Waiting
Login processing...

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

Biology

SuRVoS (सुपर-क्षेत्र खंड विभाजन) कार्यक्षेत्र का उपयोग करते हुए जैविक सामग्रियों की मात्रा का विभाजन और विश्लेषण

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

कई इमेजिंग तकनीकों से तीन आयामी डेटा का विभाजन जटिल जैविक प्रणालियों के विश्लेषण में एक बड़ी अड़चन है । यहाँ, हम क्रायो-इलेक्ट्रॉन टोमोग्राफी, क्रायो नरम एक्स-रे टोमोग्राफी, और चरण इसके विपरीत एक्स-रे टोमोग्राफी तकनीक से उदाहरण datasets का उपयोग कर विभिन्न लंबाई-तराजू पर अर्द्ध स्वचालित रूप से खंड volumetric डेटा SuRVoS कार्यक्षेत्र के उपयोग का वर्णन ।

Abstract

विभाजन एक छवि वाले खंड के भीतर विशिष्ट क्षेत्रों या वस्तुओं को अलग करने की प्रक्रिया है, ताकि आगे के अध्ययन के हित के इन क्षेत्रों पर किया जा सकता है । जब जटिल जैविक प्रणालियों के विश्लेषण पर विचार, तीन आयामी छवि डेटा के विभाजन एक समय लगता है और श्रम गहन कदम है । कई इमेजिंग विधियों की वृद्धि की उपलब्धता के साथ और स्वचालित डेटा संग्रह योजनाओं के साथ, यह आधुनिक प्रयोगात्मक जीवविज्ञानी के लिए एक बढ़ी हुई चुनौती ज्ञान के लिए डेटा से स्थानांतरित करने के लिए बन गया । यह प्रकाशन SuRVoS कार्यक्षेत्र के उपयोग का वर्णन करता है, एक को अर्द्ध स्वचालित रूप से खंड जटिल जैविक volumetric डेटा प्रदान करके इन मुद्दों को हल डिजाइन कार्यक्रम । आवर्धन और इमेजिंग मोडलों भिन्न के तीन डेटासेट यहाँ प्रस्तुत कर रहे हैं, प्रत्येक SuRVoS के साथ विभाजन के विभिन्न रणनीतियों पर प्रकाश डाला. चरण कंट्रास्ट एक्स-रे टोमोग्राफी (एक संयंत्र के फलने शरीर के microCT) मॉडल प्रशिक्षण का उपयोग कर विभाजन को प्रदर्शित करने के लिए प्रयोग किया जाता है, मानव प्लेटलेट्स के क्रायो इलेक्ट्रॉन टोमोग्राफी (cryoET) सुपर और megavoxels का उपयोग कर विभाजन को प्रदर्शित करने के लिए प्रयोग किया जाता है, और क्रायो नरम एक स्तनधारी सेल लाइन के एक्स-रे टोमोग्राफी (cryoSXT) लेबल बंटवारे उपकरण प्रदर्शित करने के लिए प्रयोग किया जाता है । प्रत्येक डेटा प्रकार के लिए रणनीतियाँ और पैरामीटर्स भी प्रस्तुत किए गए हैं. एक एकल इंटरैक्टिव उपकरण में अर्द्ध स्वचालित प्रक्रियाओं का एक चयन सम्मिश्रण द्वारा, SuRVoS कई लाभ प्रदान करता है. कुल समय खंड volumetric डेटा पांच के एक पहलू से जब मैनुअल विभाजन, कई छवि प्रसंस्करण क्षेत्रों में एक मुख्य की तुलना में कम है । यह एक महत्वपूर्ण बचत है जब पूर्ण मैनुअल विभाजन के प्रयास के सप्ताह लग सकते हैं । साथ ही, मनोवाद गणना की पहचान की सीमाओं के उपयोग के माध्यम से संबोधित किया है, और एक मामला दर-मामले के आधार पर के बजाय उनके परिकलित गुण द्वारा ऑब्जेक्ट्स के जटिल संग्रह विभाजन ।

Introduction

SuRVoS कार्यक्षेत्र के लिए शोधकर्ताओं ने विभिंन नमूनों से volumetric डेटा से वैज्ञानिक रूप से प्रासंगिक जानकारी निकालने के लिए डिजाइन सॉफ्टवेयर का एक टुकड़ा है, ब्याज की संरचना की परवाह किए बिना, संकल्प या इमेजिंग चाहेको1, 2. इन के रूप में Volumetric डेटा अक्सर एक्स-रे या इलेक्ट्रॉन टोमोग्राफी प्रणालियों का उपयोग कर एकत्र कर रहे हैं, नियमित रूप से बड़ी प्रयोगशालाओं या उनकी जटिलता के कारण केंद्रीकृत सुविधाओं पर आधारित है । इन पद्धतियों के दोनों, और अंय तकनीकों, बड़े, जानकारी रिच डेटासेट जो या तो अर्द्ध स्वचालित तरीकों या मैंयुअल रूप से खंड के लिए चुनौतीपूर्ण साबित उत्पादन । विशेष रूप से, पास-नेटिव स्टेट क्रायो-मैटीरियल डेटासेट की आवश्यकता कम-खुराक इमेजिंग शर्तों, जिसके परिणामस्वरूप कम सिग्नल-टू-शोर अनुपात और खराब कंट्रास्ट में, विशेष रूप से क्रायो इलेक्ट्रॉन टोमोग्राफी (cryoET) में3,4,5 . कुछ 3 डी डेटासेट में एक अतिरिक्त कारक, शामिल चुनौतीपूर्ण प्रयोगात्मक शर्तों द्वारा शुरू की कलाकृतियों की उपस्थिति है, उदाहरण के लिए एक सीमित झुकाव रेंज पर डेटा संग्रह के कारण कील कलाकृतियों लापता, लापता जानकारी में जिसके परिणामस्वरूप और बीम3,4,5की दिशा में बढ़ाव । यहां तक कि जब कम संकेत करने वाली शोर या गुम कील कलाकृतियों समस्याग्रस्त नहीं है (जैसे केंद्रित आयन बीम sem6 या सीरियल ब्लॉक चेहरा SEM7), जटिलता और नमूना के तीन आयामी प्रकृति, और डेटा की बड़ी राशि मतलब विश्लेषण होगा अभी भी डेटा विभाजन के लिए एक स्वचालित प्रक्रिया से लाभ ।

वर्तमान में, जब कोशिकाओं के जैविक मात्रा पर विचार, वहां स्वचालित रूप से या अर्द्ध स्वचालित रूप से बहुत विशिष्ट सेलुलर सुविधाओं, जैसे actin, microtubules, या विशिष्ट प्रोटीन परिसरों की पहचान के लिए कई विकल्प हैं, एक टेंपलेट आधारित खोज का उपयोग कर, या विशिष्ट प्रकार के डेटासेट में सुविधाओं की पहचान करना (उदा. उच्च कंट्रास्ट, सना हुआ, राल-एंबेडेड नमूने)8,9,10,11,12. हालांकि, इन मामलों में एक प्राथमिकताओं जानकारी या विशिष्ट नमूना तैयारी प्रोटोकॉल आवश्यक हैं, इन विभाजन रणनीतियों की व्यापक प्रयोज्यता सीमित । वहां भी उपलब्ध उपकरण है कि voxel स्तर पर मॉडल प्रशिक्षण प्रदर्शन हित के विभिंन संरचनाओं की उपस्थिति जानने के लिए जब उपयोगकर्ता इनपुट13दिया । हालांकि, इस स्तर पर प्रशिक्षण और परीक्षण मॉडलों की जटिलता त्रुटि प्रवण और गणना महंगा हो सकता है । चुनौतीपूर्ण छवि स्थितियों को देखते हुए, और व्यापक रूप से लागू की कमी, अर्द्ध स्वचालित विभाजन रणनीतियों, मैनुअल विभाजन आम है, यहां तक कि जब जटिल जैविक सामग्री के साथ काम कर14,15, 16 , 17. तथापि, यह आम तौर पर स्वीकार किए जाते है कि मैनुअल विभाजन की प्रक्रिया न केवल समय लेने वाली है, लेकिन यह भी त्रुटि प्रवण, व्यक्तिपरक और चर4,5,18,19 ,20. कुछ सेगमेंटेशन प्रोग्राम मैन्युअल सेगमेंटेशन प्रक्रिया (यानी इंटरपोलेशन, कमंद, या ब्लो टूल)21,22को कम करने के लिए टूल प्रदान करते हैं, हालांकि, शोर डेटासेट के मामलों में, उन्हें सफलतापूर्वक लागू करना कठिन होता है और यहां तक कि जब वे सफलतापूर्वक उपयोग किया जाता है, प्रक्रिया अभी भी व्यक्तिपरक और चर है ।

पारंपरिक रूप से, सेगमेंट का उपयोग दो अलग तरीकों से किया गया है: गुणात्मक या मात्रात्मक रूप से. इमेजिंग प्रौद्योगिकियों और विभाजन रणनीतियों में सुधार के रूप में, यह अधिक एक मात्रात्मक उपकरण के रूप में जैविक प्रश्नों के उत्तर और एल्गोरिथ्म विकास के लिए एक "जमीन सत्य" के रूप में उपयोग करने के लिए आम हो गया है8,12, 15,23,24,25. ऐसा करने के लिए, विस्तृत जाँच और शेष प्रक्रिया26भर में परिवर्तनशीलता और मनोवाद को कम करने के लिए आवश्यक हैं । हालांकि, इन सावधानियों आगे फॉल्ट की समय लेने वाली प्रकृति में वृद्धि । इस वजह से, यह एक तेज और कम चर विभाजन रणनीति प्रदान करने के लिए महत्वपूर्ण है ।

