअल और स्वचालित घनत्व विभाजन पैदा करने के लिए स्रोत देखें कार्यक्रमों. हालांकि, ओपन सोर्स सॉफ्टवेयर कभी कभी अनुकूलन की संभावना के माध्यम से और अधिक उन्नत विकल्पों की पेशकश कर सकते हैं.
डेटा सेट के विभिन्न प्रकार का उपयोग कर इन तकनीकों की तुलना में हमारे ज्ञान को अभी तक प्रकाशित नहीं किया गया है जो विविध जैविक डेटा 3 डी संस्करणों के विभाजन के दृष्टिकोण के लिए पर निम्नलिखित नियमों की प्रस्तुति और मार्गदर्शन के लिए नेतृत्व किया. इस प्रकार, यह पहला व्यवस्थित अलग अलग दृष्टिकोण की तुलना और विभिन्न उद्देश्यों के साथ उपयोगकर्ताओं के लिए विशेषताओं के साथ अलग डेटा सेट पर उनकी उपयोगिता है.
3 डी एम संस्करणों से प्रासंगिक सुविधाओं की निकासी के लिए प्रभावी रणनीति तत्काल हाल ही में जैविक इमेजिंग लगा है कि डेटा सूनामी के साथ रखने के क्रम में की जरूरत है. डेटा घंटों या दिनों में उत्पन्न किया जा सकता है, यह गहराई में 3 डी संस्करणों का विश्लेषण करने के लिए कई महीने लग जाते हैं. इसलिए, यह छवि विश्लेषण वैज्ञानिक खोजों के लिए अड़चन बन गया है कि स्पष्ट है; इन समस्याओं के लिए पर्याप्त समाधान के बिना, इमेजिंग वैज्ञानिकों को अपनी सफलता का शिकार हो जाते हैं. इस वजह से भी उच्च डेटा की जटिलता और आम तौर पर प्रोटीन और प्रोटीन परिसरों सीमा एक दूसरे से और अनिवार्य रूप से स्केल घनत्व की एक सतत ढाल के रूप में दिखाई देते हैं, जहां जैविक कोशिकाओं में पाया macromolecular भीड़ के हिस्से में है. समस्या नमूना तैयार करने और इमेजिंग खामियों से जटिल है, और कुछ मामलों छवि पुनर्निर्माण कलाकृतियों में, प्रमुख पूरी तरह से स्वचालित दृष्टिकोण के लिए चुनौतियां खड़ी कर सकते हैं कि सही से कम बड़ा डेटा को हैतों. सबसे महत्वपूर्ण है, तथापि, नमूना तैयार करने, इमेजिंग, और जैविक व्याख्या में विशेषज्ञों शायद ही कभी अच्छी तरह से कम्प्यूटेशनल विज्ञान में निपुण, और इसलिए प्रभावी रूप से सुविधा निष्कर्षण और विश्लेषण दृष्टिकोण करने के बारे में मार्गदर्शन की आवश्यकता है कि तथ्य यह है. इसलिए, विभिन्न उदाहरणों के माध्यम से उपयोग, प्रोटोकॉल विभाजन के लिए डेटा, साथ ही मार्गदर्शन abstracted मॉडल पीढ़ी, स्वचालित घनत्व आधारित विभाजन, ब्याज की सुविधाओं का मार्गदर्शन अनुरेखण, और कस्टम सिलवाया स्वचालित विभाजन के लिए कदम तैयार करने के लिए कैसे करें. प्रक्रिया में उल्लिखित मैनुअल और स्वत: दृष्टिकोण यहाँ उल्लेख कर रहे हैं, जिनमें से कुछ विभाजन सॉफ्टवेयर, की एक विशाल विविधता में पाया जा सकता है, लेकिन दूसरों को भी इसी तरह का कार्य करते हैं और समान रूप से अच्छी तरह से अनुकूल हैं.
