Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biology
Click here for the English version

Biology

حجم تجزئة وتحليل المواد البيولوجية باستخدام منضدة سورفوس (منطقة عظمى تجزئة وحدة التخزين)

Published: August 23, 2017 doi: 10.3791/56162
Automatic Translation
1, 1,2, 1, 1, 1, 2, 1, 1
1Science Division, Harwell Science and Innovation Campus, Diamond Light Source, 2School of Computer Science, University of Nottingham

Summary

تجزئة البيانات ثلاثية الأبعاد من العديد من تقنيات التصوير عقبة رئيسية في تحليل النظم البيولوجية المعقدة. هنا، يمكننا وصف استخدام منضدة سورفوس إلى شبه تلقائياً الجزء البيانات الحجمي على طول-نطاقات مختلفة باستخدام مجموعات البيانات المثال من البرد-إلكترون التصوير المقطعي والتصوير المقطعي بالأشعة السينية اللينة البرد وتقنيات التصوير المقطعي بالأشعة السينية على النقيض المرحلة.

Abstract

هو تجزئة عملية عزل مناطق محددة أو الكائنات الموجودة ضمن وحدة تخزين المصورة، حتى يمكن اتخاذ إجراء مزيد من الدراسة في هذه المجالات ذات الاهتمام. عند النظر في تحليل النظم البيولوجية المعقدة، تجزئة بيانات الصورة ثلاثية الأبعاد خطوة مكثفة تستغرق وقتاً طويلاً وحزب العمل. مع زيادة توافر العديد من طرائق التصوير ونظم جمع البيانات آليا، وهذا تحديا زيادة للأحياء التجريبية الحديثة للانتقال من البيانات إلى المعرفة. ويصف هذا المنشور استخدام منضدة سورفوس، برنامج مصمم لمعالجة هذه القضايا بتوفير أساليب لشبه تلقائياً الجزء البيولوجية الحجمي البيانات المعقدة. ثلاث مجموعات متباينة التكبير والتصوير طرائق هي المعروضة هنا، كل منها تسليط الضوء على الاستراتيجيات المختلفة لتجزئة مع سورفوس. المرحلة تباين الأشعة السينية التصوير المقطعي (ميكروكت) في الهيئة الاثمار مصنع يستخدم لإظهار تجزئة باستخدام نموذج التدريب، يستخدم التصوير المقطعي الإلكترون cryo (كريوت) من الصفائح الدموية البشرية تثبت تجزئة استخدام سوبر-ميجافوكسيلس، والبرد الناعمة ويستخدم التصوير المقطعي بالأشعة السينية (كريوسكست) من خط خلية الثدييات تثبت التسمية تقسيم أدوات. وترد أيضا استراتيجيات والمعلمات لكل نوع بيانات. عن طريق مزج مجموعة عمليات شبه التلقائي إلى أداة تفاعلية واحدة، سورفوس يوفر العديد من الفوائد. عموما يتم تقليل الوقت للجزء المتعلق بالبيانات الحجمي بعامل خمسة عند مقارنتها بتجزئة اليدوي، ودعامة أساسية في العديد من مجالات تجهيز الصورة. هذا تحقيق وفورات كبيرة عند تجزئة دليل كامل يمكن أن يستغرق أسابيع جهد. بالإضافة إلى ذلك، يتم تناول الذاتية من خلال استخدام الحدود التي تم تحديدها حسابياً، وتقسيم مجموعات معقدة من الكائنات بخصائصها محسوب وليس على أساس حالة بحالة.

Introduction

طاولة العمل سورفوس قطعة من البرمجيات المصممة للسماح للباحثين لاستخراج المعلومات ذات الصلة علمياً من بيانات حجمية من عينات مختلفة، بغض النظر عن هيكل الفوائد أو القرار أو طريقة التصوير1، 2. بيانات الحجمي كهذه غالباً ما يتم جمعها باستخدام نظم التصوير المقطعي بالأشعة السينية أو الإلكترون، تقوم بشكل روتيني مختبرات عامة أو مرافق مركزية بسبب تعقيدها. كل من هذه الأساليب، والتقنيات الأخرى، وإنتاج كبير، مجموعات غنية من المعلومات التي تثبت تحديا للجزء مع أما أساليب شبه تلقائي أو يدوياً. خاصة، تتطلب الدولة قرب أصلي المعطل تداولها البرد datasets ظروف التصوير الجرعة المنخفضة، أسفر عن انخفاض نسبة إشارة إلى الضجيج والتباين الفقراء، لا سيما في البرد إلكترون التصوير المقطعي (كريويت)3،4،5 . عاملاً إضافيا في بعض مجموعات البيانات 3D هو وجود التحف الأخذ بالشروط التجريبية الصعبة المعنية، على سبيل المثال إمالة التحف آسفين المفقودة نتيجة لجمع البيانات على مدى محدود النطاق، أسفر عن المعلومات المفقودة و استطالة في اتجاه شعاع3،،من45. حتى عند انخفاض إشارة إلى الضوضاء أو المفقودين آسفين التحف ليست إشكالية (مثل تركيز أيون شعاع SEM6 أو كتلة المسلسل يواجه SEM7)، الطبيعة ثلاثي الأبعاد للعينة، وكمية كبيرة من البيانات المعقدة ويعني أن التحليل لا تزال تستفيد من عملية مؤتمتة لتجزئة البيانات.

حاليا، عند النظر في حجم البيولوجية للخلايا، هناك العديد من الخيارات لتحديد تلقائياً أو شبه تلقائياً ميزات الهاتف الخلوي محددة جداً، مثل الأكتين أو ميكروتوبوليس أو مجمعات البروتين محددة، باستخدام بحث المستندة إلى القالب، أو تحديد الميزات في أنواع معينة من مجموعات البيانات (مثل التباين العالي، الملون، جزءا لا يتجزأ من الراتنج عينات)8،،من910،،من1112. ومع ذلك، في هذه الحالات بداهة معلومات أو نماذج محددة إعداد البروتوكولات ضرورية، الحد من انطباق واسع النطاق لهذه الاستراتيجيات تجزئة. وهناك أيضا الأدوات المتاحة التي تقوم بالتدريب النموذجية على مستوى فوكسل للتعرف على مظهر مختلف الهياكل من الفائدة عندما تعطي المستخدم الإدخال13. بيد أنه في هذا المستوى يمكن أن الطابع المعقد للتدريب واختبار النماذج عرضه للخطأ ومكلفة حسابياً. ونظرا للظروف الصعبة الصورة، والافتقار إلى استراتيجيات تجزئة المطبقة على نطاق واسع، وشبه التلقائي، تجزئة دليل شائع، حتى عند العمل مع المواد البيولوجية المعقدة14،15، 16 , 17-ومع ذلك، من المقبول عموما أن عملية تجزئة دليل ليس فقط مضيعة للوقت، ولكن أيضا عرضه للخطأ، وذاتية ومتغير4،5،18،19 ،20. تقدم بعض البرامج تجزئة أدوات لتسهيل عملية تجزئة اليدوي (أي الاستيفاء، ﻻسو، أو أدوات ضربة)22من21،، ومع ذلك، في حالات datasets صاخبة، فيصعب تطبيقها بنجاح، و حتى عندما يتم استخدامها بنجاح، العملية لا تزال ذاتية ومتغير.

تقليديا، قد استخدمت الانقسامات في طريقتين متميزة: نوعيا أو كمياً. مع تحسن تقنيات التصوير واستراتيجيات تجزئة، فقد أصبح أكثر شيوعاً لاستخدام تجزئة كأداة كمي للإجابة على الأسئلة البيولوجية وحقيقة "أرض" خوارزمية التنمية8،12، 15،23،،من2425. من أجل القيام بذلك، مفصل الضوابط والتوازنات المطلوبة لتقليل التقلبات والذاتية في جميع أنحاء عملية26. ومع ذلك، هذه الاحتياطات كذلك زيادة الطابع تستغرق وقتاً طويلاً من تجزئة. ولهذا السبب، من الضروري توفر استراتيجية تجزئة أسرع وأقل متغير.

يبدأ منضدة سورفوس لمعالجة هذه القضايا من خلال توفير المستخدم مع مجموعة مختارة من آلة التعلم والأدوات التي تساعد المستخدم في عملية التجزئة، بينما أيضا إرشاد المستخدم من خلال الخطوات المطلوبة ومعالجة الصور. لتحقيق هذا الهدف، واثنان من الابتكارات الرئيسية تنفذ معا في سورفوس. أولاً، فإنه يستخدم التسلسل هرمي منطقة فائقة لمجموعة مماثلة، المناطق القريبة من البيانات استناداً إلى خصائصها المتأصلة. يمثل كل المناطق في التسلسل الهرمي نفس وحدة التخزين باستخدام عناصر أقل، في حين لا يزال توفير التزام الحدود قوية. وهكذا، مناطق فائقة الحد من الطابع المعقد لتجزئة وحدة تخزين قبل عدة أوامر من ضخامة حتى الآن لا تزال تمثل البيانات دون فقدان كبير للمعلومات27. ثانيا، سورفوس يوفر استراتيجية تجزئة شبه إليه التي تستخدم مدخلات تجزئة اليدوي الحد الأدنى لتدريب المصنفات، التي تستخدم فيما بعد الجزء ال28،حجم المتبقية29. هذه الاستراتيجية تقليل تجزئة اليدوي، وإلى حد كبير تقليل مقدار الوقت المستخدم قضى على تجزئة، وعند استخدام مناطق فائقة، يزيل اليدوي ترسيم الحدود، ويحتمل أن تكون الحد من تقلب والذاتية.