SuRVoS कार्यक्षेत्र के लिए मशीन सीखने और छवि प्रसंस्करण उपकरण है कि विभाजन की प्रक्रिया में उपयोगकर्ता की सहायता के एक चयन के साथ उपयोगकर्ता प्रदान करके इन मुद्दों को संबोधित शुरू होता है, जबकि भी आवश्यक कदम के माध्यम से उपयोगकर्ता मार्गदर्शन । इस लक्ष्य को हासिल करने के लिए, दो प्रमुख नवाचारों SuRVoS में एक साथ लागू कर रहे हैं । सबसे पहले, यह एक सुपर क्षेत्र पदानुक्रम का उपयोग करता है इसी तरह, अपने निहित संपत्तियों के आधार पर डेटा के आसपास के क्षेत्रों के समूह । पदानुक्रम में क्षेत्र के प्रत्येक कम तत्वों का उपयोग कर एक ही मात्रा का प्रतिनिधित्व करता है, जबकि अभी भी मजबूत सीमा पालन प्रदान. इस प्रकार, सुपर क्षेत्रों परिमाण के कई आदेशों से एक मात्रा खंड की जटिलता को कम अभी तक अभी भी जानकारी के महत्वपूर्ण नुकसान के बिना डेटा का प्रतिनिधित्व27। दूसरा, SuRVoS एक अर्द्ध स्वचालित विभाजन रणनीति है कि classifiers, जो तब शेष खंड28,29खंड के लिए इस्तेमाल किया जाता है प्रशिक्षित करने के लिए ंयूनतम मैनुअल फॉल्ट इनपुट का उपयोग करता है । यह कार्यनीति मैन्युअल सेगमेंटेशन को कम करती है, सेगमेंटिंग पर खर्च होने वाले उपयोगकर्ता समय की मात्रा को घटाता है और सुपर-क्षेत्रों का उपयोग करने पर, सीमाओं की मैन्युअल रेखा को निकालती है, संभावित रूप से परिवर्तनशीलता और मनोवाद को कम करती है.

SuRVoS की एक और प्रमुख विशेषता लेबल अलगानेवाला उपकरण है, जिससे एक उपयोगकर्ता पहले से ही विभाजित वस्तुओं की एक श्रृंखला वर्गीकृत कर सकते है उनके अंतर्निहित गुणों के आधार पर । ब्याज की विभिन्न वस्तुओं के विभाजन के बाद, इस उपकरण के लिए औसत वस्तु तीव्रता, विचरण, आकार, स्थान, आदि जैसे उपायों के आधार पर उपवर्गों में सेट विभाजित किया जा सकता है । यह उपयोगी है जब वस्तुओं के बड़े समूहों के साथ वर्गीकृत उच्च जटिलता । उदाहरण के लिए, सेलुलर organelles के एक समूह mitochondria, खाली बुलबुले, लिपिड बूंदों, आदि में विभाजित किया जा सकता है; या सामग्री समावेशन का एक सेट आकार या आकृति के आधार पर अलग किया जा सकता है । एक बार अलग लेबल खंडों classifiers के किसी भी संख्या का उपयोग कर समूहों में विभाजित किया जा सकता है, पहचान पूर्वाग्रह को कम करने ।

SuRVoS कार्यक्षेत्र सफलतापूर्वक कई इमेजिंग तकनीकों से डेटा खंड करने के लिए उपयोग किया गया है । यहां, सिंक्रोट्रॉन एक्स-रे चरण कन्ट्रास्ट टोमोग्राफी (microCT) एक संयंत्र के फलने शरीर का प्रदर्शन करने के लिए प्रयोग किया जाता है segmentatiमॉडल प्रशिक्षण का उपयोग करने पर, मानव प्लेटलेट्स के क्रायो इलेक्ट्रॉन टोमोग्राफी (cryoET) सुपर और megavoxels का उपयोग कर विभाजन को प्रदर्शित करने के लिए प्रयोग किया जाता है, और एक cryoSXT सेल लाइन के क्रायो सॉफ्ट एक्स-रे टोमोग्राफी (स्तनधारी) लेबल बंटवारे उपकरण प्रदर्शित करने के लिए प्रयोग किया जाता है

Protocol

< p class = "jove_content" > नोट: सामान्यतः प्रत्येक संसाधन चरण के लिए पैरामीटर्स की उपयोगी श्रेणियां और यहाँ दिखाए गए प्रत्येक डेटा प्रकार के लिए विशिष्ट पैरामीटर तालिका 1 में दिए गए हैं.

< p class = "jove_title" > 1. कार्यस्थान और डेटा लोड करने की तैयारी कर रहा है

  1. लॉंच SuRVoS कार्यक्षेत्र, क्लिक करें dataset खोलें बटन, और परिणामी पॉपअप में, डेटा फ़ाइल को विभाजित किया जा करने के लिए चयन । डेटासेट का कोई उपयुक्त ओरिएंटेशन चुनें. इसके बाद, वह फ़ोल्डर चुनें या बनाएं जहां कार्यस्थान और संबद्ध फ़ाइलें संग्रहीत की जाएंगी । यह अनुशंसित है कि नया सेगमेंट प्रारंभ करते समय यह फ़ोल्डर रिक्त हो. डेटा लोड होने के बाद, कार्यक्षेत्र बाईं ओर Plugins फलक के साथ खुलेगा, दाईं ओर विज़ुअलाइज़ेशन फलक और दो फलकों के बीच टूल शॉर्टकट का एक सेट (< सशक्त वर्ग = "xfig" > आरेख 1 ).
< p class = "jove_title" > 2. पुनर्प्रक्रिया और डेटा निरूपण

  1. ROI टैब में, इनपुट z, y, और x प्रारंभ और अंत निर्देशांक ब्याज के क्षेत्र के लिए और जोड़ें क्लिक करें । के लिए उपयुक्त y चुनते हैं, और एक्स छवि पर एक बिंदु पर माउस उड़ना निर्देशांक । चुनें z निर्देशांक दृश्यावलोकन फलक के शीर्ष पर स्लाइडर का उपयोग कर । एक बार एक क्षेत्र जोड़ा गया है, सुनिश्चित करें कि यह सही करने के लिए बॉक्स की जांच के द्वारा चुना है । सभी बहाव गणना चयनित क्षेत्र पर प्रदर्शन किया जाएगा । आम तौर पर, एक छोटे से शुरू, ब्याज के प्रतिनिधि क्षेत्र (रॉय), अनुकूलन मानकों और फिर फिर से लागू करने के पूरे क्षेत्र में इन मापदंडों को विभाजित किया जा करने के लिए सलाह दी है ।
  2. सुविधा चैनल टैब में, एक सुविधा/फ़िल्टर का चयन करें और इसे कतार में जोड़ने के लिए शीर्ष पर ड्रॉप-डाउन मेनू का उपयोग करें (सुविधा चैनल के बारे में अधिक जानकारी के लिए चर्चा देखें). एक बार एक सुविधा/फ़िल्टर जोड़ा गया है और उसके नाम पर क्लिक करके चुना गया है, सुविधा/फ़िल्टर करने के लिए विशिष्ट विकल्प को संशोधित और इनपुट dataset जिस पर चलाने के लिए सुविधा/फ़िल्टर का चयन करें । एक बार सभी विकल्पों को चुना गया है, सुविधा के अधिकार के लिए चेकबॉक्स क्लिक करें/
    1. नए डेटासेट के लिए पैरामीटर्स ऑप्टिमाइज़ करने के लिए, एकाधिक फ़िल्टर्स/सुविधाएं जोड़ें और क्रम में परिकलित किए जाने से पहले, उनके लिए पैरामीटर्स चुनें, एक के बाद एक । ऐसा करने के लिए, प्रत्येक नए फ़िल्टर/सुविधा जोड़ें और उपयुक्त पैरामीटर का चयन करें, चलाने के लिए प्रत्येक फ़िल्टर/सुविधा के बाईं ओर के लिए बॉक्स को चेक करें, और फलक के शीर्ष पर सुविधाओं की गणना बॉक्स क्लिक करे । अतिरिक्त जानकारी के लिए चर्चा देखें ।
< p class = "jove_title" > 3. उत्पादन उपयुक्त सुपर-क्षेत्रों

  1. सुपर क्षेत्र टैब में, Supervoxels अनुभाग में, फ़िल्टर किए गए डेटासेट का चयन करने के लिए स्रोत ड्रॉप-डाउन मेनू का उपयोग करें जिसमें से Supervoxels बनाया जाएगा. फिर आकृति, रिक्ति और supervoxels की संकुचितता निर्दिष्ट करें (देखें चर्चा और < सशक्त वर्ग = "xfig" > चित्रा 2 अधिक जानकारी के लिए). अंत में, लागू करें बटन पर क्लिक supervoxels उत्पंन करने के लिए । एक बार supervoxels बनाए जाने के बाद वे विज़ुअलाइज़ेशन फलक में देखे जा सकते हैं, चालू या बंद हो जाते हैं और विज़ुअलाइज़ेशन टैब और व्यूअर विंडो शॉर्टकट में उनकी पारदर्शिता नियंत्रित होती है.
  2. सुपर क्षेत्र टैब में, Megavoxels अनुभाग में, फ़िल्टर किए गए डेटासेट का चयन करने के लिए स्रोत ड्रॉप-डाउन मेनू का उपयोग करें जिसमें से Megavoxels बनाया जाएगा । अगला, megavoxels के लैंब्डा, numBins और गामा मापदंडों निर्दिष्ट (अधिक जानकारी के लिए चर्चा देखें) । एक बार megavoxels बनाए जाने के बाद वे विज़ुअलाइज़ेशन फलक में देखे जा सकते हैं, चालू या बंद हो जाते हैं और विज़ुअलाइज़ेशन टैब और व्यूअर विंडो शॉर्टकट में उनकी पारदर्शिता नियंत्रित होती है.
< p class = "jove_title" > 4. एनोटेशन का परिचय