परिणाम 3 डी विभाजन दृष्टिकोण से प्रत्येक की प्रभावशीलता डेटा सेट का एक अलग प्रकार के लिए भिन्न होता है कि प्रदर्शित करता है. यहां तक कि विभिन्न दृष्टिकोण गुणात्मक उत्पादन हालांकिimilar 3 डी renderings अंत उत्पाद के रूप में, समय और प्रयास की राशि काफी विविध विभाजन की प्रक्रिया के दौरान प्रत्येक पर खर्च. उपयुक्त छवि विशेषताओं और विभाजन दृष्टिकोण प्रति व्यक्तिगत उद्देश्यों के लिए सिफारिशें आगे निम्नलिखित चार उपखंड में समझाया गया है जो चित्रा 5 में संक्षेप हैं. इन मानदंडों चित्रा 6 का निर्णय प्रवाह चार्ट के रूप में दिखाया आंकड़े 5 यद्यपि., छह डेटासेट के लिए लागू किया गया और 6 महज सेट प्रत्येक डेटा के लिए एक औचित्य प्रदान करने के लिए होती हैं और मापदंड के प्रत्येक निर्णय लेने की प्रक्रिया में भारित थे, वे एक आसान मार्गदर्शन, बल्कि एक प्रारंभिक बिंदु प्रदान नहीं करते हैं. निर्णय लेने की प्रक्रिया को प्रभावित करने वाले भी कई मापदंड बस रहे हैं: दूसरों के ऐसे वांछित उद्देश्य के रूप में अधिक व्यक्तिपरक मापदंड हैं, जबकि कुछ, इस तरह के डेटा सेट विशेषताओं के रूप में उद्देश्य मापदंड हैं. यह एक उच्च लेव दिखते हैं कि डेटा सेट कहने के लिए सुरक्षित हैतेज कुरकुरा सीमाओं के साथ इसके विपरीत के एल, अच्छी तरह से अलग और (भी विविध नहीं) अपेक्षाकृत सजातीय हैं, और वस्तुओं की एक बड़ी संख्या के लिए एक घनत्व मॉडल प्रदर्शित करने के उद्देश्य से कार्रवाई कर रहे हैं कि फीचर हैं, स्वचालित दृष्टिकोण, बेहतर होगा नहीं करने के लिए अगर पुस्तिका दृष्टिकोण बस संसाधन (समय) -prohibitive होगा कि तथ्य यह है. इसके विपरीत कम है तो दूसरी ओर, डेटा अस्पष्ट है और इस प्रकार, वस्तुओं भीड़ है, और सुविधाओं एक उच्च विविधता दिखाने के लिए और इस प्रकार विषम हैं एक विशेषज्ञ के ज्ञान की आवश्यकता है, एक पुस्तिका सुविधा निष्कर्षण के अलावा कोई अन्य विकल्प नहीं हो सकता है / विभाजन.
मैनुअल abstracted मॉडल जनरेशन
मैनुअल abstracted मॉडल ट्रेसिंग, रैखिक तत्वों segmenting स्वतः (लाठी) से जोड़ा जा सकता है कि बीज अंक (गेंदों) प्रदान करने में विशेष रूप से प्रभावी है. इस तरह की गेंदों और लाठी मॉडल की लंबाई एक को मापने के लिए बहुत शक्तिशाली हो सकता हैND इस तरह के मॉडल के उन्मुखीकरण और गुणात्मक निरीक्षण और मात्रात्मक विश्लेषण दोनों के लिए एक पर्याप्त रूप से abstracted मॉडल प्रदान करते हैं. विश्लेषण पर खर्च संसाधनों को न्यूनतम जब आमतौर पर इस्तेमाल किया जाता है मैनुअल abstracted मॉडल पीढ़ी मूल डेटा के आकार को पूर्ण निष्ठा से ज्यादा महत्वपूर्ण है. यह ब्याज की रैखिक और समरूप सुविधाओं (जैसे, तंतु, ट्यूब) के साथ सबसे सफल है. डाटा विपरीत, crispness, और crowdedness जब तक मानव आँख ब्याज की वस्तु को पहचान सकते हैं, इस विधि की सफलता का निर्धारण करने में एक प्रमुख भूमिका निभा नहीं है. कभी कभी ऐसे मॉडल भी क्षेत्र के लिए एक कंकाल कंकाल के चारों ओर एक क्षेत्र में 3 डी नक्शे के रूप में उपयोग किया जा सकता है. मॉडल सार बजाय सटीक घनत्व का एक प्रतिबिंब है, यह 3 डी घनत्व की एक skeletonized संस्करण का प्रतिनिधित्व करता है और इस तरह अव्यवस्था से मुक्त दृश्य और गुणात्मक विश्लेषण के लिए अनुमति देता है. इस तरह की लंबाई के रूप में मात्रात्मक माप भी लगभग मॉडल से निर्धारित किया जा सकता है. एक के लिएपुस्तिका abstracted मॉडल पीढ़ी के साथ सॉफ्टवेयर का उदाहरण, पर ऑनलाइन कल्पना की विस्तृत उपयोगकर्ता गाइड कृपया देखें http://www.cgl.ucsf.edu/chimera/current/docs/UsersGuide/index.html .