آخر سمة رئيسية من سورفوس هو "أداة التقسيم التسمية"، حيث يمكن تصنيف مستخدم سلسلة من الكائنات مقسم مسبقاً استناداً إلى خصائصها المتأصلة. بعد تقسيم الكائنات المختلفة ذات الاهتمام، يمكن استخدام هذه الأداة لتقسيم المجموعة إلى فئات فرعية تستند إلى تدابير مثل كائن متوسط الكثافة، والفرق، وحجم، والموقع، و ما إلى ذلك وهذا مفيد عند تصنيف مجموعات كبيرة من الكائنات مع عالية التعقيد. على سبيل المثال، يمكن تقسيم مجموعة من العضيات الخلوية إلى الميتوكوندريا، حويصلات فارغة، قطرات الدهن، إلخ.؛ أو مجموعة من المواد التي يمكن فصلها تضمينات استناداً إلى حجم أو شكل. مرة واحدة مجزأة بطاقات عنونة فردية يمكن التقسيم إلى مجموعات باستخدام أي عدد من المصنفات، والحد من التحيز القائم على تحديد الهوية.

منضدة سورفوس قد استخدمت بنجاح من للجزء المتعلق بالبيانات من عدة تقنيات التصوير. وهنا، يستخدم السنكروتروني الأشعة السينية المرحلة التباين الطبقي (ميكروكت) للهيئة الاثمار مصنع تثبت سيجمينتاتيحول استخدام نموذج التدريب، البرد إلكترون التصوير المقطعي (كريوت) من الصفائح الدموية البشرية يستخدم لإظهار تجزئة استخدام سوبر--وميجافوكسيلس، والبرد الناعمة الأشعة السينية التصوير المقطعي (كريوسكست) من خط خلية الثدييات يستخدم لإظهار التسمية تقسيم أدوات

Protocol

ملاحظة: عموما النطاقات مفيدة لمعلمات لكل خطوة من خطوات التجهيز والمعلمات المحددة لكل نوع من أنواع البيانات المعروضة هنا وترد في الجدول 1-

1-إعداد مساحة العمل وتحميل البيانات

  1. سورفوس إطلاق منضدة، انقر فوق الزر dataset مفتوحة، وفي تعداد الناتجة عن ذلك، حدد ملف البيانات لتكون مجزأة. اختيار اتجاه مناسب لمجموعة البيانات. المقبل، اختر أو قم بإنشاء مجلد حيث سيتم تخزينها في مساحة العمل والملفات المقترنة. من المستحسن أن هذا المجلد فارغ عند بدء تشغيل تجزئة جديدة. بعد أن تم تحميل البيانات، سيتم فتح طاولة العمل مع جزء الإضافات على اليسار، الجزء التصور الموجود على اليمين ومجموعة من الاختصارات أداة بين الجزئين ( الشكل 1).

2. تجهيزها و "تمثيل البيانات"

  1. "في دوروا حدد" علامة التبويب، إدخال بداية z و y و x واحداثيات نهاية لمنطقة الاهتمام وانقر فوق إضافة. لاختيار المناسب y و x تحوم إحداثيات الماوس فوق نقطة على الصورة. اختر الإحداثيات z باستخدام شريط التمرير في الجزء العلوي من جزء المرئيات. متى تم إضافة منطقة، تأكد من تحديده عن طريق التحقق من المربع إلى اليمين. سيتم تنفيذ كافة العمليات الحسابية المصب في المنطقة المحددة. عموما، بدءاً بصغيرة، نصحت المنطقة الممثل للفائدة (العائد على الاستثمار)، الاستفادة المثلى من المعلمات وثم إعادة تطبيق هذه المعلمات إلى المنطقة كلها لتكون مجزأة.
    2. استخدام
  2. "في القنوات الميزة" علامة التبويب، في القائمة المنسدلة في الأعلى لاختيار مرشح ميزة وإضافته إلى قائمة الانتظار (انظر مناقشة لمزيد من المعلومات حول ميزة قنوات). متى تم إضافة مرشح ميزة وتحديدها بالنقر فوق الاسم الخاص به، تعديل خيارات محددة للميزة/عامل التصفية واختيار dataset الإدخال الذي سيتم تشغيل الميزة/عامل التصفية. مرة واحدة وقد تم اختيار جميع الخيارات، انقر فوق خانة الاختيار إلى يسار اسم الميزة/عامل تصفية لحساب. إضافة عوامل تصفية/ميزات متعددة
    1. من أجل تحسين معلمات لمجموعة بيانات جديدة، واختيار المعلمات بالنسبة لهم، قبل أن يجري حسابها بالترتيب، واحداً تلو الآخر. للقيام بذلك، إضافة كل عامل تصفية/ميزة جديدة وحدد المعلمات المناسبة والتحقق من المربع إلى اليسار من كل مرشح/الميزة ليتم تشغيلها، وانقر فوق مربع الخصائص حساب في الجزء العلوي من الجزء. انظر المناقشة للحصول على معلومات إضافية-

3. إنشاء "مناطق" فائقة المناسبة

  1. "في مناطق سوبر" علامة التبويب، في المقطع سوبيرفوكسيلس، استخدم القائمة المنسدلة مصدر لتحديد البيانات المصفاة التي سيتم إنشاء سوبيرفوكسيلس. قم بتحديد الشكل، والمباعدة بين الولادات والاكتناز من سوبيرفوكسيلس (انظر المناقشة و الرقم 2 للحصول على مزيد من التفاصيل). وأخيراً، انقر على زر تطبيق لتوليد في سوبيرفوكسيلس. بمجرد سوبيرفوكسيلس تم إنشاؤها يمكن عرضها في جزء التصور، تشغيل أو إيقاف تشغيله والشفافية على التحكم في علامة التبويب المرئيات واختصار "إطار عارض".
  2. "في مناطق سوبر" علامة التبويب، في المقطع ميجافوكسيلس، استخدم القائمة المنسدلة مصدر لتحديد البيانات المصفاة التي سيتم إنشاء ميجافوكسيلس. بعد ذلك، تعيين أمداً، ونومبينس والمعلمات غاما من ميجافوكسيلس (انظر المناقشة للحصول على المزيد من التفاصيل). بمجرد ميجافوكسيلس تم إنشاؤها يمكن عرضها في جزء التصور، تشغيل أو إيقاف تشغيله والشفافية على التحكم في علامة التبويب المرئيات واختصار "إطار عارض".

4. مقدمة للشرح

  1. "في التعليقات التوضيحية" علامة التبويب استخدام الزر "إضافة مستوى" لإضافة مستوى التعليق توضيحي. بعد أن تم إضافة مستوى، استخدم الزر "إضافة تسمية" في هذا المستوى لإضافة تسمية للتعليق التوضيحي. بمجرد إضافة، يمكن تعديل اسم ولون التسمية لسهولة الشرح.
  2. التالية، من أجل البدء في تعليق توضيحي، حدد رمز القلم من قسم اختصار أداة. عند تحديد هذا الخيار تظهر مجموعة من الخيارات في الجزء العلوي من جزء المرئيات. تتحكم هذه الخيارات في عرض القلم، وما إذا كان سيتم استخدام فوكسيلس أو سوبيرفوكسيلس أو ميجافوكسيلس لإضافة تعليقات توضيحية.
    1. أغراض التدريب النموذجي، عموما، حدد سوبيرفوكسيلس في مربع القائمة المنسدلة "مستوى التعليق التوضيحي"، وينبغي أن تستخدم اعتدال لعرض القلم كبير. في علامة التبويب التعليقات التوضيحية، حدد التسمية لتكون مشروحة عن طريق التحقق من المربع إلى اليمين المتطرف من معلومات التسمية. بعد ذلك، انقر فوق في الجزء التصور لإضافة تعليق توضيحي سوبيرفوكسيل واحد، أو انقر واسحب لإضافة تعليقات توضيحية كثير.
      ملاحظة: فوكسيلس وميجافوكسيلس يمكن المحدد في مربع القائمة المنسدلة "مستوى الشرح" ويستخدم لإضافة تعليق توضيحي بنفس الطريقة، التي، في حالة ميجافوكسيلس، يمكنك تمكين عدة آلاف من فوكسيلس مماثلة تكون مجزأة بنقرة واحدة من الماوس-

5. تجزئة "باستخدام نموذج التدريب" أثبت مع مجموعة بيانات ميكروكت-

ملاحظة: يتم تجزئة الأولى لكثير من مجموعات البيانات التفريق بين عدة مناطق كبيرة من بعضها البعض. على سبيل المثال، فصل النواة من السيتوبلازم، أو الخلية من الهيكل الجليد والدعم الخارجي. لهذا النوع من الانقسام، مع حدود مرسومة واضحة ومناطق كبيرة، نموذج التدريب مفيدة. وللتدليل على ذلك، سيتم استخدام الأشعة السينية مرحلة التباين تمجربهك بيانات Goosegrass.