  1. एनोटेशन टैब में कोई एनोटेशन स्तर जोड़ने के लिए स्तर जोड़ें बटन का उपयोग करें । एक स्तर जोड़ दिए जाने के बाद, एनोटेशन के लिए लेबल जोड़ने के लिए उस स्तर में लेबल जोड़ें बटन का उपयोग करें । एक बार जोड़ा, नाम और लेबल के रंग एनोटेशन में आसानी के लिए संशोधित किया जा सकता है ।
  2. अगले, आदेश में व्याख्या शुरू करने के लिए, उपकरण शॉर्टकट अनुभाग से कलम आइकन का चयन करें । जब यह चयनित होता है, तो विकल्प का एक सेट दृश्यावलोकन फलक के शीर्ष पर प्रकट होता है. ये विकल्प पेन चौड़ाई को नियंत्रित करते हैं और चाहे voxels, supervoxels या megavoxels को व्याख्या करने के लिए उपयोग किया जाएगा.
    1. मॉडल प्रशिक्षण के प्रयोजन के लिए, आम तौर पर, का चयन करें supervoxels में एनोटेशन स्तर ड्रॉप-डाउन बॉक्स और एक औसत करने के लिए बड़ी पेन चौड़ाई का उपयोग किया जाना चाहिए । एनोटेशन टैब में, लेबल जानकारी के दूर दाईं ओर बॉक्स चेक करके व्याख्या किए जाने वाले लेबल का चयन करें । इसके बाद, दृश्यावलोकन फलक में क्लिक करें एक एकल supervoxel व्याख्या करने के लिए, या क्लिक करें और कई व्याख्या करने के लिए खींचें.
      नोट: Voxels और megavoxels एनोटेशन स्तर ड्रॉप-डाउन बॉक्स में चयनित किया जा सकता है और उसी तरह से व्याख्या करने के लिए इस्तेमाल किया, जो, megavoxels के मामले में, माउस के एक क्लिक के साथ विभाजित किया जा करने के लिए समान Voxels के कई हजारों सक्षम कर सकते हैं.
< p class = "jove_title" > 5. मॉडल प्रशिक्षण का उपयोग कर विभाजन एक microCT डेटासेट के साथ प्रदर्शन किया.

< p class = "jove_content" > नोट: कई डेटासेट के लिए पहली सेगमेंटेशन एक-दूसरे से कई बड़े क्षेत्रों में अंतर करने के लिए है । उदाहरण के लिए, कोशिका, या बाहरी बर्फ और समर्थन संरचना से सेल से नाभिक को अलग । विभाजन के इस प्रकार के लिए, स्पष्ट delineated सीमाओं और बड़े क्षेत्रों के साथ, मॉडल प्रशिक्षण उपयोगी है । इस प्रदर्शन के लिए एक्स-रे फेज कंट्रास्ट tomographic Goosegrass का डाटा इस्तेमाल किया जाएगा ।

  1. लोड डेटा, पूर्व निर्धारित फ़िल्टर और सुविधा सुइट का उपयोग कर, और एक गाइड के रूप में तालिका 1 में मापदंडों का उपयोग ऊपर वर्गों में वर्णित के रूप में उचित supervoxels और/या megavoxels का निर्धारण । तालिका 1 और अनुभाग 4 में दिए गए निर्देशों से पैरामीटर्स का उपयोग जारी रखने के लिए, लगभग डेटासेट के कुछ बड़े क्षेत्रों की व्याख्या, जैसा कि < सशक्त वर्ग में दिखाया गया है = "xfig" > चित्रा ३ .
    नोट: डेटासेट इस बिंदु पर पूरी तरह से विभाजित किया जा करने की आवश्यकता नहीं है ।
  2. मॉडल प्रशिक्षण टैब में, मैन्युअल प्रशिक्षण एनोटेशन वाले स्तर पर पूर्वानुमान स्तर सेट करें और डिस्क्रिप्टर अनुभाग में क्षेत्र को Supervoxels पर सेट करें. इसके बाद, उन वर्णनकर्ताओं का चयन करें जिनका उपयोग स्रोत ड्रॉप-डाउन पर क्लिक करके डेटा के क्षेत्रों में अंतर करने के लिए किया जाता है और पसंद की सुविधाओं और फ़िल्टर्स के बॉक्सेज़ की जाँच ( Table 1 और चर्चा देखें).
  3. अगला, पूर्वानुमान बटन पर क्लिक करें । परिकलन पूर्ण होने के बाद, दृश्यावलोकन फलक गैर-लेबल voxels के सभी के लिए पूर्वानुमान के साथ अद्यतन किया जाएगा जो एनोटेशन क्लासेस वे करने के लिए संबंधित की भविष्यवाणी कर रहे हैं का दिखा रहा है । आम तौर पर, प्रत्येक वर्गीकारक पद्धति के लिए डिफ़ॉल्ट मापदंडों एक अच्छा प्रारंभिक बिंदु प्रदान करते है और उपयोगकर्ता केवल classifiers के बीच स्विच करने के लिए एक अच्छा फिट खोजने की आवश्यकता चाहिए । हालांकि, विशेषज्ञ या अनुभवी उपयोगकर्ताओं के लिए प्रत्येक वर्गीकारक के लिए विकल्प उपलब्ध है और संशोधित किया जा सकता है ।
  4. प्रशिक्षण के तरीके के प्रभाव का आकलन करने और एक को चुनने के बाद, शोधन अनुभाग में परिशोधित ड्रॉप-डाउन पर क्लिक करके अतिरिक्त शोधन लागू करें । मॉडल प्रशिक्षण टैब के नीचे, & #34 में, Update एनोटेशन & #34; अनुभाग में, सुनिश्चित करें कि विज़ुअलाइज़ेशन ड्रॉप-डाउन मेनू Predictio पर सेट हैएनएस. चयनित एनोटेशन लेबल्स पर व्याख्यात्मक supervoxels को अधिक या कम असाइन करने के लिए विश्वास स्लाइडर का उपयोग करें.
  5. के बाद एक उचित स्तर पर विश्वास का चयन किया गया है दृश्य निरीक्षण के आधार पर, पूर्वानुमान को विशिष्ट लेबल्स में सहेजने के लिए विश्वास उपकरण के नीचे लेबल्स के आगे स्थित सहेजें बटन का उपयोग करें । दृश्यावलोकन फलक परिवर्तनों को दिखाने के लिए अद्यतन करेगा । प्रत्येक लेबल को अलग से सहेजा जा सकता है, और वास्तव में, लेबल छोटे उप क्षेत्रों से और जेड, वाई, और एक्स बक्से में मूल्यों को रख कर और प्रत्येक लेबल के लिए सहेजें बटन पर क्लिक करके बचाया जा सकता है ।
  6. खंड 4 में वर्णित के रूप में आगे प्रशिक्षण डेटा प्रदान करके लघु लेबलिंग पता । के बाद उपयुक्त भविष्यवाणियों लेबल में जोड़ रहे हैं, शोधन के साथ मॉडल प्रशिक्षण की प्रक्रिया को दोहराने और उच्च विश्वास भविष्यवाणियों जोड़ने जब तक वहां कोई और अधिक unलेबल्ड supervoxels हैं । यह प्रभावी है क्योंकि हर बार मॉडल प्रशिक्षण प्रक्रिया चलाया जाता है वहां और अधिक सौंपा supervoxels के साथ ट्रेन है, और इसलिए इस प्रक्रिया में पुनरावृत्ति वृद्धि के रूप में और अधिक मजबूत हो जाता है ।
< p class = "jove_title" > 6. सुपर क्षेत्रों का उपयोग कर, एक CryoET डेटासेट के साथ प्रदर्शन किया फॉल्ट.

< p class = "jove_content" > नोट: चूंकि सुपर-क्षेत्र सेगमेंट छोटे, असतत रूप से बाउंड क्षेत्रों के लिए उपयोगी है, इसलिए यहां फोकस इस डेटासेट के भीतर organelles और microtubules के फॉल्ट पर होगा । मॉडल प्रशिक्षण जल्दी से पृष्ठभूमि बर्फ और कार्बन से प्लेटलेट खंड का इस्तेमाल किया गया था; ये पैरामीटर आगे चर्चा नहीं कर रहे हैं, लेकिन तालिका 1 में प्रस्तुत कर रहे हैं ।

  1. डेटा लोड, फिल्टर और फ़ीचर सुइट का उपयोग कर प्रक्रिया, और एक गाइड के रूप में तालिका 1 में मापदंडों का उपयोग ऊपर वर्गों में वर्णित के रूप में उचित supervoxels और/या megavoxels का निर्धारण ।
  2. एनोटेशन टैब में उचित स्तर और लेबल्स जोड़ें, लेबल का चयन करें और चयनित supervoxels के साथ औसत पेन चौड़ाई का उपयोग करते हुए व्याख्या करना शुरू कर सकते हैं । एक ही ऑब्जेक्ट के रूप में लेबलिंग से बचने के लिए एक दूसरे के निकट निकटता में वस्तुओं के लिए अलग लेबल चुनने की आवश्यकता के प्रति सजग रहें ।
  3. आगे एनोटेशन साफ करने के लिए, रूपात्मक शोधन विधियों का उपयोग करें (फैलाव, कटाव, खोलने, बंद करने और छेद भरने) । ये विकल्प एनोटेशन टैब के नीचे पाए जा सकते हैं । इनका उपयोग करने के लिए, सेगमेंटेशन लेबल और परिशोधन विधि चुनें. एक त्रिज्या मान दर्ज करें और चुनें कि कैसे शोधन लागू करने के लिए । फिर परिष्कृत करेंक्लिक करें ।
< p class = "jove_title" > 7. अंतर्निहित विशेषताओं पर आधारित डेटा ऑब्जेक्ट्स का वर्गीकरण और विश्लेषण, एक CryoSXT डेटासेट के साथ प्रदर्शित किया गया

< p class = "jove_content" > नोट: सामान्यतः, फॉल्ट के बाद अगला चरण डेटा का विश्लेषण होता है. SuRVoS में लेबल अलगानेवाला उपकरण औसत वस्तु तीव्रता, विचरण, मात्रा, या स्थिति जैसे वस्तुओं की आंतरिक विशेषताओं पर आधारित नियमों का उपयोग कर विभाजित वस्तुओं के वर्गीकरण के लिए अनुमति देता है । लेबल सांख्यिकी उपकरण प्रत्येक नए ऑब्जेक्ट वर्ग के लिए इन उपायों के बीच संबंधों के दृश्य के लिए अनुमति देता है । ये सेगमेंट के बाद जटिल 3d डेटासेट के विश्लेषण के लिए शक्तिशाली नए टूल हैं.