ब्याज की सुविधाओं के मैनुअल अनुरेखण
मैनुअल तूलिका अनुरेखण लगभग सभी डेटा विशेषताओं के साथ अच्छी तरह से काम करता है, लेकिन यह भी विधि सबसे अधिक समय लेने है. समय में, यह इस तरह पतली और जटिल कोशिका झिल्ली के रूप में सुविधाओं की एक विशाल विविधता युक्त एक जटिल छवि सेट से ब्याज की एक विशेषता निकालने के लिए केवल तकनीक है. ब्याज की सुविधा सुचारू रूप से बदलता है जब कुछ कार्यक्रमों में उपलब्ध एक उपयोगी उपकरण रहकर खंडों स्लाइस के बीच प्रक्षेप के लिए अनुमति देता है. डेटा कुरकुरा है और उच्च विपरीत करने के लिए माध्यम है अगर मैनुअल अनुरेखण सबसे अधिक कुशलता से लागू किया जा सकता है, लेकिन यह भी उपयोग किया जा सकता हैउपयोगकर्ता के रूप में लंबे समय के रूप में अधिक चुनौतीपूर्ण डेटा सेट, के लिए ब्याज की वस्तु से परिचित है. डेटा जटिलता वस्तुओं बारीकी से भरे होते हैं, जहां जटिल और भीड़ डेटा सेट, असतत वस्तुओं से लेकर कर सकते हैं. स्वचालित दृष्टिकोण अक्सर खंड के लिए वांछित मात्रा संघर्ष और बहुत अधिक या बहुत कम निकालने के रूप में उत्तरार्द्ध मामले में, मैनुअल विभाजन, केवल विकल्प हो सकता है. ऐसे जटिल चादरें या संस्करणों के रूप में मुश्किल सुविधा morphologies,, भी इस विधि से निकाला जा सकता है. ब्याज की सुविधाओं के उच्च जनसंख्या घनत्व के विभाजन के समय निषेधात्मक हो जाता है के रूप में ब्याज की सुविधाओं का जनसंख्या घनत्व कम है, हालांकि, अगर उपयोगकर्ता कई मुश्किल विशेषताओं के साथ एक डाटासेट ही खंडित किया जा सकता है कि दिमाग में रखना चाहिए. मार्गदर्शन त्रुटि के साथ सॉफ्टवेयर का एक उदाहरण के लिए, पर ऑनलाइन अमीरा की विस्तृत उपयोगकर्ता गाइड कृपया देखें http://www.vsg3d.com/sites/default/files/Amira_Users_Guide.pdf.
स्वचालित घनत्व के आधार पर विभाजन
मैनुअल तकनीकों के विपरीत, स्वचालित दृष्टिकोण आम तौर पर छवियों का एक बड़ा ढेर segmenting जब विचार करने के लिए एक महत्वपूर्ण कारक है जो कम समय लेने वाली हैं. हालांकि, सरल thresholding के रूप में सही नहीं हो सकता है, और भी बहुत कुछ समय स्वतः खंडों मात्रा के शोधन और curation पर खर्च किया जा सकता है. स्वचालित घनत्व के आधार पर विभाजन सभी विभाजन की आवश्यकता है कि ब्याज की इसी तरह की सुविधाओं की एक बड़ी संख्या है कि प्रदर्शन डेटा सेट पर सबसे अच्छा काम करता है. डेटा और अधिक जटिल है, इन स्वचालित तकनीक अभी भी एक प्रारंभिक कदम के रूप में सेवा कर सकते हैं, लेकिन संभावना ब्याज की सुविधा से युक्त एक subvolume निर्दिष्ट करने के क्रम में रेखा के नीचे कुछ मैनुअल हस्तक्षेप की आवश्यकता होगी. इस रणनीति आमतौर पर रैखिक morphologies या जटिल संस्करणों पर अच्छी तरह से काम करता है, लेकिन यह इस तरह के रूप में पतली जटिल शीट के साथ शायद ही कभी सफल होता हैकोशिका झिल्ली. उच्च निष्ठा के बदले में ऐसे समय में कुछ उपयोगकर्ता संसाधनों खपा जबकि स्वचालित दृष्टिकोण के साथ न्यूनतम उपयोगकर्ता के हस्तक्षेप, बड़े या छोटे संस्करणों के माध्यम से विभाजन सक्षम बनाता है. स्वचालित घनत्व के आधार पर विभाजन के साथ सॉफ्टवेयर का एक उदाहरण के लिए, पर ऑनलाइन अमीरा की विस्तृत उपयोगकर्ता गाइड कृपया देखें http://www.vsg3d.com/sites/default/files/Amira_Users_Guide.pdf .