  1. تحميل البيانات، preprocess استخدام جناح التصفية وميزة، وتحديد سوبيرفوكسيلس المناسبة و/أو ميجافوكسيلس كما هو موضح في المقاطع أعلاه باستخدام المعلمات في الجدول 1 كدليل. الاستمرار في استخدام المعلمات من الجدول 1 والإرشادات في القسم 4، تقريبا تعليم بعض مناطق كبيرة من البيانات، كما هو موضح في الشكل 3-
    ملاحظة: مجموعة البيانات لا تحتاج إلى أن تكون مجزأة تماما في هذه المرحلة.
  2. "في التدريب النموذجي" علامة التبويب، تعيين مستوى التنبؤ بها إلى المستوى الذي يحتوي على التعليقات التوضيحية دليل التدريب، وفي الواصف المقطع تعيين المنطقة إلى سوبيرفوكسيلس. كخطوة تالية، حدد واصفات التي تستخدم للتمييز بين مناطق البيانات بالنقر فوق في القائمة المنسدلة "تحديد المصادر" والتحقق من مربعات الميزات ومرشحات للاختيار (انظر الجدول 1 والمناقشة)-
  3. وبعد ذلك، انقر فوق الزر التنبؤ بها. بعد اكتمال العملية الحسابية، سيتم تحديث الجزء التصور مع التنبؤات لجميع من فوكسيلس غير المسماة التي عرض فيها فئات التعليق التوضيحي ويتوقع أنهم ينتمون إلى. وبوجه عام، المعلمات الافتراضية لكل منهجية المصنف يوفر نقطة انطلاق جيدة وينبغي إلا يحتاج المستخدم للتبديل بين المصنفات للعثور على حسن صالح. ومع ذلك، للمستخدمين الخبراء أو ذوي الخبرة الخيارات لكل مصنف متوفرة ويمكن تعديل-
  4. بعد تقييم الأثر لمنهجيات التدريب واختيار واحد، تنطبق صقل إضافي عن طريق النقر على تنقيح القائمة المنسدلة في المقطع الصقل. في الجزء السفلي من "نموذج تدريب" التبويب، وفي " "شروح التحديث" " الباب، تأكد من أن يتم تعيين من القائمة المنسدلة التصور إلى بريديكتيوns. استخدم مربع التمرير الثقة لتعيين أكثر أو أقل من سوبيرفوكسيلس أوناننوتاتيد على تسميات التعليق التوضيحي المحدد.
  5. بعد أن تم اختيار مستوى مناسب من الثقة استناداً إلى الفحص البصري، استخدم أزرار حفظ جوار التسميات في الجزء السفلي من أداة الثقة لإنقاذ والتنبؤات في تسميات محددة. سيتم تحديث الجزء التصور لإظهار التغييرات. يمكن أن يتم حفظ كل تسمية كل على حدة، وفي الواقع، يمكن حفظ التسميات من أصغر المناطق الفرعية بإدخال القيم في وإلى مربعات z و y و x والنقر على الزر "حفظ" لكل تسمية.
  6. بكتيريا العناوين الثانوية بتوفير المزيد من التدريب البيانات كما هو موضح في القسم 4. بعد التوقعات المناسبة إضافة إلى بطاقات العنونة، كرر العملية لنموذج التدريب مع التنقيح وإضافة توقعات عالية الثقة حتى هناك لا أكثر غير المسماة سوبيرفوكسيلس. هذا فعالة لأنه يتم تعيين كل مرة يتم تشغيل عملية التدريب النموذجي هناك أكثر سوبيرفوكسيلس لتدريب، وبالتالي تصبح العملية أكثر قوة بزيادة التكرارات.

6. تجزئة باستخدام مناطق فائقة، أظهر مع Dataset كريوت.

ملاحظة: تجزئة "المنطقة" فائقة منذ مفيد للمناطق الأصغر حجماً، وتحفظ المنضم، سوف يكون التركيز هنا على تجزئة العضيات و microtubules داخل dataset هذه. تم استخدام التدريب النموذجي الجزء بسرعة صفائح من الجليد الخلفية والكربون؛ هذه المعلمات لا تناقش كذلك، ولكن ترد في الجدول 1-

  1. Preprocess استخدام جناح التصفية وميزة تحميل البيانات وتحديد سوبيرفوكسيلس المناسبة و/أو ميجافوكسيلس كما هو موضح في المقاطع أعلاه باستخدام المعلمات في الجدول 1 كدليل-
  2. إضافة المستويات المناسبة وتسميات لعلامة التعليق التوضيحي، حدد تسمية والبدء بالتأشير اعتدال باستخدام القلم العرض مع سوبيرفوكسيلس المحدد. أن تضع في اعتبارها الحاجة إلى اختيار تسميات مختلفة لكائنات بالقرب من بعضها البعض من أجل تجنب وضع العلامات عليها ككائن مفرد.
  3. من أجل تنظيف شروح أخرى، استخدام أساليب الصقل المورفولوجية (تمدد وفتح، وإغلاق وتآكل ملء ثقوب). يمكن العثور على هذه الخيارات في الجزء السفلي من علامة التبويب التعليقات التوضيحية. لاستخدامها، حدد أسلوب تجزئة التسمية والصقل. قم بإدخال قيمة radius واختر كيفية تطبيق عملية صقل. ثم انقر فوق حدد.

7. تصنيف وتحليل لبيانات الكائنات استناداً إلى الخصائص المتأصلة، أظهر مع مجموعة البيانات كريوسكست

ملاحظة: عموما، الخطوة التالية بعد تجزئة من تحليل البيانات. أداة التسمية الفاصل في سورفوس تسمح لتصنيف الكائنات مجزأة باستخدام القواعد التي تستند إلى الخصائص الجوهرية للكائنات مثل كائن متوسط كثافة، والفرق، وحجم، أو الموقف. تسمح أداة إحصائيات التسمية لتصور علاقات بين هذه التدابير لكل فئة كائن جديد. هذه أدوات جديدة وقوية لتحليل مجموعات البيانات ثلاثية الأبعاد المعقدة بعد تجزئة.

  1. تحميل البيانات، preprocess استخدام جناح التصفية وميزة، وتحديد سوبيرفوكسيلس المناسبة و/أو ميجافوكسيلس والجزء كما هو موضح في المقاطع أعلاه باستخدام المعلمات في الجدول 1 كدليل-
  2. بعد تجزئة، وانقر فوق علامة التبويب الثانية جزء التصور، دعا "الخائن التسمية". سيقوم هذا بإضافة منطقة جديدة إلى الجانب الأيمن من النافذة--الجزء "إنشاء القاعدة".
  3. في الجزء العلوي من هذا المجال، حدد مستوى مناسب وتسميات لتقسيم التسمية. ثم حدد مجموعة البيانات للاستعلام وانقر فوق تسمية. كافة الكائنات الموجودة في التسميات المحددة سوف الآن تكون المبينة باللون الأزرق كما سيتم عرض كائنات منفصلة في الجزء التصور ومؤامرة عرض متوسط كثافة الكائنات في جزء "إنشاء القاعدة". لتغيير هذا التدبير الذي يجري هو مبين في المؤامرة، انقر فوق مربع القائمة المنسدلة في أعلى الجانب الأيسر.
  4. أن تبدأ بتقسيم الكائنات إلى الفئات ذات الصلة، انقر فوق إضافة تسمية جديدة في الجزء السفلي من الجزء "إنشاء القاعدة". يمكن تغيير الاسم واللون المقترن بهذه التسمية الجديدة كما هو موضح سابقا.
    1. ، "انقر فوق إضافة" قاعدة جديدة واستخدام مربعات إدخال القائمة المنسدلة وحر تعريف في تطبيق القاعدة عليها. انقر فوق تطبيق لرؤية آثار القاعدة الجديدة في جزء المرئيات والمؤامرة في جزء "إنشاء القاعدة". يمكن تطبيق قواعد متعددة لتسمية واحدة، ويمكن إنشاء تسميات متعددة داخل نفس مجموعة البيانات-
      ملاحظة: من أجل جمع أي كائنات غير مسمى، إنشاء تسمية جديدة وبدلاً من إضافة قاعدة لها، انقر فوق "حدد الآخرين".
  5. عند الكائنات للفائدة وقد تم تقسيمها إلى تسميات جديدة، إنشاء مستوى جديد وفارغ في علامة التبويب التعليقات التوضيحية. ثم اختر هذا المستوى في علامة "التبويب إنشاء القاعدة"، وانقر فوق حفظ التسميات. هذا سيوفر التسميات الجديدة على هذا الصعيد فارغة.
  6. على حافة جزء التصور، انقر فوق علامة التبويب "إحصائيات التسمية". سيؤدي هذا إلى فتح جزء مرئيات جديدة التي يمكن استخدامها للبدء في فهم العلاقات بين الفئات الكائن في البيانات. في الجزء العلوي، حدد مستوى مناسب والتسميات، ومجموعة البيانات بالاستعلام.
    1. حدد عدد قليل من التدابير للفائدة عن طريق التحقق من المربعات المجاورة لها. ثم انقر فوق تسمية. هذا سوف ينتج قطع مقارنة عشوائية لكل تدبير من التدابير المحددة. لتحديث قطع الأرض، حدد أو قم بإلغاء تحديد التدابير المناسبة ثم انقر فوق تحديث الأرض.