  1. लोड डेटा, प्रक्रिया फ़िल्टर और सुविधा सुइट का उपयोग करते हुए, उपयुक्त supervoxels और/या megavoxels और खंड में वर्णित के रूप में तालिका 1 में पैरामीटर्स का उपयोग करते हुए उपरोक्त अनुभागों में एक मार्गदर्शिका के रूप में निर्धारित करें ।
  2. के बाद, विज़ुअलाइज़ेशन फलक के दूसरे टैब पर क्लिक करें, जिसे लेबल विभाजक कहा जाता है. यह विंडो के दाईं ओर एक नया क्षेत्र जोड़ देगा-नियम निर्माण फलक ।
  3. इस क्षेत्र के शीर्ष पर, लेबल विभाजन के लिए एक उचित स्तर और लेबल का चयन करें । फिर क्वेरी के लिए डेटासेट चुनें और लेबल पर क्लिक करें. अब चयनित लेबल्स में सभी ऑब्जेक्ट्स को विज़ुअलाइज़ेशन फलक में पृथक ऑब्जेक्ट्स के रूप में नीला में बाह्यरेखांकित किया जाएगा और ऑब्जेक्ट्स की औसत तीव्रता दर्शाने वाला एक प्लॉट नियम निर्माण फलक में प्रदर्शित किया जाएगा । प्लॉट में दिखाए जा रहे माप को बदलने के लिए दाहिने हाथ की ओर के शीर्ष पर स्थित ड्रॉप-डाउन बॉक्स पर क्लिक करें ।
  4. ऑब्जेक्ट को संगत क्लासेस में विभाजित करने के लिए प्रारंभ करने के लिए, नियम निर्माण फलक के नीचे नया लेबल जोड़ें क्लिक करें । इस नए लेबल के साथ संबद्ध नाम और रंग पहले बताए गए अनुसार परिवर्तित किए जा सकते हैं ।
    1. क्लिक करें, नया नियम जोड़ें और ड्रॉप-डाउन और मुक्ताकार प्रविष्टि बक्सों का उपयोग कर लागू करने के लिए नियम को परिभाषित । दृश्यावलोकन फलक में नए नियम के प्रभाव और नियम निर्माण फलक में प्लॉट देखने के लिए लागू करें पर क्लिक करे. एकाधिक नियम किसी एकल लेबल पर लागू किए जा सकते है और समान डेटासेट में एकाधिक लेबल्स बनाए जा सकते हैं ।
      नोट: किसी भी अनलेबल किए गए ऑब्जेक्ट्स को एकत्रित करने के लिए, कोई नया लेबल बनाएं और इसके स्थान पर कोई नियम जोड़ने के लिए, अंय का चयन करें क्लिक करे ।
  5. जब रुचि के ऑब्जेक्ट्स को नए लेबल्स में विभाजित किया गया है, तो एनोटेशन टैब में कोई नया, रिक्त स्तर बनाएं । फिर नियम निर्माण टैब में यह स्तर चुनें और लेबल सहेजें पर क्लिक करें. इससे नए लेबल्स इस खाली स्तर पर सहेजे जाएंगे ।
  6. दृश्यावलोकन फलक के किनारे पर, लेबल आँकड़े टैब पर क्लिक करें । यह डेटा में ऑब्जेक्ट क्लासेस के बीच संबंधों को समझने के लिए शुरू करने के लिए उपयोग किया जा सकता एक नया दृश्यावलोकन फलक खुल जाएगा । शीर्ष पर, एक उपयुक्त स्तर और लेबल्स, और क्वेरी करने के लिए dataset का चयन करें ।
    1. उनके बगल में बक्से चेक करके रूचि के कुछ उपायों का चयन करें । फिर लेबल क्लिक करें । यह चयनित उपायों में से प्रत्येक के लिए pairwise तुलना भूखंडों का उत्पादन करेगा । भूखंडों का अद्यतन करने के लिए, उचित उपाय चुनें या अचयनित करें फिर plot.
< p class = "jove_title" > 8. डेटा और विभाजनों को निर्यात करना

  1. का निर्यात भूखंड और निर्यात डेटा पर क्लिक करके, क्रमशः, विज़ुअलाइज़ेशन फलक के लेबल सांख्यिकी टैब में प्लॉट्स और अपुष्ट मापन डेटा को एक्सपोर्ट करें.
  2. में निर्यात टैब पर क्लिक करके छवि डेटा और विभाजन निर्यात करें । पहले, उस फ़ोल्डर का चयन करने के लिए क्लिक करें जहां डेटा सहेजा जाएगा । अगला, आउटपुट (raw डेटा, अपुष्ट एनोटेशन, विभाजन मास्क, या मास्क्ड डेटा) और स्वरूप (HDF5, MRC, या TIFF) का चयन करें । अंत में, चेक बॉक्सेज़ का उपयोग करके निर्यात किए जाने वाले एनोटेशन स्तर (ओं) का चयन करें और निर्यात पर क्लिक करे. डेटा स्केल और आवश्यक के रूप में निर्यात करने से पहले औंधा किया जा सकता है । मास्क किए गए डेटा को निर्यात करते समय, डेटासेट मास्क (s) पर लागू किया जाएगा करने के लिए एक ड्रॉप-डाउन मेनू का उपयोग कर चुना जा सकता है ।

Representative Results

तीन विभिंन तकनीकों (microCT, cryoET, और cryoSXT) से एकत्र तीन मात्रा डेटासेट SuRVoS कार्यक्षेत्र के तीन महत्वपूर्ण सुविधाओं: मॉडल प्रशिक्षण, सुपर क्षेत्र विभाजन और लेबल बंटवारे का प्रदर्शन किया गया । डेटासेट प्रयोगात्मक परिणामों के एक विविध समूह का प्रतिनिधित्व करते हैं, जिनमें से प्रत्येक के लिए पूर्ण संसाधन पैरामीटर (तालिका 1) प्रदान किए जाते हैं ।

SuRVoS कार्यक्षेत्र का उपयोग कर मॉडल प्रशिक्षण को प्रदर्शित करने के लिए, सीमाओं को परिभाषित क्षेत्र के साथ एक अपेक्षाकृत उच्च विपरीत डेटासेट चुना गया था. Galium aparine, या goosegrass के फल का यह डेटासेट, डायमंड लाइट सोर्स, Beamline, चिल्टन, यूके में I13-2 डायमंड-मैनचेस्टर इमेजिंग Oxfordshire पर एक्स-रे चरण कंट्रास्ट टोमोग्राफी का उपयोग करके एकत्र किया गया था । ताजा नमूना हवा में रोटेशन चरण के शीर्ष पर एक goniometer आधार पर घुड़सवार, 30 मिमी की एक नमूना डिटेक्टर दूरी पर किया गया था । एक्सपोजर टाइंस ०.१० थे गुलाबी बीम स्पेक्ट्रम जो आसपास के एक मतलब ऊर्जा के साथ एस 22 कीव । अनुमानों के माध्यम से एकत्र किए गए १८० ° ०.१ ° के एक चरण के आकार के साथ । Tomographic पुनर्निर्माण ःसवु30,31 का उपयोग करने के लिए Paganin फ़िल्टर के साथ प्रचार-आधारित चरण कंट्रास्ट छवियां३२ द्वारा बाद में फ़िल्टर किए गए वापस प्रक्षेपण पुनर्निर्माण के बाद किया गया एस्ट्रा टूलकिट३३ , ३४. यह डेटा तब 2 x 2 x 2 स्वतः के साथ SuRVoS कार्यक्षेत्र में इनपुट होने से पहले फ़ाइल आकार को कम करने के लिए किया गया था ।

सबसे पहले, इनपुट डेटा (आंकड़ा 3ए) फ़िल्टर और clamped (डेटा में ऊपरी और निचले तीव्रता मूल्यों को दूर करने के लिए) (चित्र बी) था । इस तरह, पृष्ठभूमि और अग्रभूमि और अधिक आसानी से अलग किए गए थे और फल की आंतरिक संरचना की बनावट का दबाव था । अगला, supervoxels फ़िल्टर किए गए dataset (चित्र 3 c) के शीर्ष पर बनाया गया था । supervoxels की गुणवत्ता का आकलन करने के लिए, वे डेटा के बिना प्रदर्शित किया गया था कि डेटासेट के उचित विवरण अच्छी तरह से supervoxels (चित्रा 3 डी) द्वारा प्रतिनिधित्व किया गया था सत्यापित करने के लिए । अगला, supervoxels का उपयोग कर मैनुअल एनोटेशन खंड के तीन स्लाइस (चित्र 3E, डार्क रंग) पर प्रशिक्षण डेटा के रूप में प्रदान किए गए थे । इस प्रशिक्षण डेटा के लिए वर्गीकारक को प्रशिक्षित करने के लिए पर्याप्त था (प्रकाश रंग) पृष्ठभूमि (हरे), फल बाल खड़े (लाल), बीज सामग्री (बैंगनी), और आसपास के मांस (नीला) के लिए इसी क्षेत्रों की भविष्यवाणी । रूपात्मक शोधन के लिए छेद भरने, बढ़ती या जरूरत के रूप में सिकुड़ते (चित्रा 3F) द्वारा विभाजन को साफ करने के लिए इस्तेमाल किया गया था । उपयुक्त पैरामीटर्स निर्धारित करने और इस डेटासेट को सेगमेंट करने के लिए बिताए गए कुल समय में 2 एच.