कस्टम सिलवाया स्वचालित विभाजन
कस्टम सिलवाया स्वचालित विभाजन एक विशिष्ट डेटा सेट के लिए एल्गोरिदम की शक्ति अनुकूलन की अनुमति देता है, लेकिन अक्सर यह सुविधा विशेषताओं की सीमित संख्या के लिए उपयुक्त सेट डेटा या डेटा प्रकार, के लिए विशिष्ट है, और आसानी से सामान्यीकृत नहीं किया जा सकता. यहां प्रदर्शन किया प्रक्रिया इस तरह जल विसर्जन और अन्य स्तर के रूप में सामान्य स्वचालित विभाजन दृष्टिकोण से अलग है इन बीज अंक से तेजी से अग्रसर घन विस्तार के बाद महत्वपूर्ण बीज अंक की एक प्रोग्राम दृढ़ संकल्प पर भरोसा करते हैं जो सेट के तरीकों,,. इस विषय पर एक परिवर्तन ढाल वेक्टर जानकारी सुविधा सीमाओं को सूचित जहां सीमा विभाजन है. इसके विपरीत, यहां इस्तेमाल अनुकूलित स्क्रिप्ट उपयोगकर्ता मैन्युअल कुछ उदाहरण बताते हैं जहां एक प्रशिक्षण मंच पर निर्भर करता है. मशीन सीखने के माध्यम से, विशिष्ट एल्गोरिदम का पता लगाने और फिर स्वतंत्र रूप से लगातार निशान में पाया गुण और डेटा विशेषताओं को पहचान करने के लिए सीखना होगा. एल्गोरिदम फिर से सिखाना और अधिक उदाहरण शामिल करके विभाजन की सटीकता में सुधार कर सकते हैं एक विशेषज्ञ उपयोगकर्ता सुविधा मापदंड का एक बड़ा सेट प्रदान करने के लिए बताते हैं. Curation सिर्फ मार्गदर्शन त्रुटि के रूप में गहन परिश्रम के रूप में हो सकता है के रूप में कुल मिलाकर, thresholding और संबंधित दृष्टिकोण, या भी कस्टम सिलवाया दृष्टिकोण, organelles या आकार के जटिल विविधता के साथ एक छवि से ब्याज की एक भी सुविधा निकालने के रूप में उपयोगी नहीं हो सकता है.