8. تصدير البيانات والانقسامات

  1. تصدير المؤامرات وبيانات خام القياس بالنقر فوق الأرض التصدير وتصدير البيانات، على التوالي، في علامة التبويب "إحصائيات التسمية" جزء المرئيات.
  2. تصدير بيانات الصورة والانقسامات بالنقر فوق علامة التبويب التصدير في جزء الإضافات. أولاً، انقر فوق لتحديد مجلد حيث سيتم حفظ البيانات. كخطوة تالية، حدد الإخراج (البيانات الخام أو شروح الخام، وتجزئة أقنعة أو البيانات المقنعين) والشكل (HDF5، لجنة نهر الميكونج، أو TIFF). أخيرا، حدد مستوى (مستويات) تعليق توضيحي تصدير باستخدام خانات الاختيار ثم انقر فوق تصدير. البيانات يمكن تحجيمها ومقلوب قبل التصدير حسب الضرورة. عند تصدير البيانات ملثمين، يمكن تحديد مجموعة البيانات التي سيتم تطبيقها mask(s) باستخدام قائمة المنسدلة.

Representative Results

واستخدمت ثلاثة حجم مجموعات البيانات التي تم جمعها من ثلاث تقنيات مختلفة (ميكروكت، كريوت، وكريوسكست) لإثبات ثلاث ميزات هامة من منضدة سورفوس: نموذج التدريب وتجزئة المنطقة فائقة وتقسيم التسمية. مجموعات البيانات تمثل مجموعة متنوعة من النتائج التجريبية، كما تتوفر معلمات التجهيز الكامل لكل منها (الجدول 1).

وللتدليل على نموذج التدريب باستخدام منضدة سورفوس، اختير dataset التباين العالي نسبيا مع تحديد حدود المنطقة. وجمعت dataset هذه الفاكهة من قش أباريني، أو goosegrass، باستخدام الأشعة السينية مرحلة التباين الطبقي في "بيمليني التصوير" I13-2 مانشستر الماس في "الماس مصدر الضوء"، شيلتون، أكسفورد، المملكة المتحدة. تم تحميل العينة الطازجة في الهواء على جونيوميتير أساس على رأس مرحلة التناوب، على مسافة الكاشف عينة من 30 ملم. التعرض مرات كانت 0.10 s مع الطيف الوردي الشعاع الذي يتمتع طاقة يعني من حوالي 22 كيلو إلكترون فولط. إسقاطات جمعت من خلال 180° مع حجم خطوة 0.1 درجة. أجريت عمليات إعادة البناء تمجربهك استخدام سافو30،31 مع عامل التصفية باجانين للتباين القائم على نشر المرحلة الصور32 تليها التعمير الإسقاط الخلفي التي تمت تصفيتها في مجموعة الأدوات استرا33 , 34-ثم تم تقليص هذه البيانات مع 2 × 2 × 2 binning لتقليل حجم الملف قبل يجري إدخال إلى طاولة العمل سورفوس.

أولاً، إدخال البيانات (الشكل 3A) تم تصفيتها وفرضت (لإزالة قيم الكثافة العلوية والسفلية في البيانات) (الشكل 3). بهذه الطريقة، الخلفية والأمامية وقدمت يمكن تمييزها بسهولة أكبر وقد أبرزت نسيج الهيكل الداخلي للفاكهة. بعد ذلك، تم بناء سوبيرفوكسيلس على رأس مجموعة البيانات التي تمت تصفيتها (الشكل 3). لتقييم نوعية سوبيرفوكسيلس، أنها عرضت دون البيانات للتحقق من أن التفاصيل ذات الصلة من dataset كانت ممثلة تمثيلاً جيدا قبل سوبيرفوكسيلس (3D الشكل). وقدمت الشروح القادمة، دليل استخدام سوبيرفوكسيلس كبيانات التدريب على ثلاث شرائح من وحدة التخزين (الرقم 3E، الألوان الداكنة). هذه البيانات التدريب كان كافياً لتدريب المصنف للتنبؤ (الألوان الفاتحة) المناطق المقابلة للخلفية (الأخضر)، والفاكهة شعيرات (أحمر)، الزريعة (الأرجواني)، والمحيطة بالجسد (أزرق). واستخدمت التحسينات المورفولوجية لتنظيف الانقسامات بملء الثقوب، تنمو أو تقليصها حسب الحاجة (الرقم 3F). وكان إجمالي الوقت المستغرق لتحديد المعايير المناسبة والجزء dataset هذه ح 2.

واختير dataset صاخبة ومعقدة لإثبات تجزئة المنطقة فائقة باستخدام منضدة سورفوس،15. وجمعت هذه dataset استخدام كريويت في المركز الوطني "التصوير الجزيئات" في "كلية بايلور للطب في" هيوستن، تكساس الولايات المتحدة الأمريكية. باختصار، كانت الصفائح الدموية يغرق المجمدة في وهج خرج وشبكات تيم الكربون المخرمة الذهب المعالجة بالاعتماد. وجمعت سلسلة إمالة من درجة ±65 مع زيادة درجة 2. ثم أعيد سلسلة الميل باستخدام الإسقاط الخلفي مرجح في إيمود35.

بعد تحميل البيانات إلى سورفوس (الشكل 4 أ)، تم اختيار منطقة للفائدة وتم تطبيق مجموعة عامل تصفية مناسب. في هذه الحالة، استخدمت عامل تصفية غاوسي التنعيم يليه عامل تصفية تباين الكلي مع التباين فرضت على إبراز الحواف والقوام للبيانات (الشكل 4 باء). بعد ذلك، استخدمت التدريب النموذجي مع مدخلات المستخدم المستندة إلى سوبيرفوكسيل الحد الأدنى للجزء صفائح من الجليد الخلفية والكربون. ثم، استخدم تجزئة شبه اليدوي ميجافوكسيلس وسوبيرفوكسيلس للجزء العضيات. وأخيراً، تم تغيير المعلمة المصدر سوبيرفوكسيل إلى عامل تصفية دينويسينج أضعف والشكل سوبيرفوكسيل أصغر (انظر الجدول 1) بغية تحسين الحفاظ على حدود ميكروتوبوليس لتجزئة (الشكل 4). في العضيات وفي microtubules، استخدمت التعليقات التوضيحية دليل سريع كل شرائح 5-10 لتحديد سوبيرفوكسيلس التي تصف السمة للفائدة (الشكل 4 & 4E). وكان إجمالي الوقت المستغرق لتحديد المعايير المناسبة وتقسيم منطقة الفائدة المقدمة ح 6.

وللتدليل على تسمية تقسيم استخدام منضدة سورفوس، اختير dataset مع العضيات، كثيرة ومتنوعة. وجمعت هذا dataset باستخدام كريوسكست على بيمليني B24 في "الماس مصدر الضوء"، شيلتون، أكسفورد، المملكة المتحدة36. باختصار، كانت تزرع الخلايا HEK293 في شبكات الباحث عن الذهب، أضيفت فيدوسيالس الذهب حجم مناسب والشبكة يغرق تجميد استخدام م مع الجانب الخلفي النشاف. ثم جمعت سلسلة إمالة في مجهر من درجة ±65 مع زيادة 0.5°. ثم أعيد سلسلة الميل باستخدام الإسقاط الخلفي مرجح في إيمود35.