SuRVoS कार्यक्षेत्र का उपयोग करके सुपर-क्षेत्र सेगमेंट का प्रदर्शन करने के लिए, एक शोर और जटिल डेटासेट को15चुना गया था । इस डेटासेट Baylor कॉलेज ऑफ मेडिसिन, ह्यूस्टन, TX यूएसए में Macromolecular इमेजिंग के लिए राष्ट्रीय केंद्र में cryoET का उपयोग कर एकत्र किया गया था । संक्षेप में, प्लेटलेट्स चमक निर्वहन और सोने फिड्यूशियल-इलाज छेद कार्बन उनि ग्रिड पर जमे हुए थे । झुकाव श्रृंखला ± ६५ ° से एक 2 ° वेतन वृद्धि के साथ एकत्र किए गए । झुकाव श्रृंखला तो IMOD३५में भारित वापस प्रक्षेपण का उपयोग कर खंगाला गया था ।

SuRVoS (चित्र 4a) में डेटा लोड करने के बाद, ब्याज का एक क्षेत्र चयनित किया गया था और एक उपयुक्त फ़िल्टर सेट लागू किया गया था. इस स्थिति में, डेटा (आरेख 4B) के किनारों और बनावट का दबाव देने के लिए clamped कन्ट्रास्ट के साथ एक कुल भिन्नता फ़िल्टर द्वारा एक स्मूथिंग गाऊसी फ़िल्टर का उपयोग किया गया था. अगला, न्यूनतम supervoxel आधारित उपयोगकर्ता इनपुट के साथ मॉडल प्रशिक्षण पृष्ठभूमि बर्फ और कार्बन से प्लेटलेट खंड के लिए इस्तेमाल किया गया था. फिर, megavoxels और supervoxels के साथ अर्द्ध मैनुअल विभाजन organelles खंड के लिए इस्तेमाल किया गया था । अंत में, supervoxel स्रोत पैरामीटर एक कमजोर denoising फ़िल्टर करने के लिए बदल गया था और supervoxel आकार ( तालिका 1देखें) बेहतर विभाजन के लिए microtubules सीमाओं को संरक्षित करने के लिए (चित्रा 4c) बनाया गया था. दोनों organelles और microtubules के लिए, त्वरित मैनुअल एनोटेशन हर 5-10 स्लाइस का उपयोग किया गया supervoxels कि ब्याज की सुविधा का वर्णन का चयन करें( चित्र 4d & #38; 4E) । कुल समय के लिए उपयुक्त मापदंडों का निर्धारण और प्रस्तुत ब्याज के क्षेत्र खंड 6 एच था बिताया ।

SuRVoS कार्यक्षेत्र का उपयोग कर लेबल बंटवारे को प्रदर्शित करने के लिए, कई, विविध organelles के साथ एक डेटासेट चुना गया था । इस डेटासेट हीरा प्रकाश स्रोत, चिल्टन, Oxfordshire, यूके३६पर beamline B24 पर cryoSXT का उपयोग कर एकत्र किया गया था । संक्षेप में, HEK293 कोशिकाओं गोल्ड खोजक ग्रिड पर बड़े हो गए थे, उचित रूप से सोने fiducials आकार और जोड़ा गया था ग्रिड वापस-तरफा सोख्ता के साथ एक उंहें उपयोग कर जमे हुए डुबकी । झुकाव श्रृंखला तो एक ०.५ ° वृद्धि के साथ ± ६५ ° से एक खुर्दबीन पर एकत्र किए गए । झुकाव श्रृंखला तो IMOD३५में भारित वापस प्रक्षेपण का उपयोग कर खंगाला गया था ।

SuRVoS (चित्र 5) में डेटा लोड करने के बाद, रुचि का एक क्षेत्र चयनित किया गया था और एक उपयुक्त कुल भिंनता फ़िल्टर का उपयोग organelles की सीमाओं को पूरे खंड (चित्र 5B) में बढ़ाने के लिए किया गया था । अगले, organelles अर्द्ध मैंयुअल रूप से megavoxels और supervoxels का उपयोग कर खंड थे, और फिर भरने के छेद के साथ परिष्कृत, बंद करने और चिकनी किनारों (चित्रा 5C) के फैलाव । कुल समय उपयुक्त मापदंडों का निर्धारण करने और प्रस्तुत ब्याज के क्षेत्र खंड 4 एच था । एक बार विभाजन को अंतिम रूप देने के बाद, लेबल अलगानेवाला का उपयोग डेटासेट में एक ऑब्जेक्ट के रूप में प्रत्येक organelle को विज़ुअलाइज़ करने के लिए किया गया था (चित्र 5d) और डेटा प्लॉट (figure 5E) में प्रत्येक ऑब्जेक्ट के बारे में विभिंन विशेषताएं । लेबल अलगानेवाला इंटरफ़ेस, दोनों विज़ुअलाइज़ेशन और डेटा प्लॉट में प्रत्येक नए लेबल वर्ग के साथ संबद्ध रंग अद्यतन करने में सहभागी होता है. यह डेटा में निहित विशेषताओं के आधार पर विभिन्न नियमों के निर्माण के लिए अनुमति देता है जो वस्तुओं को उपयोगी कक्षाओं (फिगर 5F) में अलग करने के लिए इस्तेमाल किया जा सकता है ।

Figure 1
चित्र 1. SuRVoS कार्यक्षेत्र के लेआउट और सामांय सुविधाओं ।
GUI इंटरफ़ेस बाईं ओर होता है, जबकि दृश्यावलोकन फलक दाईं ओर होता है. इन दो क्षेत्रों उपकरणों और शॉर्टकट के एक स्तंभ से अलग कर रहे हैं । GUI डेटा को संसाधित करने में मुख्य चरणों के माध्यम से उपयोगकर्ता चलने, supervoxel और/या megavoxel पैरामीटर्स का चयन करने, डेटा सेगमेंट करने, और यदि मॉडल प्रशिक्षण का उपयोग करने की आवश्यकता हो, तो सेगमेंट को निर्यात करने से पहले व्यवस्थित किया जाता है. विज़ुअलाइज़ेशन फलक का उपयोग तीन मोड्स में किया जा सकता है: डेटा देखने के लिए मूल विज़ुअलाइज़ेशन और सेगमेंटेशनऔर किसी भी लागू फिल्टर और डेटा खंड करने के लिए, लेबल अलगानेवाला डेटा के लिए निहित पहलुओं के आधार पर नए लेबल में वस्तुओं को वर्गीकृत करने के लिए, और अंत में आंकड़े लेबल को मापने के लिए और खंड वस्तुओं की विशेषताओं कल्पना । इन मोड में से प्रत्येक के लिए, ऊपरी बाएँ कोने में ड्रॉप-डाउन मेनू जो डेटा दिखाया गया है नियंत्रित करता है, और शीर्ष पर स्लाइडर z-अक्ष को नियंत्रित करता है । उपकरण शॉर्टकट विपरीत पर आसान पहुँच नियंत्रण प्रदान करता है, परतों की पारदर्शिता, ज़ूमिंग, panning और दृश्य फलक में "घर" के लिए लौटने, और प्रोटोकॉल में वर्णित के रूप में एनोटेशन के लिए खोलने के उपकरण. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 2
चित्र 2. सुपर-क्षेत्र पदानुक्रम छवि विभाजन की जटिलता को कम करता है ।
बर्कले सेगमेंटेशन डेटासेट (BSDS500३७) से एक चित्र का उपयोग सुपर-क्षेत्रों के गुणों और प्रभावों को प्रदर्शित करने के लिए किया गया था. मूल छवि (left) voxels के हजारों से बना है, जो फिर अगल-बगल में इकट्ठे होते हैं, कुछ सौ supervoxels (केंद्र) बनाने के लिए समान ग्रुपिंग करते हैं. Supervoxels भी megavoxels के कुछ दसियों (सही) बनाने के लिए आसंन, इसी तरह के समूहों में इकट्ठा किया जा सकता है । प्रत्येक समूह के साथ, दोनों गणना और मैनुअल संसाधनों के लिए, विभाजन कार्य की जटिलता में कमी आई है । महत्वपूर्ण बात, एक 2d उदाहरण यहां दिखाया गया है, तथापि, दोनों supervoxels और megavoxels 3 डी हैं । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 3
चित्र 3. एक मॉडल प्रशिक्षण फॉल्ट रणनीति का उपयोग कर एक microCT डेटासेट की प्रोसेसिंग.
रॉ डेटा के एक एकल 2d टुकड़ा । B. रॉ डेटा के लिए एक clamped कुल भिंनता फ़िल्टर लागू करने के फलने शरीर के विभिंन पहलुओं के बीच सीमाओं को बढ़ाया । C. उपयुक्त supervoxel पैरामीटर्स को चुना गया था । D. ब्याज का एक क्षेत्र ( Cमें लाल बॉक्स) प्रदर्शित करने के लिए दिखाया गया है कि डेटा की सीमाएं स्वयं supervoxels में मौजूद हैं । E. डेटासेट के विभिन्न क्षेत्रों के मैनुअल एनोटेशन के साथ वॉल्यूम के तीन स्लाइस डार्क कलर्स (हरे, लाल, नीले और बैंगनी) में प्रदर्शित किए गए और मॉडल प्रशिक्षण चलाने के बाद भविष्यवाणियों को एक ही हल्के रंगों में प्रदर्शित किया गया । मॉडल प्रशिक्षण भविष्यवाणियों के बाद अंतिम विभाजन के साथ ही तीन स्लाइसें स्वीकार कर लिया गया है एफ । स्केल पट्टियां 1 मिमी हैं । इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