">डाटा Triaging और विखंडन दृष्टिकोण को चुनने के लिए रणनीति
चित्रा 5 में चित्रा 4 और उपयुक्त डेटासेट के सारांश में प्रस्तुत व्यक्तिपरक और उद्देश्य मानदंडों को देखते हुए, चित्रा 6 में दर्शाया निर्णय लेने स्कीम डेटा सेट की एक विशाल विविधता के लिए सुविधा निकासी रणनीतियों का एक प्रभावी मूल्यांकन सहायता कर सकते हैं. डेटा सेट चित्रा 4 में शुरू की चार संबंधित उद्देश्यों के साथ ही चार व्यक्तिपरक मापदंड में से किसी एक में शामिल हो सकते, जिनमें से प्रत्येक लगातार चार फैसलों में triaged कर रहे हैं. एक उदाहरण के रूप में, चित्रा 6 छह डेटा के प्रत्येक triaging के लिए तर्कसंगत है सेट 3 चित्र में दिखाया गया है. निस्संदेह, वहाँ एक भी अद्वितीय पथ नहीं है, लेकिन प्रत्येक डेटा सेट के लिए टी नेतृत्व कर सकते हैं कि निर्णय लेने के लिए अलग मापदंड निम्नलिखित इस मैट्रिक्स के माध्यम से नहीं बल्कि अलग अलग रास्तोंडेटा विभाजन के लिए एक ही है या अलग सिफारिश ओ. हर डेटा सेट प्रत्याशित नहीं किया जा सकता जो गुण, का अपना सेट होगा, छह उदाहरण प्रत्येक वरीय सुविधा निकासी / विभाजन दृष्टिकोण के पीछे तर्क का एक विवरण के साथ रखा, दिया जाता है. अधिकांश भी एक विकल्प के निर्णय मार्ग एक ही है कि या एक अलग विभाजन दृष्टिकोण के उपयोग में या तो परिणाम (चित्रा 6) के लिए एक प्रस्ताव शामिल हैं.
kinocilium स्वचालित दृष्टिकोण अधिक सफल होने की संभावना बनाता है, जो स्पष्ट रूप से परिभाषित सीमाओं के साथ सेट एक कुरकुरा डेटा है. ब्याज की सभी सुविधाओं को अच्छी तरह से फिर से एक स्वचालित दृष्टिकोण के पक्ष में, अलग हो रहे हैं. इसके अलावा, ब्याज की सुविधाओं यह कस्टम अनुरूप विभाजन के लिए एक अपेक्षाकृत सजातीय डेटा सेट आदर्श बना, एक दूसरे के समान हैं. अन्त में, उद्देश्य एक अर्द्ध स्वचालित दृष्टिकोण के पक्ष में, पूरे सुविधा को निकालने के लिए किया गया था. एक परिणाम के रूप में, यह निष्कर्ष निकाला गया था कि एक स्वचालित thresholding (ठोस ग्रीन लाइन) के रूप में एक कस्टम डिजाइन (जैसे,) की देखरेख के विभाजन को आकार दृष्टिकोण (बिंदीदार ग्रीन लाइन) दोनों इस डेटा सेट पर अच्छा प्रदर्शन करने की संभावना है.
निर्णय लेने के नेटवर्क में एक अलग क्रम में रखा गया है, हालांकि इसी तरह के मापदंड,, बैक्टीरिया के मामले को लागू होते हैं. इस डेटा सेट बहुत बड़ी थी क्योंकि एक कस्टम सिलवाया दृष्टिकोण भाग में सिफारिश की है; इसलिए, सीमित संसाधनों के एक श्रम प्रधान पुस्तिका हस्तक्षेप / विभाजन दृष्टिकोण निषेध. Thresholding स्वीकार्य परिणाम सामने आए होगा, कस्टम डिजाइन दृष्टिकोण बैक्टीरिया के बीच या सही अगले बैक्टीरिया या तो स्थित कोशिकी धातु जमा, से गोलाकार बैक्टीरियल आकार अलग करने के लिए अध्ययन का मुख्य उद्देश्य निष्पादित करने में सक्षम था, और इसलिए कस्टम सिलवाया दृष्टिकोण पसंद किया गया था.
Stereocilia डेटा सेट के लिए, पहले से विचार वांछित उद्देश्य था: लक्ष्य पूरे घनत्व को दिखाने के लिए किया जा सकता है या तोया ज्यामितीय मॉडल बनाने के लिए. ब्याज की मात्रा एक भीड़ भरे क्षेत्र था, और उद्देश्य खंड को बाद में आदि यह मददगार थे लंबाई, संख्या, दूरी, अभिविन्यास, सहित मात्रात्मक बड़ा विश्लेषण, निष्पादित करने के लिए आदेश में अलग वस्तुओं के रूप में वस्तुओं की एक बड़ी संख्या थी कि की वस्तुओं ब्याज मुख्य रूप से रेखीय थे, और इस चुनाव की विधि अनुरेखण ज्यामितीय मॉडल बनाया. हालांकि, बजाय उद्देश्य एक स्वचालित thresholding प्रोटोकॉल संभव बनाना होगा तेजी से परिभाषित सीमाओं के साथ पूरे घनत्व, तो रैखिक सुविधा आकृति विज्ञान के साथ ही अपेक्षाकृत उच्च विपरीत दिखाने के लिए किया गया है.