بعد تحميل البيانات إلى سورفوس (الشكل 5A)، تم اختيار منطقة للفائدة واستخدم عامل تصفية تباين الكلي مناسبة لتعزيز حدود العضيات في جميع أنحاء الحجم (الشكل 5 (ب)). وبعد ذلك، العضيات كانت شبه مانوالي مجزأة باستخدام ميجافوكسيلس وسوبيرفوكسيلس، والمكرر ثم مع فتحات التعبئة والإغلاق وتمدد لتنعيم الحواف (الشكل 5). وكان إجمالي الوقت تحديد المعايير المناسبة وتقسيم منطقة الفائدة المقدمة ح 4. حالما انتهى من التجزئة، "المقسم التسمية" استخدمت لتصور كل عضية ككائن في مجموعة البيانات (الشكل 5) والخصائص المختلفة عن كل كائن في المؤامرة البيانات (الشكل 5E). واجهة "المقسم التسمية" التفاعلية، تحديث اللون المقترن بكل فئة تسمية جديدة في التصور وارسم البيانات. وهذا يسمح لإنشاء قواعد مختلفة على أساس الخصائص المتأصلة في البيانات التي يمكن استخدامها لفصل الكائنات إلى دروس مفيدة (5F الشكل).

Figure 1
الشكل 1. تخطيط والملامح العامة لمنضدة سورفوس.
واجهة المستخدم الرسومية على اليسار، بينما الجزء التصور على الحق. يتم فصل هذين المجالين بعمود الأدوات والاختصارات. يتم ترتيب واجهة المستخدم الرسومية السير على المستخدم من خلال الخطوات الرئيسية في تجهيزها البيانات، واختيار المعلمات سوبيرفوكسيل و/أو ميجافوكسيل، تجزئة البيانات، وإذا لزم الأمر استخدام نموذج التدريب، قبل تصدير الانقسامات. يمكن استخدام الجزء التصور في ثلاثة أوضاع: التصور الأساسي وتجزئة لعرض البياناتوأي تطبيق عوامل تصفية وتجزئة البيانات، تسمية الخائن إلى تصنيف الكائنات إلى التسميات الجديدة على أساس الجوانب الملازمة للبيانات، وأخيراً تسمية الإحصاءات قياس ووضع تصور لخصائص الكائنات مجزأة. لكل من هذه الأوضاع، القائمة المنسدلة في الأعلى اليسار الزاوية عناصر تحكم البيانات التي ترد، ويتحكم شريط التمرير في الأعلى محور ع. اختصارات أداة يوفر الوصول السهل السيطرة على النقيض، الشفافية للطبقات، التكبير، بالغسل، والعودة إلى "الوطن" في جزء المرئيات، وأدوات فتح للشرح كما هو موضح في البروتوكول. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 2
الرقم 2. التسلسل الهرمي للمنطقة فائقة يقلل من تعقيد تجزئة الصورة.
واستخدمت صورة من Dataset تجزئة بيركلي (BSDS50037) لإظهار خصائص وآثار مناطق فائقة. الصورة الأصلية (يسار) تتكون من آلاف فوكسيلس، ثم جمعت في التجمعات المجاورة، مماثلة لإنشاء بضع مئات سوبيرفوكسيلس (وسط). يمكن أيضا جمع سوبيرفوكسيلس في التجمعات المجاورة، مماثلة لإنشاء بضع عشرات من ميجافوكسيلس (يمين). مع كل تجمع، انخفض مدى تعقيد المهمة تجزئة، للموارد الحسابية ودليل على حد سواء. الأهم من ذلك، سبيل مثال 2D هو موضح هنا، إلا أن كلا من سوبيرفوكسيلس وميجافوكسيلس هي 3D. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 3
الشكل 3. التجهيز من ميكروكت Dataset باستخدام "استراتيجية تجزئة التدريب النموذجي".
ألف شريحة 2D مفرد من البيانات الخام. باء- تطبيق عامل تصفية فرضت تباين الكلي للبيانات الخام تعزيز الحدود بين الجوانب المختلفة للجسم الاثمار. وقد تم اختيار المعلمات المناسبة سوبيرفوكسيل جيم . دال يرد منطقة الاهتمام (مربع أحمر في ج) لإثبات أن حدود البيانات موجودة في سوبيرفوكسيلس أنفسهم. هاء ثلاث شرائح من وحدة التخزين مع شروح اليدوية من مختلف المناطق لمجموعة البيانات المعروضة في الألوان الداكنة (الأخضر، والأحمر والأزرق والأرجواني) وعرض التنبؤات بعد تشغيل نموذج التدريب في نفس الألوان الخفيفة. واو نفسه ثلاث شرائح مع تجزئة النهائية بعد أن تم قبولها والتنبؤات التدريب النموذجي. هي أشرطة مقياس 1 مم. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 4
الشكل 4. تجهيز كريوت Dataset باستخدام "استراتيجية تجزئة المنطقة" فائقة.
ألف شريحة 2D مفرد من البيانات الخام. ب منطقة الاهتمام (مربع أحمر في A) مع مجموعة طبقات عامل تصفية المطبق على إبراز حدود العضيات. جيم مثال للتأشير عضية استخدام مناطق فائقة. ويرد عضية واحدة مع سوبيرفوكسيلس مضافين مع التعليق التوضيحي المستخدم اليدوية المعروضة باللون الأسود (يسار) وسوبيرفوكسيلس اختياره مع الشرح أن يظهر باللون الأزرق (اليمين). مثال دال على التأشير ميكروتوبولي استخدام مناطق فائقة. منطقة واحدة من ميكروتوبولي يظهر مع التعليق التوضيحي المستخدم اليدوية المعروضة في الأسود (يسار) وسوبيرفوكسيلس اختياره مع الشرح التي تظهر باللون الأخضر (يمين). هاء النهائي تجزئة تتميز الصفيحات مجزأة من الخلفية باستخدام نموذج التدريب (انظر الجدول 1 لمزيد من التفاصيل)، ومختلف العضيات و microtubules مجزأة باستخدام استراتيجية تجزئة منطقة فائقة. الألوان لا تشير إلى أنواع محددة من عضية كما هي معروضة هنا قبل التصنيف. تغيير حجم أشرطة في أ وب ه 1 ميكرومتر وفي ج ود 0.5 ميكرومتر. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 5
الشكل 5. تحليل كريوسكست Dataset باستخدام "أداة التقسيم التسمية".
ألف شريحة 2D مفرد من البيانات الخام. ب منطقة الاهتمام (مربع أحمر في A) مع عامل تصفية تباين الكلي المطبقة على إبراز العضيات. جيم تجزئة النهائي مع سوبيرفوكسيلس مضافين. د التصور جزء من التقسيم التسمية مع العضيات تصنيف استخدام القواعد المعروضة في و. هاء المؤامرة جزء من التقسيم تسمية عرض متوسط كثافة داخل كل كائن، مع عرض و تطبيق القواعد. كل خط عمودي على طول المحور السيني يمثل كائن مفرد ومرمزة لمطابقة الفئة أنه تم تعيين إلى. واو مثال قواعد التصنيف لفصل الكائنات المختلفة استناداً إلى خصائصها المتأصلة. أشرطة مقياس من 1 ميكرومتر. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

الاسم/Dataset المصدر P1 P2 P3 P4
تصفية غاوسي سيغما
مجموعة/الافتراضي - [0.5، 10]/1
كريوت (G1) البيانات الخام 1
كريوت (G2) البيانات الخام 2
التباين الكلي لامدا المباعدة بين الولادات # المفاعل المشبك
مجموعة/الافتراضي - [0.1، 30]/10 [0.1، 10]/1 [50، 500]/100 -
ميكروكت (TV1) البيانات الخام 10 1 100 (1،--)
كريوت (TV2) G1 7 1 200 -
كريوت (TV3) G2 10 1 100 -
كريوسكسر (TV4) البيانات الخام 7 1 100 -
مستوى العتبة فمين Vmax
مجموعة/الافتراضي
كريويت (TH1) TV3 0 - توسيط غاوسي سيغما مجموعة/الافتراضي - [0.5، 10]/2 ميكروكت (GC1) TV1 2 تطبيع غاوسي سيغما مجموعة/الافتراضي - [0.5، 10]/2 ميكروكت (GN1) TV1 2 Laplacian غاوسي سيغما مناقشة استجابة مجموعة/الافتراضي - [0.5، 10]/2 [نعم/لا]/لا [برايت/الظلام]/مشرق ميكروكت (LG1) TV1 2 لا مشرق الفرق بين جاوسيانس Init سيجما نسبة سيجما مجموعة/الافتراضي - [0.5، 10]/2 [1، 1، 3]/1.6 ميكروكت (DG1) TV1 2 1.6 كريوت (DG2) TV3 2 1.6 موتر هيكل مخبر الشرطة Sigma1 منطقة سيجما مجموعة/الافتراضي - [0.5، 10]/2 [0.5، 10]/2 كريويت (ST1) TV3 2 2 سوبيرفوكسيلس الشكل المباعدة بين الولادات اﻻكتناز مجموعة/الافتراضي - [1، 10]/10 [0.1، 5]/1 [1، 200]/20 ميكروكت (SV1) TV1 (10، 10، 10) (1، 1، 1) 30 كريوت (SV2) TV3 (10، 10، 10) (1، 1، 1) 50 كريوت (SV3) بعثة التحقق في كوسوفو (3، 5، 5) (1، 1، 1) 50 كريوسكست (SV4) TV4 (10، 10، 10) (1، 1، 1) 30 ميجافوكسيلس لامدا # سلال أشعة غاما مجموعة/الافتراضي - [0.01, 1]/0.1 [10، 200]/20 لا شيء, السيارات أو [0, 1]/لا شيء كريوت (MV1) SV2 0.1 50 تلقائي TV1 كريوسكست (MV2) SV4 0.4 50 لا شيء TV4 التدريب النموذجي المنطقة المصنف الصقل متاح/الافتراضي [فوكسل/سوبيرفوكسيل] [أطقم، SVM، النماذج الخطية على الإنترنت/ [لا شيء، بوتس، مظهر]/مظهر فرقة--الترددات اللاسلكية ميكروكت TV3 SV1 العشوائي للغابات: المظهر TH1 GC1 --شجرة #: -أمداً: GN1 [10، 100]/100 [1، 500]/10 LG1 100 50 DG1 كريوت TV2 DG2 ST1 SV2 العشوائي للغابات: المظهر --شجرة #: -أمداً: [10، 100]/100 [1، 500]/10 100 50 صقل التعليق التوضيحي دائرة نصف قطرها مجموعة/الافتراضي [1، 20]/1 ميكروكت افتتاح 5 ملء الثغرات 1 تمدد 2 كريوت افتتاح 3 ملء الثغرات 1 تمدد 2 كريوسكست افتتاح 3 ملء الثغرات 1 تمدد 2