Figure 4
चित्र 4. सुपर-क्षेत्र सेगमेंटेशन कार्यनीति का उपयोग करके किसी cryoET डेटासेट का संसाधन.
रॉ डेटा के एक एकल 2d टुकड़ा । B. ब्याज की एक क्षेत्र ( एकमें लाल बॉक्स) एक स्तरित फिल्टर सेट के साथ organelles की सीमाओं का दबाव का चिह्न लागू होता है । C. सुपर-क्षेत्रों का उपयोग करके किसी organelle की व्याख्या करने का उदाहरण । एक एकल organelle मैनुअल उपयोगकर्ता काले में प्रदर्शित एनोटेशन के साथ मढ़ा supervoxels के साथ दिखाया गया है (बाएँ) और supervoxels नीले रंग में दिखाया गया है कि एनोटेशन के साथ चुना (सही). D. सुपर-क्षेत्रों का उपयोग करके microtubule व्याख्या करने का उदाहरण । microtubule का एक क्षेत्र मैनुअल उपयोगकर्ता काले में प्रदर्शित एनोटेशन के साथ दिखाया गया है (बाएं) और उस एनोटेशन के साथ चुना supervoxels हरा (दाएं) में दिखाया गया है । E. अंतिम विभाजन की विशेषता प्लेटलेट का उपयोग कर पृष्ठभूमि से वर्गीकृत मॉडल प्रशिक्षण (तालिका 1 देखें विवरण के लिए), और विभिंन organelles और microtubules एक सुपर क्षेत्र के विभाजन की रणनीति का उपयोग कर विभाजित । रंग विशिष्ट organelle प्रकारों का संकेत नहीं देते है क्योंकि वे यहां वर्गीकरण से पहले दिखाए जाते हैं । A, B, और E में स्केल पट्टियां 1 माइक्रोन है और C और D में ०.५ माइक्रोन हैं । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 5
चित्रा 5. लेबल विभाजक उपकरण का उपयोग करके किसी cryoSXT डेटासेट का विश्लेषण.
रॉ डेटा के एक एकल 2d टुकड़ा । B. ब्याज का एक क्षेत्र (a में लाल बॉक्स) organelles के दबाव का चिह्न लगाने के लिए लागू कुल भिंनता फ़िल्टर के साथ । C. supervoxels के साथ अंतिम विभाजन मढ़ा । D. organelles के साथ लेबल अलगानेवाला के दृश्य भाग एफमें प्रदर्शित नियमों का उपयोग कर वर्गीकृत । E. लेबल अलगानेवाला के भूखंड भाग प्रत्येक वस्तु के अंदर औसत तीव्रता प्रदर्शित, एफ लागू में प्रदर्शित नियमों के साथ । x-अक्ष के साथ प्रत्येक अनुलंब रेखा किसी एकल ऑब्जेक्ट का प्रतिनिधित्व करती है और इसे असाइन किए गए वर्ग से मेल करने के लिए रंग-कोडेड है । F. उदाहरण वर्गीकरण नियम विभिंन ऑब्जेक्ट्स को उनके अंतर्निहित गुणों के आधार पर अलग करने के लिए । स्केल पट्टियां 1 माइक्रोन हैं । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

नाम/डेटासेट स्रोत p1 p2 p3 पी
गाऊसी फ़िल्टर सिग्मा
श्रेणी डिफ़ॉल्ट/ - [०.५, 10]/
(G1) cryoET रॉ डेटा 1
(G2) cryoET रॉ डेटा 2
कुल भिंनता लैंब्डा रिक्ति # र्इ क्लैंप
श्रेणी डिफ़ॉल्ट/ - [०.१, 30]/10 [०.१, 10]/ [५०, ५००]/१०० -
(TV1) microCT रॉ डेटा 10 1 १०० (1,-)
(TV2) cryoET g1 7 1 २०० -
(TV3) cryoET g2 10 1 १०० -
(TV4) cryoSXR रॉ डेटा 7 1 १०० -
थ्रेसहोल्ड Vmin vmax
श्रेणी डिफ़ॉल्ट/
(TH1) cryoET tv3 0 - गाऊसी सेंटरिंग सिग्मा श्रेणी डिफ़ॉल्ट/ - [०.५, 10]/2 (GC1) microCT TV1 2 गाऊसी सामांयीकरण सिग्मा श्रेणी डिफ़ॉल्ट/ - [०.५, 10]/2 (GN1) microCT TV1 2 Laplacian ऑफ गाऊसी सिग्मा ताड़ना जवाब श्रेणी डिफ़ॉल्ट/ - [०.५, 10]/2 [हाँ/ [उज्ज्वल/ (LG1) microCT TV1 2 नहीं उज्ज्वल Gaussians का अंतर सिग्मा Init सिग्मा अनुपात श्रेणी डिफ़ॉल्ट/ - [०.५, 10]/2 [१.१, 3]/१.६ (DG1) microCT TV1 2 १.६ (DG2) cryoET tv3 2 १.६ Det. संरचना tension Sigma1 सिग्मा क्षेत्र श्रेणी डिफ़ॉल्ट/ - [०.५, 10]/2 [०.५, 10]/2 (ST1) cryoET tv3 2 2 Supervoxels आकार रिक्ति compactness श्रेणी डिफ़ॉल्ट/ - [1, 10]/10 [०.१, 5]/ [1, २००]/20 (SV1) microCT TV1 (10, 10, 10) (1, 1, 1) 30 (SV2) cryoET tv3 (10, 10, 10) (1, 1, 1) ५० (SV3) cryoET tv2 (3, 5, 5) (1, 1, 1) ५० (SV4) cryoSXT tv4 (10, 10, 10) (1, 1, 1) 30 Megavoxels लैंब्डा # डिब्बे गामा श्रेणी डिफ़ॉल्ट/ - [०.०१, 1]/०.१ [10, २००]/20 कोई नहीं, ऑटो या [0, 1]/ (MV1) cryoET SV2 ०.१ ५० ऑटो TV1 (MV2) cryoSXT sv4 ०.४ ५० कोई tv4 मॉडल प्रशिक्षण क्षेत्र वर्गीकारक काे उपलब्ध डिफ़ॉल्ट/ [voxel/supervoxel] [पहनावा, SVM, ऑनलाइन रैखिक मॉडल]/ [कोई नहीं, पॉटी, प्रकटन]/ पहनावा-आरएफ microCT tv3 sv1 रैंडम वन: सूरत TH1 GC1 -# Tree: लैंब्डा: GN1 [10, १००]/१०० [1, ५००]/10 LG1 १०० ५० DG1 cryoET TV2 DG2 ST1 SV2 रैंडम वन: सूरत -# Tree: लैंब्डा: [10, १००]/१०० [1, ५००]/10 १०० ५० एनोटेशन काे दायरे श्रेणी डिफ़ॉल्ट/ [1, 20]/ microCT खोलने 5 भरण-छिद्र 1 फैलाव 2 cryoET खोलने 3 भरण-छिद्र 1 फैलाव 2 cryoSXT खोलने 3 भरण-छिद्र 1 फैलाव 2

तालिका 1. प्रत्येक तीन डेटासेट को संसाधित करने के लिए ऑप्टिमाइज़ किए गए पैरामीटर्स (microCT, cryoET और cryoSXT).>
प्रत्येक पैरामीटर के लिए, एक सामांय प्रयोजन श्रेणी और डिफ़ॉल्ट दिया जाता है । कई मामलों में, फ़िल्टर किए गए डेटा बहाव प्रसंस्करण के लिए एक स्रोत के रूप में प्रयोग किया जाता है । इन मामलों में, नया स्रोत डेटासेट निरूपित करने के लिए संक्षिप्त नाम का उपयोग किया जाता है. उदाहरण के लिए, G1 (गाऊसी फ़िल्टर किए गए cryoET raw डेटा) इनपुट के रूप में TV2 बनाने के लिए कुल भिंनता फ़िल्टर के दौरान उपयोग किया गया था । जानकारी केवल कार्यक्षेत्र है कि प्रत्येक dataset प्रक्रिया के लिए इस्तेमाल किया गया के पहलुओं के लिए प्रस्तुत किया जाता है । उदाहरण के लिए, यहां प्रस्तुत cryoSXT डेटासेट के प्रसंस्करण के दौरान मॉडल प्रशिक्षण का उपयोग नहीं किया गया था, इसलिए इसके लिए कोई पैरामीटर नहीं दिए गए हैं.