कोशिका झिल्ली और माइटोकांड्रिया डेटा मामलों के कारण सुविधा आकृति विज्ञान की अपनी श्रेणियों को स्वचालित दृष्टिकोण के लिए चुनौती दे रहे हैं: जटिल चादरें और मात्रा, क्रमशः. लक्ष्य को सटीकता से सेल या माइटोकांड्रिया रूपरेखा का पता लगाने के लिए है, लेकिन ऐसा करने के लिए केवल सीमित संसाधन हैं. इंटर के अलावा, सुविधाओंस्था जटिल हैं और माइटोकांड्रिया डेटा संभवतः आगे अनुकूलन के साथ लागू किया जा सकता है बैक्टीरिया के लिए ले जाया अनुकूलित पटकथा दृष्टिकोण सेट के लिए हालांकि, आसानी से स्वचालित रूप से पता लगाया या आकार इनकोडिंग नहीं किया जा सकता. सौभाग्य से, झिल्ली और माइटोकांड्रिया खुद ही पूरी मात्रा का एक छोटा सा अंश का प्रतिनिधित्व करते हैं और इसलिए, पुस्तिका अनुरेखण समय लेने वाली दृष्टिकोण यद्यपि एक सीधा है. इसके विपरीत जगह कम है और सीमाओं बल्कि फजी हैं जब मैनुअल अनुरेखण भी इस तरह के डेटा सेट के लिए पसंद की विधि है. वे डेटा सेट के एक महत्वपूर्ण हिस्से का गठन भले ही एक परिणाम के रूप में, इस तरह के जटिल पत्रक मैन्युअल बस की वजह से एक बेहतर विकल्प के अभाव में, पता लगाया जाना चाहिए.
लक्ष्य खंड घनी स्थान दिया गया है और एक भीड़ भरे दृश्यों को बनाने के जो सभी वस्तुओं, के लिए गया था क्योंकि संयंत्र डेटा सेट अपनी चुनौतियों के समक्ष रखी. घनत्व प्रदर्शित के रूप में है आकार और वस्तुओं का संगठन है, लेकिन ख के बारे में माप सक्षम होगाecause स्वयं प्रत्येक filamentous वस्तु, स्वत thresholding बजाय बहुत महंगा नियोजित किया गया था है segmenting.
एक 3 डी मॉडल बनाने में विभिन्न चरणों और इसी के परिणाम यहाँ प्रदर्शित किया गया है, लेकिन अधिक महत्वपूर्ण बात, पाया डेटा विशेषताओं और व्यक्तिगत मापदंड विभाजन का सबसे अच्छा रास्ता भी स्पष्ट किया गया है निर्धारित करने में महत्वपूर्ण हो. छवि डेटा खुद की महत्वपूर्ण विशेषताओं विपरीत, crowdedness, crispness, और अलग अलग आकार या (जैसे organelles, तंतु, झिल्ली) के रूप में सुविधाओं की संख्या के रूप में वर्णित है यहाँ क्या शामिल है. व्यक्तिपरक मापदंड (मापने / गिनती, skeletonized प्रतिनिधित्व डेटा का / 3 डी renderings में संस्करणों प्रदर्शित), ब्याज की सुविधा के लक्षण (रैखिक, लम्बी नेटवर्क, जटिल, जटिल), के घनत्व विभाजन के वांछित उद्देश्य को शामिल करने पर विचार करने के लिए पूरी मात्रा (हैं कि वस्तुओं के अंश के संबंध में ब्याज की सुविधाओंमहत्वपूर्ण और) निकाले जाने की जरूरत है, और मूल डेटा के विभाजन की निष्ठा को संसाधनों खपा की tradeoffs और संसाधनों की काफी अधिक आवंटन के लिए वृद्धिशील सुधार में जिसके परिणामस्वरूप निवेश पर कम रिटर्न संतुलन.