الجدول 1. استخدام معلمات الأمثل لمعالجة كل من "مجموعات البيانات الثلاث" (ميكروكت وكريوت وكريوسكست).>
لكل معلمة، يتم إعطاء نطاق الغرض العام والافتراضية. في كثير من الحالات، يتم استخدام البيانات التي تم تصفيتها كمصدر للتجهيز النهائي. وفي هذه الحالات، يتم استخدام اختصار للدلالة على مجموعة البيانات المصدر الجديد. على سبيل المثال، G1 (كريوت المصفاة غاوسي البيانات الخام) تم استخدامها كمدخلات خلال عامل تصفية تباين الكلي لإنشاء TV2. وتقدم المعلومات فقط لجوانب من طاولة العمل التي تم استخدامها لمعالجة كل dataset. على سبيل المثال، لم يستخدم "نموذج التدريب" أثناء المعالجة كريوسكست مجموعة البيانات المقدمة هنا، لذلك يتم إعطاء أية معلمات لهذا.

Discussion

منضدة سورفوس يختلف عن البرامج الأخرى تجزئة في التحسين من المعلمات خطوة ضرورية وهامة قبل بداية تجزئة الفعلية. في بعض البرامج تجزئة دليل أو شبه دليل، يبدأ المستخدم تجزئة خلال لحظات لفتح مشروع جديد. مع سورفوس، نظراً لأن كميات كبيرة من الحجم سوف تكون مجزأة مع مدخلات المستخدم سوى القليل جداً، والحدود التي رسمتها البرنامج، تحسين المعلمات أمر حاسم لتجزئة ناجحة. على وجه التحديد، هي ميزة قنوات وبناء المنطقة فائقة مجالين حيث ينبغي إيلاء اهتمام.

ميزة قنوات والتدريب النموذجي

بالإضافة إلى البيانات الخام، سورفوس يسمح للمستخدم بإنشاء مجموعات بيانات إضافية أو قنوات مستمدة من dataset موجودة. يمكن إنشاء هذه القنوات باستخدام مجموعة من المنهجيات الحسابية أو ميزة العصير. كل تمثيل البيانات المتوفرة بالتوازي، ويمكن عرضها على حدة لتقييم نتائج تطبيق عامل تصفية أو ميزة. وبسبب هذه الخصائص، يشار إلى كقنوات ميزة في سورفوس. وهناك العديد من خيارات قناة ميزة المقدمة داخل سورفوس. للحصول على معلومات حول الخيارات والمعلمات المستخدمة هنا، انظر الجدول 1، للحصول على قائمة كاملة ووصف ميزة تتوفر قنوات زيارة https://diamondlightsource.github.io/SuRVoS/ 2. مجموعات البيانات أولاً، صاخبة سوف تستفيد من تقليل الضوضاء مع الضبابي أو إجمالي الاختلاف عامل التصفية. من المستحسن أن كذلك ميزة حسابات القناة وسوبيرفوكسيل/ميجافوكسيل أن يؤديها باستخدام واحدة من هذه دينويسيد من مجموعات البيانات كمصدر للبيانات. عموما، يستخدم dataset التباين الكلي denoised كمصدر البيانات لميزة حسابات القناة وسوبيرفوكسيل/ميجافوكسيل. ويقترح لتشغيل مع القيم الافتراضية أولاً، تقييم النتيجة في 3D، وأخيراً، تحسين شكل تكراري المعلمات لمجموعة البيانات. بالإضافة إلى ذلك، ميزة قنوات يمكن أن يبني في "عامل تصفية" لمجموعات تحديداً عزل الجوانب مجموعة البيانات، ويمكن لهذه ثم استخدامها كمصادر للبيانات لإنشاء سوبيرفوكسيلس وميجافوكسيلس. بينما هذه الاستراتيجية هو الغاية dataset التابعة، فإنه يمكن أن تكون مفيدة.

ميزة قنوات تستخدم أيضا كمصادر لتدريب المصنف في التدريب النموذجي. عند البت في القنوات الميزة التي لاستخدام، من المستحسن أن تستخدم قنوات ميزة قوية قليلة (مثلاً، من الكشف عن النقطة، نسيج وبنية، أو فئات ميزات قوية) عند العمل مع كمية صغيرة من شروح لتدريب المصنف. عند العمل مع كميات كبيرة من بيانات التدريب، فإنه من المستحسن استخدام المزيد من القنوات الميزة عموما، من أي فئة من الفئات طالما أنها توفر معلومات متنوعة للمصنف (مثلاً، إضافة إلى قنوات ميزة قائمة أعلاه من المحلي الميزات وفئات الميزات الضبابي).

هناك ثلاثة أجزاء رئيسية نموذج التدريب: توفير مصادر بيانات الإدخال التي تصف البيانات واستخدام هذه المدخلات لتدريب مصنف، وأخيراً تحسين التنبؤات الإخراج. عموما، يتطلب مناطق أصغر من البيانات أكثر شروح المستخدم دقة تدريب المصنف، بينما مناطق أكبر من البيانات سوف تتطلب تعليقات المستخدم أقل. التدريب النموذجي الأول دون تحديد صقل يمكن استخدامها لإيجاد تنبؤات أفضل. ثم تدرج في الصقل وتحسين المعلمة لامدا حسب الحاجة لإصلاح المشكلات المتعلقة بالتنبؤات مثل ثقوب أو حواف خشنة.

سوبيرفوكسيلس وميجافوكسيلس

سوبيرفوكسيلس مجموعات متعددة القريبة،38،فوكسيلس مماثلة39. سوبيرفوكسيلس تبدأ كشبكة ثلاثية الأبعاد قياسية مضافين على بيانات ثم هو مشوه تكراري بغية التقيد بحدود الكامنة، وهكذا أفضل تمثيل البيانات. إنشاء سوبيرفوكسيل وتشوه يسيطر أربعة مدخلات المستخدم: مصدر البيانات والشكل سوبيربيكسيل، والتباعد، والاكتناز. مصدر البيانات يوفر مدخلات البيانات التي يتم الاستعلام عنها من خلال إنشاء سوبيرفوكسيل. يمكن استخدام أي مصدر بما في ذلك مصادر البيانات التي تمت تصفيتها. تحديد معالم الشكل سوبيربيكسيل الشبكة 3D الانطلاق والشكل المطلوب التقريبي من سوبيرفوكسيلس الناتجة عن ذلك. يمكن تغيير هذه المعلمات إلى زيادة أو إنقاص حجم سوبيرفوكسيلس قبل التشوه. تعريف المعلمات تباعد أهمية الحدود في كل اتجاه. يمكن تغيير هذه المعلمات إلى التشديد على الحدود في أحد أو سوف تشوه اتجاهين على حساب الآخر (s)، بمعنى سوبيرفوكسيلس الناتجة عن اتباع أفضل حدود البيانات في direction(s) معينة. يتحكم المعلمة الأخيرة، اﻻكتناز، كم سوبيرفوكسيلس يمكن أن تشوه. عدد اﻻكتناز منخفض يسمح سوبيرفوكسيلس لتشوه أكثر. ينبغي أن يكون الأمثل هذه المعلمات لتقديم سوبيرفوكسيلس التي تمثل حدود البيانات التي تهم. ملاحظة: حاليا، سوبيرفوكسيل الشكل المعلمات يجب أن يساوي 1024 أو أقل عندما ضرب معا.