Discussion

SuRVoS कार्यक्षेत्र मापदंडों के अनुकूलन में अन्य विभाजन कार्यक्रमों से भिन्न है एक आवश्यक और महत्वपूर्ण कदम वास्तविक विभाजन शुरू करने से पहले है । कुछ मैन्युअल या अर्द्ध-मैन्युअल सेगमेंटेशन प्रोग्राम्स में, उपयोगकर्ता एक नया प्रोजेक्ट खोलने के क्षणों में सेगमेंटिंग शुरू करता है. SuRVoS के साथ, क्योंकि मात्रा की बड़ी मात्रा में बहुत कम उपयोगकर्ता इनपुट और सीमाओं के साथ विभाजित किया जाएगा कार्यक्रम द्वारा delineated हैं, अनुकूलन मापदंडों एक सफल विभाजन के लिए महत्वपूर्ण है । विशेष रूप से, सुविधा चैनलों और सुपर क्षेत्र के निर्माण दो क्षेत्रों जहां ध्यान दिया जाना चाहिए रहे हैं ।

फ़ीचर चैनल और मॉडल प्रशिक्षण

raw डेटा के अतिरिक्त, SuRVoS उपयोगकर्ता को किसी मौजूदा डेटासेट से व्युत्पंन अतिरिक्त डेटासेट या चैनल बनाने की अनुमति देता है । इन चैनलों गणना के तरीके या सुविधा निकालने वालों के चयन का उपयोग कर बनाया जा सकता है । डेटा अभ्यावेदनों में से प्रत्येक समानांतर में उपलब्ध हैं, और व्यक्तिगत रूप से सुविधा या फिल्टर आवेदन के परिणामों का आकलन करने के लिए प्रदर्शित किया जा सकता है. इन विशेषताओं के कारण, वे SuRVoS में सुविधा चैनल के रूप में संदर्भित कर रहे हैं । SuRVoS के भीतर प्रदान की कई सुविधा चैनल विकल्प हैं. यहाँ उपयोग किए गए विकल्पों और पैरामीटर्स के बारे में जानकारी के लिए, तालिका 1देखें, एक पूर्ण सूची और उपलब्ध सुविधा चैनल का वर्णन के लिए https://diamondlightsource.github.io/SuRVoS/ 2पर जाएं । सबसे पहले, शोर डेटासेट denoising से या तो गाऊसी या कुल भिन्नता फ़िल्टर के साथ लाभ होगा । यह अनुशंसा की जाती है कि आगे सुविधा चैनल और supervoxel/megavoxel चंद्रग्रहण का उपयोग किया जा सकता है इनमें से एक के रूप में डेटा स्रोत के रूप में इन शोर डेटासेट । सामान्यतया, कुल भिन्नता नॉइज़्ड dataset सुविधा चैनल और supervoxel/megavoxel परिकलन के लिए स्रोत डेटा के रूप में उपयोग किया जाता है । यह पहले डिफ़ॉल्ट मान के साथ चलाने के लिए सुझाव दिया है, 3 डी और अंत में परिणाम का आकलन, iteratively dataset के लिए मापदंडों का अनुकूलन. साथ ही, सुविधा चैनल "फ़िल्टर सेट" में विशेष रूप से dataset के पहलुओं को अलग करने के लिए बनाया जा सकता, और ये तब supervoxels और megavoxels बनाने के लिए डेटा स्रोत के रूप में उपयोग किया जा सकता है । हालांकि यह रणनीति उच्च डेटासेट पर निर्भर है, लेकिन यह फायदेमंद हो सकता है ।

फ़ीचर चैनल भी स्रोत के रूप में इस्तेमाल कर रहे है मॉडल प्रशिक्षण में वर्गीकारक ट्रेन । जो सुविधा चैनलों का उपयोग करने पर निर्णय लेते हैं, यह सिफारिश की है कि कुछ मजबूत सुविधा चैनल (उदा, ब्लॉब पता लगाना, बनावट और संरचना से, या मजबूत सुविधाओं श्रेणियों) एनोटेशन की एक छोटी राशि के साथ काम करते समय इस्तेमाल किया जाता है प्रशिक्षित करने के लिए वर्गीकारक. जब प्रशिक्षण डेटा की एक बड़ी राशि के साथ काम कर रहे हैं, यह और अधिक सुविधा चैनल का उपयोग कुल मिलाकर, के रूप में वे वर्गीकारक को विभिंन जानकारी प्रदान लंबे समय के रूप में श्रेणियों में से किसी से सिफारिश की है (उदा., स्थानीय से ऊपर की सूची सुविधा चैनलों को जोड़ने सुविधाएँ और गाऊसी सुविधाएँ श्रेणियाँ).

मॉडल प्रशिक्षण के लिए तीन मुख्य भागों रहे हैं: डेटा का वर्णन है कि इनपुट डेटा स्रोत प्रदान, एक वर्गीकारक को प्रशिक्षित करने के लिए इन आदानों का उपयोग, और अंत में उत्पादन भविष्यवाणियों को परिष्कृत. सामांयत:, डेटा के छोटे क्षेत्रों में वर्गीकारक को सटीक रूप से प्रशिक्षित करने के लिए अधिक उपयोगकर्ता एनोटेशन की आवश्यकता होगी, जबकि डेटा के बड़े क्षेत्रों में कम उपयोगकर्ता एनोटेशन की आवश्यकता होगी । एक शोधन का चयन किए बिना मॉडल प्रशिक्षण सबसे अच्छा पूर्वानुमान लगाने के लिए इस्तेमाल किया जा सकता है । फिर शोधन शामिल करें और लैंब्डा पैरामीटर को ऑप्टिमाइज़ करें जैसे कि छिद्र या दांतेदार किनारों के साथ समस्याओं को हल करने के लिए आवश्यक है ।

Supervoxels और megavoxels

Supervoxels एकाधिक पास, समान voxels३८,३९के क्लस्टर हैं । Supervoxels एक मानक 3 डी डेटा है कि तब iteratively अंतर्निहित सीमाओं का पालन करने के क्रम में विकृत है पर मढ़ा ग्रिड के रूप में शुरू, और इस तरह बेहतर डेटा का प्रतिनिधित्व करते हैं । Supervoxel निर्माण और विकृति चार उपयोगकर्ता आदानों द्वारा नियंत्रित किया जाता है: डेटा स्रोत, superpixel आकार, रिक्ति, और कॉम्पैक्टेशन. डेटा स्रोत supervoxel निर्माण के दौरान क्वेरी की गई डेटा जानकारी प्रदान करता है । कोई भी स्रोत फ़िल्टर किए गए डेटा स्रोतों सहित उपयोग किया जा सकता है । superpixel आकृति पैरामीटर्स प्रारंभिक 3d ग्रिड और परिणामी supervoxels की अनुमानित इच्छित आकृति का निर्धारण करते हैं । इन पैरामीटर्स को बदलने से विकृति से पहले supervoxels का आकार बढ़ा या घटा सकते हैं । रिक्ति पैरामीटर्स प्रत्येक दिशा में सीमाओं के महत्व को परिभाषित करते हैं । इन पैरामीटर्स को परिवर्तित करने से अन्य (ओं) की कीमत पर एक या दो दिशाओं में सीमाओं पर जोर दिया जा सकता है, जिसका अर्थ है कि परिणामी supervoxels को दी गई दिशा (ओं) में डेटा सीमाओं का बेहतर पालन करने के लिए ख़राब जाएगा. अंतिम पैरामीटर, कॉम्पैक्ट, कितना supervoxels ख़राब कर सकते हैं नियंत्रित करता है । एक कम संकुचन संख्या supervoxels अधिक ख़राब करने के लिए अनुमति देता है । इन पैरामीटर्स को supervoxels प्रदान करने के लिए ऑप्टिमाइज़ किया जाना चाहिए जो ब्याज के डेटा की सीमाओं का प्रतिनिधित्व करते हैं । नोट: वर्तमान में, supervoxel आकृति पैरामीटर १०२४ या उससे कम जब एक साथ गुणा बराबर होना चाहिए ।

कुछ मायनों में, supervoxel मापदंडों एक दूसरे के लिए क्षतिपूर्ति कर सकते हैं, जिसका अर्थ है कोई एक "सही जवाब" जब मापदंडों पर तय है । उदाहरण के लिए, एक बड़ा प्रारंभिक ग्रिड (उदा superpixel आकार: 10 x 10 x 10) और एक कम संकुचन संख्या (उदा. 20) एक छोटे से प्रारंभिक ग्रिड (उदा. superpixel आकृति 5 x 5 x 5) की तुलना में समान सीमा पालन के साथ supervoxels दे सकता है और एक उच्चतर संकुचन संख्या (उदा. ५०) । क्योंकि दूसरे परिदृश्य में अधिक, छोटे supervoxels हैं, वे सीमाओं का प्रतिनिधित्व करने के लिए उतना ख़राब करने के लिए नहीं है । पैरामीटर के दोनों सेट dataset के विभाजन के लिए उपयुक्त हो सकता है ।

सबसे बड़ा विचार है जब चुनने supervoxel पैरामीटर है कितनी अच्छी तरह supervoxels डेटा का प्रतिनिधित्व करते हैं । supervoxels अकेले प्रदर्शित, उनके नीचे डेटा के बिना, चित्रा 2dमें के रूप में, supervoxel मापदंडों का आकलन करने के लिए एक अच्छा तरीका है. जब इस तरह से प्रदर्शित किया, किनारों और डेटा में पाया आकृतियों की रूपरेखा अभी भी supervoxels में दिखाई देना चाहिए ।