छवि विभाजन के क्षेत्र में काफी हाल के वर्षों में परिपक्व हो गया है, अभी तक कोई चांदी गोली, यह सब कर सकते हैं कि कोई एल्गोरिथ्म या कार्यक्रम नहीं है. डेटा सेट आकार के लिए नियमित तौर पर दसियों गीगाबाइट की मेगाबाइट के सैकड़ों से बड़े हो गए हैं, और वे अब असंभव के पास पुस्तिका विभाजन बनाने, टेराबाइट्स से अधिक करने के लिए शुरू कर रहे हैं. इस प्रकार, अधिक संसाधनों मानव निर्णय लेने की प्रक्रिया की नकल है कि चालाक और समय प्रभावी सुविधा निकासी दृष्टिकोण में निवेश करने की आवश्यकता है. इस तरह के प्रयासों (Google धरती के समान) अर्थ श्रेणीबद्ध डाटा बेस, (2) डेटा अमूर्त तकनीक (यानी, संक्रमण आधारित (1) भौगोलिक सूचना प्रणाली (जीआईएस) के साथ जोड़ा जा करने की आवश्यकता होगीकंप्यूटर असिस्टेड डिजाइन (सीएडी) सॉफ्टवेयर वे अक्सर में उपयोग किया जाता है, (3) सिमुलेशन तकनीक, काफी डेटा की मात्रा को कम करने और इस प्रकार बड़ी मात्रा 35 के प्रदर्शन को सक्षम करने के क्रम में साथ संगत ज्यामितीय / बड़ा प्रतिनिधित्व करने के लिए एक voxel) से इंजीनियरिंग विषयों, साथ ही (गेमिंग उद्योग के लिए विकसित की है क्या करने के लिए इसी तरह की) फ्लाई के माध्यम से एनिमेशन सहित (4) उन्नत एनीमेशन और फिल्म बनाने की क्षमता है,.
जाहिर है, कुशल सुविधा निष्कर्षण और विभाजन अलग डेटा प्रकार के लिए लिया गया था सेलुलर उच्च संकल्प इमेजिंग में यह आ रही क्रांति के दिल में बेहतर दृष्टिकोण हमेशा की जरूरत होगी, जबकि और, सिद्धांतों यहाँ प्रस्तुत है, साथ ही क्या दृष्टिकोण के उदाहरण झूठ , लेने के लिए दृष्टिकोण है जिस पर एक निर्णय करने के लिए कुछ बहुमूल्य जानकारी प्रदान करेगा.
The authors have nothing to disclose.
We would like to acknowledge and thank Tom Goddard at University of California San Francisco for his endless help with Chimera, Joel Mancuso and Chris Booth at Gatan, Inc. for their help with SBF-SEM data collection of bacteria dataset, Doug Wei at Zeiss, Inc. for his help with the FIB-SEM data collection of epithelial cell dataset, Kent McDonald at University of California Berkeley Electron Microscopy Lab for advice on sample preparation, TEM imaging and tomography, Roseann Csencsits at Lawrence Berkeley National Laboratory for her help taking the cryo-TEM image, Elena Bosneaga for cryo-sectioning of the plant dataset, Jocelyn Krey at Oregon Health and Science University for the dissection of utricle tissue, David Skinner at National Energy Research Scientific Computing Center (NERSC) and Jitendra Malik at University of California Berkeley for their advice in software infrastructure, and Pablo Arbelaez at University of California Berkeley for his codes contributions to the custom-tailored script presented in this article.
Research was supported by the U.S. Department of Energy, Office of Science under contract No. DE-AC02-05CH11231 [David Skinner], as well as U.S. National Institutes of Health (NIH) grant No. P01 GM051487 [M.A.] for the inner ear hair cell project and microscopy instrumentation use.
Material Name | Company | Comments | |
Amira | FEI Visualization Sciences Group | http://www.vsg3d.com/amira/overview | |
Chimera | UCSF | http://www.cgl.ucsf.edu/chimera/ | |
Fiji/ImageJ | National Institute of Health | http://fiji.sc/Fiji, http://rsbweb.nih.gov/ij/ | |
IMOD | Boulder Laboratory for 3D Electron Microscopy of Cells | http://bio3d.colorado.edu/imod/ | |
Photoshop | Adobe | http://www.adobe.com/products/ photoshopfamily.html | |
MATLAB | MathWorks | http://www.mathworks.com/ | |
VLFeat | VLFeat | http://www.vlfeat.org/ |