في بعض النواحي، معلمات سوبيرفوكسيل يمكن أن تعوض عن بعضها البعض، بمعنى لا يوجد أحد "الجواب الصحيح" عند اتخاذ قرار بشأن المعلمات. على سبيل المثال، شبكة انطلاق كبيرة (مثل سوبيربيكسيل الشكل: 10 × 10 × 10) وعدد اﻻكتناز منخفضة (خروج 20) قد تعطي سوبيرفوكسيلس مع التزام الحدود مماثلة بالمقارنة مع شبكة انطلاق صغيرة (مثلاً سوبيربيكسيل الشكل 5 × 5 × 5) وأعلى عدد اﻻكتناز (مثلاً 50). لأن هناك أكثر من ذلك، سوبيرفوكسيلس أصغر في السيناريو الثاني، ليس لديهم تشوه قدر تمثل الحدود. يمكن أن تكون كلتا المجموعتين من المعلمات المناسبة لتجزئة dataset.

النظر في أكبر عند اختيار المعلمات سوبيرفوكسيل مدى سوبيرفوكسيلس تمثل البيانات. عرض سوبيرفوكسيلس وحدها، دون بيانات تحتها، كما هو الحال في 2D الشكل، وسيلة جيدة لتقييم المعلمات سوبيرفوكسيل. الحواف والخطوط العريضة للأشكال الموجودة في البيانات عند عرضها بهذه الطريقة، ينبغي أن لا يزال تكون مرئية في سوبيرفوكسيلس.

ميجافوكسيلس تكتلات متعددة المجاورة، على غرار سوبيرفوكسيلس،من3839. أنها مرة أخرى يسيطر عليها أربعة مدخلات المستخدم: مصدر البيانات، لامدا، نومبينس، وأشعة غاما. كما هو الحال مع سوبيرفوكسيلس، ومصدر البيانات يوفر مدخلات البيانات التي يتم الاستعلام عنها من خلال إنشاء ميجافوكسيل. لامدا ونومبينس أثر انضمام ميجافوكسيلس حجم وحدود. كما ميجافوكسيلس تنمو أكبر (أمداً عالية، نومبينس منخفضة)، يقلل من تقيدها الحدود. العكس صحيح أيضا، وسيزداد تمسك الحدود مع ميجافوكسيلس أصغر (لامدا منخفضة، نومبينس عالية)، غير أن إنقاص حجم ميجافوكسيل، حتى لا فائدتها في تجزئة كميات كبيرة من فوكسيلس بسرعة. يتحكم المعلمة الاختيارية غاما معامل النعومة مقابل تكلفة دمج سوبيرفوكسيلس اثنين معا. يمكن تعزيز قيم صغيرة من أشعة غاما التشابه بين سوبيرفوكسيلس اثنين، على حساب وجود عموما أقل ميجافوكسيلس.

كما هو الحال مع سوبيرفوكسيلس، النظر في أكبر عند اختيار والاستفادة المثلى من معلمات ميجافوكسيل جيدا كيف ميجافوكسيلس تمثل البيانات. عرض ميجافوكسيلس وحدها كما هو موضح سوبيرفوكسيلس يمكن استخدامها مرة أخرى لتقييم المعلمات. ومع ذلك، لأن ميجافوكسيلس سوف تكون أكبر بكثير، وهي ثلاثية الأبعاد، باستخدام تي أدوات التعليق التوضيحياختر س ميجافوكسيلس واحد للتأكد من الحدود بين المناطق ذات الاهتمام ضيق كما ينصح به.

استراتيجية التعليق التوضيحي

قد وصفت استراتيجيتين التعليق العام: نهج تدريبي نموذج مفيد لفصل مناطق شاسعة من dataset، بينما نهج تقسيم منطقة فائقة مفيد لميزات أصغر حجماً وأكثر تنوعاً مثل العضيات الفردية. ويمكن تنظيم الشروح بطريقة هرمية حيث أنه من الممكن لتعليم المناطق الكبيرة أولاً، ثم تقسيم منهم إلى مناطق أكثر تحديداً باستخدام علاقة أصل-تابع. يمكن تعيين التسمية الأصل لتسمية بالنقر على المنطقة الحق في اختيار لون التسمية واختيار على تسمية أصل مناسبة من مستوى سابق. في الممارسة العملية، استخدام مجموعات البيانات معظم التدريب النموذجي واستراتيجيات تجزئة المنطقة فائقة لتقسيم المناطق/السمات المحددة للفائدة.

في المثال التدريب النموذجي هنا، استخدمت بعض مدخلات التدريب (في شكل دليل المستخدم المستندة إلى سوبيرفوكسيل الشروح) على ثلاث شرائح متباعدة بنفس القدر من البيانات. بهذه الطريقة، يزيد جانب التدريب النموذجي من سورفوس إلى حد كبير السرعة التي تجزئة ممكن لا سيما عندما تعمل مع كبيرة، متباينة مناطق مثل الفجوة بين المناطق في الجسم الاثمار goosegrass كما هو مبين في 3 الرقم.

عند نموذج التدريب، وإذا كان لا يمكن رؤيتها والتنبؤات، قد تكون ضرورية للانتقال إلى علامة التبويب المرئيات وتأكد من أن يتم تشغيل طبقة التنبؤات وتعيين إلى مبلغ مناسب للشفافية. أيضا، سيتم تعيين ثقة 0 كل سوبيرفوكسيل غير مسمى لتسمية، استناداً إلى أقرب تطابق لها أيا كان. فقط ثقة 100 سيتم تعيين تسمية إلا إذا كان لديه فئة واحدة لتسمية أي مباراة النسبي. كل شيء في بين المقايضة لهذين النقيضين. عند تحديد مستوى ثقة ويقترح للتحقق من شرائح قليلة لتفقد بصريا أنه لا توجد أي فوكسيلس تنبأ بشكل غير صحيح قبل حفظ التنبؤ إلى تسمية.

استراتيجية جيدة لشرح استخدام مناطق فائقة استخدام أداة التكبير لتكبير البيانات، وإضافة تعليقات توضيحية العضيات قليلة في وقت واحد على شريحة واحدة، باستخدام نهج "سريع وفوضوي" أولاً (الشكل 4). وبعد ذلك، تحريك لأعلى أو لأسفل الشرائح قليلة في ض وتكرار هذه العملية. لأن سوبيرفوكسيلس ثلاثية الأبعاد، العديد من أخطاء النهج "فوضوي" يتم إصلاحها بواسطة الشروح المقدمة أعلاه أو أسفل الشرائح. بهذه الطريقة، يتم تسريع تجزئة والحدود ترد قبل سوبيرفوكسيلس بدلاً من يدوياً.

وقدمت لتنظيف تسمية، خيارات التحسين تجزئة القياسية. يسبب تمدد التسمية تجزئة المحدد ينمو بنصف قطر معين، يتسبب في تآكل يتقلص. فتح وإغلاق يتم تطبيق تآكل أولاً ثم تمدد، أو العكس بالعكس، على التوالي. وملء الثقوب يفعل ذلك بالضبط. المسألة بالترتيب لهذه العمليات. وبوجه عام، أداء ملء الثقوب، ثم فتح، ثم تمدد يعمل بشكل جيد. يمكن تطبيق كل أسلوب الصقل على شريحة واحدة ("هذا شريحة")، على كل الشرائح في 2D ("جميع شرائح (2D)") أو في 3D ("كاملة الحجم (3D)"). ويوصي جميع شرائح (2D).

أهمية والاتجاهات المستقبلية

تجزئة كفاءة ودقة من عنق الزجاجة المقبلة في معالجة مجموعات البيانات ثلاثية الأبعاد، خاصة مع جمع تيرابايت بيانات الصورة الآلي الروتينية خلال دورات طويلة الأجل. منضدة سورفوس يمكن تسريع عملية تجزئة بمعامل 5 مقارنة بتجزئة اليدوي. أيضا، لأن الحدود التي رسمتها سوبيرفوكسيلس، ينبغي تحسين تباين الانقسامات الناتجة عن ذلك. ونأمل في المستقبل، لاستكشاف سبل استخدام تجزئة منطقة 3D الممثل الاهتمام كبيانات التدريب لتطبيق بقية وحدة التخزين، أو حتى وحدة تخزين منفصلة، بثقة عالية. كذلك سينخفض هذا مقدما مقدار الوقت المستخدم والمدخلات اللازمة لوحدات البيولوجية المعقدة حتى الجزء، المساعدة على تخفيف حدة عنق الزجاجة التجهيز وتجزئة الصورة. هذا، بدوره، سوف يسمح مقارنة كمية من البيانات البيولوجية في الدول المختلفة (مثلاً غير مرض، مرض، تعامل) مع أرقام تجريبية قوية.