Megavoxels कई पड़ोसी, समान supervoxels३८,३९के समूह हैं । वे फिर से चार उपयोगकर्ता आदानों द्वारा नियंत्रित कर रहे हैं: डेटा स्रोत, लैंब्डा, numbins, और गामा । supervoxels के साथ के रूप में, डेटा स्रोत megavoxel निर्माण के दौरान क्वेरी की गई डेटा जानकारी प्रदान करता है । दोनों लैंब्डा और numbins megavoxels के आकार और सीमा पालन प्रभाव । के रूप में megavoxels बड़ा हो जाना (उच्च लैंब्डा, कम numbins), उनकी सीमा पालन कम हो जाती है । बातचीत भी सही है, सीमा पालन छोटे megavoxels के साथ वृद्धि होगी (कम लैंब्डा, उच्च numbins), लेकिन के रूप में megavoxel आकार कम हो जाती है, तो जल्दी voxels की बड़ी मात्रा में खंड में उनकी उपयोगिता करता है । वैकल्पिक गामा पैरामीटर एक साथ दो supervoxels विलय की लागत बनाम चिकनाई कारक नियंत्रित करता है । गामा के छोटे मूल्यों को कम megavoxels समग्र होने की कीमत पर, दो supervoxels के बीच समानता में वृद्धि कर सकते हैं ।

supervoxels के साथ के रूप में, सबसे बड़ा विचार है जब चुनने और megavoxel मानकों का अनुकूलन है कितनी अच्छी तरह megavoxels डेटा का प्रतिनिधित्व करते हैं । supervoxels के लिए वर्णित के रूप में अकेले megavoxels प्रदर्शित फिर मापदंडों का आकलन करने के लिए इस्तेमाल किया जा सकता है । हालांकि, क्योंकि megavoxels आम तौर पर बहुत बड़ा हो जाएगा और तीन आयामी हैं, एनोटेशन उपकरण टी का उपयोगओ एक megavoxels चुनें हित के क्षेत्रों के बीच सीमा को सुनिश्चित करने के लिए तंग है भी सिफारिश की है ।

एनोटेशन रणनीति

दो सामान्य एनोटेशन कार्यनीतियों का वर्णन किया गया है: एक मॉडल प्रशिक्षण दृष्टिकोण डेटासेट के बड़े क्षेत्रों को अलग करने के लिए उपयोगी है, जबकि एक सुपर-क्षेत्र विभाजन दृष्टिकोण छोटे, अधिक विविध सुविधाओं जैसे व्यक्तिगत organelles के लिए उपयोगी होता है. एनोटेशन एक पदानुक्रमित फैशन में संगठित किया जा सकता है ताकि यह बड़े क्षेत्रों पहले व्याख्या संभव है, तो उंहें और अधिक विशिष्ट एक माता पिता के बच्चे के रिश्ते का उपयोग कर क्षेत्रों में प्रतिभाग । लेबल के लिए पैरेंट लेबल को लेबल रंग चयन के दाईं ओर के क्षेत्र पर क्लिक करके और किसी पिछले स्तर से एक उचित पैरेंट लेबल चुनना असाइन किया जा सकता है । व्यवहार में, अधिकांश डेटासेट मॉडल प्रशिक्षण और सुपर-क्षेत्र सेगमेंटिंग कार्यनीतियों का उपयोग करके विशिष्ट क्षेत्रों को सेगमेंट/

यहां मॉडल प्रशिक्षण उदाहरण में, कुछ प्रशिक्षण आदानों (मैनुअल उपयोगकर्ता supervoxel के रूप में-आधारित एनोटेशन) डेटा के तीन समान रूप से अंतरिक्ष में स्लाइस पर इस्तेमाल किया गया । इस तरह, SuRVoS के मॉडल प्रशिक्षण पहलू काफी गति के साथ जो विभाजन संभव है बढ़ जाती है जब विशेष रूप से बड़े, विभेदित क्षेत्रों के साथ काम करने के रूप में goosegrass फलने शरीर में क्षेत्रों के बीच में प्रकाश डाला के रूप में चित्रा 3.

जब मॉडल प्रशिक्षण, अगर भविष्यवाणियों को नहीं देखा जा सकता है, यह आवश्यक हो सकता है के लिए दृश्य टैब पर जाएं और सुनिश्चित करें कि भविष्यवाणियों परत चालू है और पारदर्शिता की एक उचित मात्रा में सेट है । इसके अलावा, 0 का विश्वास एक लेबल के लिए हर unलेबल्ड supervoxel, जो कुछ भी निकटतम मैच के आधार पर आवंटित करेगा । १०० का आत्मविश्वास केवल एक लेबल असाइन करेगा यदि लेबल की केवल एक श्रेणी में कोई आनुपातिक मिलान हो । बीच में सब कुछ इन दो अतिवादों का एक tradeoff है । जब एक विश्वास के स्तर का चयन यह नेत्रहीन निरीक्षण करने के लिए कुछ स्लाइस की जांच करने के लिए सुझाव दिया है कि कोई गलत तरीके से भविष्यवाणी की है voxels एक लेबल के लिए पूर्वानुमान को बचाने से पहले ।

सुपर क्षेत्रों का उपयोग कर व्याख्या के लिए एक अच्छी रणनीति के लिए आवर्धन उपकरण का उपयोग करने के लिए डेटा पर ज़ूम, एक स्लाइस पर एक बार में कुछ organelles व्याख्या, एक "त्वरित, गन्दा" दृष्टिकोण पहले (चित्रा 4c) का उपयोग कर रहा है । इसके बाद, ऊपर या नीचे कुछ स्लाइस Z में ले जाएं और इस प्रक्रिया को दोहराएं । क्योंकि supervoxels तीन आयामी हैं, "गन्दा" दृष्टिकोण के दोषों के कई ऊपर या नीचे स्लाइस में किए गए एनोटेशन द्वारा तय कर रहे हैं. इस तरह, विभाजन ऊपर उड़ गया है और सीमाओं के बजाय मैन्युअल रूप से supervoxels द्वारा प्रदान की जाती हैं ।

लेबल को साफ करने के लिए, मानक फॉल्ट काे विकल्प प्रदान किए गए हैं । फैलाव चयनित सेगमेंटेशन लेबल को दिए गए दायरे के अनुसार विकसित करने के कारण, कटाव के कारण इसे सिकोड़ना होता है. खोलने और समापन पहले कटाव और फिर फैलाव, या उपाध्यक्ष विपरीत, क्रमशः के आवेदन कर रहे हैं । और छेद भरने ठीक है कि । इन आपरेशनों का क्रम मायने रखता है । आम तौर पर, भरने छेद प्रदर्शन, तो खोलने, तो फैलाव अच्छी तरह से काम करता है । प्रत्येक शोधन विधि एक टुकड़ा पर लागू किया जा सकता है ("यह टुकड़ा"), 2d में सभी स्लाइस पर ("सभी स्लाइस (2d)") या 3 डी में ("पूरी मात्रा (3 डी)") । सभी स्लाइस (2d) की सिफारिश की है ।

महत्व और भविष्य के निर्देश

कुशल और सटीक विभाजन 3 डी डेटासेट के प्रसंस्करण में अगली अड़चन है, विशेष रूप से लंबे समय से चलाने के सत्र के दौरान छवि डेटा की टेराबाइट्स के नियमित स्वचालित संग्रह के साथ । SuRVoS कार्यक्षेत्र मैनुअल विभाजन की तुलना में 5 के एक कारक द्वारा विभाजन की प्रक्रिया को गति कर सकते हैं । इसके अलावा, क्योंकि सीमाएं supervoxels द्वारा delineated हैं, परिणामी सेगमेंट की परिवर्तनशीलता में सुधार करना चाहिए । भविष्य में, हम प्रशिक्षण डेटा के रूप में ब्याज की एक प्रतिनिधि 3 डी क्षेत्र के विभाजन का उपयोग करने के तरीके का पता लगाने के लिए खंड के बाकी, या यहां तक कि एक अलग मात्रा, उच्च विश्वास के साथ लागू करने के लिए उंमीद है । इस अग्रिम आगे उपयोगकर्ता समय और भी जटिल जैविक मात्रा खंड के लिए आवश्यक इनपुट की मात्रा में कमी, छवि प्रसंस्करण और फॉल्ट अड़चन को कम करने में मदद करेगा । यह, बारी में, विभिंन राज्यों में जैविक डेटा के मात्रात्मक तुलना (जैसे गैर रोग, रोग, इलाज) मजबूत प्रयोगात्मक संख्या के साथ की अनुमति देगा ।

Disclosures

लेखकों की घोषणा वे कोई प्रतिस्पर्धा वित्तीय हितों की है ।

Acknowledgments

हम स्वीकार करते है और cryoET डेटासेट प्रदान करने के लिए और I13 beamtime के साथ सहायता के लिए एंड्रयू चिऊ हीरा प्रकाश स्रोत से Baylor कॉलेज चिकित्सा से रुई वांग और वाह धंयवाद करना चाहूंगा । इस शोध के कुछ हिस्सों को राष्ट्रीय स्वास्थ्य संस्थान (NIH) अनुदान सं (P41GM103832) द्वारा समर्थित किया गया था हम पीएचडी STU0079 के अंतर्गत संयुक्त रूप से धन Imanol Luengo के लिए डायमंड लाइट स्रोत स्वीकार करते हैं ।

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

बुनियादी प्रोटोकॉल अंक १२६ विभाजन Supervoxels क्रायो इलेक्ट्रॉन टोमोग्राफी क्रायो नरम एक्स-रे टोमोग्राफी चरण कंट्रास्ट एक्स-रे टोमोग्राफी मशीन लर्निंग SuRVoS कार्यक्षेत्र
SuRVoS (सुपर-क्षेत्र खंड विभाजन) कार्यक्षेत्र का उपयोग करते हुए जैविक सामग्रियों की मात्रा का विभाजन और विश्लेषण
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