Disclosures

ويعلن الكتاب لديهم لا تضارب المصالح المالية.

Acknowledgments

ونود أن تقر وأن تشكر وانغ روي وواه تشيو من "كلية بايلور للطب" لتوفير dataset كريويت وأندرو بوديي من "الماس مصدر الضوء" لمساعدة مع بيامتيمي I13. وأيد منح المعاهد الوطنية للصحة (NIH) رقم (P41GM103832) ونقر "الماس مصدر الضوء" أجزاء من هذه البحوث لتمويل مشترك لوينغو امانول تحت STU0079 الدكتوراه.

Materials

Name Company Catalog Number Comments
computer n/a n/a Must be running Linux operating system and have an NVidia GPU with at least 4 GB of memory

DOWNLOAD MATERIALS LIST

References

  1. DiamondLightSource/SuRVoS: Version 1.0. Zenodo. , Available from: https://zenodo.org/record/247547 (2017).
  2. SuRVoS Workbench - Super Region Volume Segmentation. , Available from: https://diamondlightsource.github.io/SuRVoS/ (2017).
  3. Frangakis, A. S., Förster, F. Computational exploration of structural information from cryo-electron tomograms. Curr Opin Struct Biol. 14 (3), 325-331 (2004).
  4. Lucić, V., Förster, F., Baumeister, W. Structural studies by electron tomography: from cells to molecules. Annu Rev Biochem. 74, 833-865 (2005).
  5. Lučič, V., Rigort, A., Baumeister, W. Cryo-electron tomography: the challenge of doing structural biology in situ. J Cell Biol. 202 (3), 407-419 (2013).
  6. Milani, M., Drobne, D. Focused ion beam manipulation and ultramicroscopy of unprepared cells. Scanning. 28 (3), 148-154 (2006).
  7. Denk, W., Horstmann, H. Serial Block-Face Scanning Electron Microscopy to Reconstruct Three-Dimensional Tissue Nanostructure. PLoS Biol. 2 (11), (2004).
  8. Rigort, A., et al. Automated segmentation of electron tomograms for a quantitative description of actin filament networks. J Struct Biol. 177 (1), 135-144 (2012).
  9. Förster, F., Han, B. -G., Beck, M. Visual Proteomics. Meth Enzymolb. 483, 215-243 (2010).
  10. Liu, Y., Sigworth, F. J. Automatic cryo-EM particle selection for membrane proteins in spherical liposomes. J Struct Biol. 185 (3), 295-302 (2014).
  11. Asano, S., et al. A molecular census of 26S proteasomes in intact neurons. Science. 347 (6220), 439-442 (2015).
  12. Garduño, E., Wong-Barnum, M., Volkmann, N., Ellisman, M. H. Segmentation of electron tomographic data sets using fuzzy set theory principles. J Struct Biol. 162 (3), 368-379 (2008).
  13. Sommer, C., Straehle, C., Köthe, U., Hamprecht, F. A. Ilastik: Interactive learning and segmentation toolkit. 2011 IEEE Int Symp Biomed Imaging: From Nano to Macro. , 230-233 (2011).
  14. Darrow, M. C., et al. Structural Mechanisms of Mutant Huntingtin Aggregation Suppression by the Synthetic Chaperonin-like CCT5 Complex Explained by Cryoelectron Tomography. J Biol Chem. 290 (28), 17451-17461 (2015).
  15. Wang, R., et al. Electron cryotomography reveals ultrastructure alterations in platelets from patients with ovarian cancer. Proc Natl Acad Sci USA. 112 (46), 14266-14271 (2015).
  16. Shahmoradian, S. H., et al. TRiC's tricks inhibit huntingtin aggregation. eLife. 2, (2013).
  17. Dai, W., et al. Visualizing virus assembly intermediates inside marine cyanobacteria. Nature. 502 (7473), 707-710 (2013).
  18. Sandberg, K. Methods for Image Segmentation in Cellular Tomography. Methods Cell Biol. 79, 769-798 (2007).
  19. Volkmann, N. Methods for Segmentation and Interpretation of Electron Tomographic Reconstructions. Methods Enzymol. 483, 31-46 (2010).
  20. Tsai, W. -T., et al. From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data. J Vis Exp. (90), (2014).
  21. FEI. Amira & Avizo 3D: Software for Scientific and Industrial Data. , Available from: https://www.fei.com/software/amira-avizo/ (2016).
  22. Kremer, J. R., Mastronarde, D. N., McIntosh, J. R. Computer Visualization of Three-Dimensional Image Data Using IMOD. J Struct Biol. 116 (1), 71-76 (1996).
  23. Nguyen, H., Ji, Q. Shape-driven three-dimensional watersnake segmentation of biological membranes in electron tomography. IEEE trans med imaging. 27 (5), 616-628 (2008).
  24. Rusu, M., Starosolski, Z., Wahle, M., Rigort, A., Wriggers, W. Automated tracing of filaments in 3D electron tomography reconstructions using Sculptor and Situs. J Struct Biol. 178 (2), 121-128 (2012).
  25. Moussavi, F., Heitz, G., Amat, F., Comolli, L. R., Koller, D., Horowitz, M. 3D segmentation of cell boundaries from whole cell cryogenic electron tomography volumes. J Struct Biol. 170 (1), 134-145 (2010).
  26. Hecksel, C. W., et al. Quantifying Variability of Manual Annotation in Cryo-Electron Tomograms. Microsc Mpicroanal. 22 (3), 487-496 (2016).
  27. Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S. SLIC superpixels compared to state-of-the-art superpixel methods. IEEE trans pattern anal mach intell. 34 (11), 2274-2282 (2012).
  28. Luengo, I., Basham, M., French, A. P. Fast global interactive volume segmentation with regional supervoxel descriptors. Proc. SPIE. 9784, (2016).
  29. Luengo, I., et al. SuRVoS: Super-Region Volume Segmentation Workbench. J Struct Biol. 198 (1), 43-53 (2017).
  30. 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: http://arxiv.org/abs/1610.08015 (2016).
  31. DiamondLightSource/Savu: Version 1.2. Zenodo. , Available from: https://zenodo.org/record/198726 (2014).
  32. Paganin, D., Mayo, S. C., Gureyev, T. E., Miller, P. R., Wilkins, S. W. Simultaneous phase and amplitude extraction from a single defocused image of a homogeneous object. J Microsc. 206 (Pt 1), 33-40 (2002).
  33. van Aarle, W., et al. Fast and flexible X-ray tomography using the ASTRA toolbox. Opt Express. 24 (22), 25129-25147 (2016).
  34. Palenstijn, W. J., Batenburg, K. J., Sijbers, J. Performance improvements for iterative electron tomography reconstruction using graphics processing units (GPUs). J Struct Biol. 176 (2), 250-253 (2011).
  35. Mastronarde, D. N. Dual-Axis Tomography: An Approach with Alignment Methods That Preserve Resolution. J Struct Biol. 120 (3), 343-352 (1997).
  36. Duke, E., Dent, K., Razi, M., Collinson, L. M. Biological applications of cryo-soft X-ray tomography. J Microsc. 255 (2), 65-70 (2014).
  37. Arbeláez, P., Maire, M., Fowlkes, C., Malik, J. Contour detection and hierarchical image segmentation. IEEE trans pattern anal mach intell. 33 (5), 898-916 (2011).
  38. Luengo, I., Basham, M., French, A. P. Hierarchical Piecewise-Constant Super-regions. arXiv:1605.05937 [cs]. , Available from: http://arxiv.org/abs/1605.05937 (2016).
  39. Luengo, I., Basham, M., French, A. P. SMURFS: superpixels from multi-scale refinement of super-regions. , Available from: http://www.bmva.org/bmvc/2016/papers/paper004/index.html 1-12 (2016).

Tags

البروتوكول الأساسية، المسألة 126، تجزئة، سوبيرفوكسيلس، والتصوير المقطعي الإلكترون البرد، التصوير المقطعي بالأشعة السينية لينة البرد، ومرحلة التصوير المقطعي بالأشعة السينية على النقيض، آلة التعلم، منضدة سورفوس
حجم تجزئة وتحليل المواد البيولوجية باستخدام منضدة سورفوس (منطقة عظمى تجزئة وحدة التخزين)
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Darrow, M. C., Luengo, I., Basham,… More

Darrow, M. C., Luengo, I., Basham, M., Spink, M. C., Irvine, S., French, A. P., Ashton, A. W., Duke, E. M. H. Volume Segmentation and Analysis of Biological Materials Using SuRVoS (Super-region Volume Segmentation) Workbench. J. Vis. Exp. (126), e56162, doi:10.3791/56162 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter