Method Article

Birim segmentasyon ve SuRVoS (süper bölge birim segmentasyon) tezgah kullanarak biyolojik malzemelerin analizi

DOI:

10.3791/56162

⸱

August 23rd, 2017

 ,  ,  ,  ,  ,  ,  , 
1Science Division, Harwell Science and Innovation Campus, Diamond Light Source, 2School of Computer Science, University of Nottingham

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Segmentasyon birçok görüntüleme teknikleri üç boyutlu veri analizi karmaşık biyolojik sistemlerin büyük bir darboğaz var. Burada, biz SuRVoS tezgah yarı otomatik olarak çeşitli uzunluk-ölçeklerde hacimsel veri kesimi için nasıl kullanılacağını açıklar örnek veri kümeleri cryo-elektron tomografi, soguk yumuşak x-ışını tomografi ve faz kontrast x-ışını tomografi teknikleri kullanarak.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Böylece ileri çalışmalar bu ilgi alanları üstlenilen segmentasyon belirli bölgeleri veya görüntülü bir birim içindeki nesneler yalıtma işlemidir. Karmaşık biyolojik sistemlerin analizi dikkate alınarak, üç boyutlu görüntü verilerini ayrılmasını bir zaman alıcı ve emek yoğun bir adımdır. Artırılmış kullanılabilirlik birçok görüntüleme yöntemleri ve otomatik veri toplama şemaları ile bu verilerden bilgi-e doğru taşımak modern deneysel biyolog için artan bir sorun teşkil etmektedir. Bu yayın SuRVoS tezgah, yarı otomatik olarak segment karmaşık biyolojik hacimsel veri yöntemleri sağlayarak bu sorunları çözmek için tasarlanmış bir program açıklar. Büyütme farklı ve görüntüleme yöntemleri üç veri kümeleri burada, her SuRVoS ile segmentlere farklı stratejiler vurgulayarak sunulmuştur. Faz kontrast x-ışını tomografi (microCT) bir bitkinin olgun vücudun segmentasyon modeli eğitim kullanarak göstermek için kullanılır, soguk elektron tomografi (cryoET) insan trombosit segmentasyon süper - ve megavoxels ve soguk yumuşak kullanarak göstermek için kullanılır X-ışını tomografi (cryoSXT) bir memeli hücre satırı araçları bölme etiket göstermek için kullanılır. Stratejileri ve her veri türü için parametreleri de sunulmaktadır. Yarı otomatik işlemler tek bir etkileşimli araç içine bir seçki harmanlayarak, SuRVoS birçok yarar sağlar. Genel olarak zaman segment hacimsel veri için beş el ile bölümleme, bir dayanak noktası birçok görüntü işleme alanlarında karşılaştırıldığında bir faktörle azalır. Bu önemli bir tasarruf olduğunda tam manuel segmentasyon hafta çaba sürebilir. Ayrıca, öznellik hesaplama açısından belirlenen sınırları ve nesneler hesaplanan özellikleri yerine ayrı ayrı tarafından yarma karmaşık koleksiyonları kullanarak ele alınmaktadır.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

SuRVoS tezgah araştırmacılar çeşitli örnekleri, faiz, çözünürlük ya da görüntüleme yöntemi1yapısı ne olursa olsun hacimsel verilerinden gelen bilimsel olarak ilgili bilgileri ayıklamak için izin vermek için tasarlanmış yazılım bir parçasıdır, 2. Bunlar genellikle x-ışını ve elektron tomografi sistemleri, toplanan hacimsel veri rutin büyük laboratuarlar veya kendi karmaşıklığı nedeniyle Merkezi özellikleri temel. Hem bu yöntemleri ve diğer teknikleri, büyük üretmek, bilgi zengin veri kümeleri hangi segmente her iki yarı otomatik yöntemler veya el ile zorlu kanıtlamak. Özellikle, yerel yakınındaki devlet cryo immobilize veri kümeleri bir düşük sinyal-gürültü oranı ve zavallı aksine, özellikle soguk elektron tomografi (cryoET)3,4,5 sonuçlanan düşük doz görüntüleme koşulları gerektirir . Bazı 3D DataSet'lerdeki ek bir faktör zorlu deneysel koşullar tarafından ilgili tanıttı eserler varlığı, örneğin eksik kama eserler nedeniyle sınırlı bir veri koleksiyonu eksik bilgilerini, sonuçlanan aralığı, eğimli ve uzama yönünde ışın3,4,5. Bile ne zaman düşük sinyal-gürültü veya (eksik kama eserler örneğin iyon demeti SEM6 odaklı veya seri blok yüz SEM7) sorunlu değildir, karmaşıklığı ve üç boyutlu doğasını örnek ve büyük miktarda veri analizi anlamına hala veri bölümleme için otomatik bir işlemin faydalanın.

Şu anda biyolojik birim hücre dikkate alınarak, otomatik olarak ya da yarı otomatik olarak aktin, mikrotübüller veya bir şablon tabanlı arama'yı kullanarak belirli protein kompleksleri gibi çok özel hücresel özellikleri tanımlamak için birçok seçenek vardır, veya belirli türden veri (lekeli, reçine gömülü örnekleriörneğin yüksek kontrast,)8,9,10,11,12özellikleri tanımlama. Ancak, bu durumlarda bir temanın içinde bilgi veya belirli örnek hazırlama protokolleri bu segment oluşturma stratejileri geniş uygulanabilirliği sınırlama gereklidir. Ayrıca kullanıcı giriş13zaman verilen ilgi çeşitli yapılar görünümünü öğrenmek Voksel düzeyde modeli eğitim gerçekleştirmek araçları vardır. Ancak, bu düzeyde eğitim ve modelleri sınama karmaşıklığını hataya ve hesaplama açısından pahalı olabilir. Zorlu görüntü koşulları ve genel olarak uygulanabilir, yarı otomatik bölümleme stratejilerini eksikliği göz önüne alındığında, el ile segment oluşturma karmaşık biyolojik materyallerde14,15ile, çalışırken bile, yaygındır 16 , 17. ancak, genellikle el ile segment oluşturma süreci sadece zaman alıcı, ama aynı zamanda hataya, öznel ve değişken4,5,18,19 değildir kabul edilen ,20. Bazı segmentasyon programlar (Yani ilişkilendirme, Kement veya darbe araçları) el ile segment oluşturma sürecini kolaylaştırmak için araçlar sunar21,22, ancak, gürültülü veri kümeleri durumlarda, onlar başarılı bir şekilde uygulamak zor ve Hatta başarıyla ne zaman kullanıldıklarını, hala öznel ve değişken işlemidir.

Geleneksel olarak, segmentations iki farklı şekilde kullanılmıştır: niteliksel veya nicelik. Görüntüleme teknolojileri ve segmentasyon stratejileri geliştirmek gibi segmentasyon biyolojik soruları cevaplamak için nicel bir araç ve bir "zemin gerçeği" olarak algoritma geliştirme8,12içinkullanın daha yaygın hale gelmiştir, 15,23,24,25. Bunu yapabilmek için detaylı kontrol ve dengeler değişkenliği ve öznellik26süreci boyunca azaltmak için gereklidir. Ancak, bu önlemleri daha da segmentasyon zaman alan niteliği artırmak. Bu nedenle, daha hızlı ve daha az değişken bölümleme stratejisi sağlamak önemlidir.

SuRVoS tezgah Makine öğrenimi ve görüntü işleme kullanıcının Ayrıca kullanıcı gerekli adımlarda rehberlik ederken segment oluşturma sürecinde yardımcı araçları yelpazesi ile kullanıcı sağlayarak bu sorunları gidermek başlıyor. Bunu başarmak için iki anahtar yenilikler birlikte SuRVoS içinde geçerli olur. İlk olarak, bir süper bölge hiyerarşi grubuna benzer, verilerin yakın bölgelerde doğal özelliklerine göre kullanır. Her bölgede sıradüzeni içindeki güçlü sınır uyumu sağlarken daha az öğe kullanarak aynı birim temsil eder. Böylece, süper bölgeleri, bir birim büyüklükte birkaç emir tarafından segmentlere karmaşıklığını azaltmak henüz hala bilgi27önemli bir kayıp olmadan veri temsil eder. İkinci olarak, SuRVoS daha sonra kalan cilt28,29segmentlere ayırmak için kullanılan sınıflandırıcılar, eğitmek için en az el ile segmentasyon girişleri kullanır bir yarı otomatik bölümleme stratejisi sağlar. Bu strateji büyük ölçüde azalan segmentlere üzerinde harcanan süreyi kullanıcı el ile segmentasyon azaltır ve sınırları, potansiyel olarak değişkenliği ve öznellik azaltarak el ile tarif süper bölgeler kullanırken kaldırır.

Bir başka önemli özelliği SuRVoS, mademki bir kullanıcı bir dizi zaten bölümlenmiş nesneleri doğal özelliklerine göre sınıflandırmak etiket Splitter aracı olduğunu. Segmentasyon ilgi çeşitli nesnelerin sonra bu aracı önlemler ortalama nesne yoğunluğu, varyans, boyut gibi temel alt sınıfları kümesi bölmek için kullanılabilir, konum, vb bu büyük gruplar ile nesnelerin sınıflandırma yararlı olduğunda yüksek karmaşıklık. Örneğin, bir grup hücre organelleri bölünebilir mitokondri, boş veziküller, lipid damlacıkları, vs.; veya malzeme kapanımlar ayrılmış bir dizi boyutunu veya şeklini dayanarak. Bir kez bireysel etiketleri parçalara bölünmüş gruplar halinde-ebilmek var olmak istimal sınıflandırıcılar, kimlik önyargı azaltarak herhangi bir sayıda.

SuRVoS tezgah başarıyla kesim verileri için çeşitli görüntüleme teknikleri kullanılmıştır. Burada, bir bitkinin olgun vücudun sinkrotron X-ray faz kontrast tomografi (microCT) segmentati göstermek için kullanılırmodeli eğitim kullanma, soguk elektron tomografi (cryoET) insan trombosit segmentasyon super ve megavoxels kullanarak göstermek için kullanılır ve cryo yumuşak x-ışını tomografi (cryoSXT) bir memeli hücre satırı araçları bölme etiket göstermek için kullanılır

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Not: genellikle yararlı aralıkları için her işlem adımını parametreleri ve burada gösterilen her veri türü için belirli parametreleri Tablo 1 ' de sağlanan.

1. bir çalışma alanı ve veri yükleme hazırlama

  1. SuRVoS tezgah, denize indirmek açık veri kümesi düğmesini tıklatın ve çıkan popup parçalara için veri dosyasını seçin. Veri kümesi uygun bir yönünü seçin. Sonra çalışma alanı ve ilişkili dosyaları depolanacağı bir klasör oluşturun veya seçin. Bu klasörü yeni bir segment oluşturma başlatma sırasında boş önerilir. Verileri yüklendikten sonra tezgah soldaki Eklentiler bölmesinde, sağ ve ( şekil 1) iki bölme arasında aracı kısayol kümesini görselleştirme bölmesi ile açılacak.

2. Önişleme ve veri gösterimi

giriş
  1. YG seçin sekmesi, z, y ve x başlangıç ve bitiş koordinatları faiz ve tıklama için ekleyin. Uygun y ve x seçmek için koordinatları görüntü üzerinde bir nokta üzerine fareyi getirin. Z koordinatları görselleştirme bölmesinin üst kısmında ayar düğmesini kullanarak seçin. Bir bölge eklendikten sonra sağdaki kutuyu işaretleyerek seçili olduğundan emin olun. Tüm aşağı akım hesaplamalar Seçili bölge üzerinde gerçekleştirilecek. Genellikle, küçük bir ile başlayarak, parametreler optimize etmek ve bu parametreler parçalara için bütün alan yeniden uygulayarak ilgi (ROI), temsilcisi bölge tavsiye edilir.
  2. İçinde özelliği kanalları sekmesi, bir özellik/filtre seçin ve sıraya eklemek için üst kısmında damla-aşağı yemek listesi kullanmak (özellik Kanallar hakkında daha fazla bilgi için konuya bakın). Bir özellik/filtre eklenir ve onun adını tıklayarak seçilir sonra özellik/filtre için özel seçenekleri değiştirmek ve özellik/filtre çalıştırılacağı giriş veri kümesi seçin. Tüm seçenekleri seçtikten sonra hesaplamak için özellik/filtre adının sağındaki onay kutusunu tıklatın.
    1. Yeni bir veri kümesi parametrelerini optimize etmek için birden çok filtre/özellikler eklemek ve onlar için parametreleri tercih sırasına göre hesaplanan, birbiri ardına bir önce. Bunu yapmak için her yeni filtre/özellik eklemek ve uygun parametreleri seçmek, her filtre/özelliğini çalışmasına solundaki kutuyu işaretleyin ve bölmesinin en üstündeki hesaplama özellikleri kutusunu tıklatın. Ek bilgi için bkz.

3. Uygun süper bölgeleri üreten

  1. içinde Super bölgeler sekmesini, Supervoxels bölümünde hangi supervoxels Oluşturulacak süzülmüş veri kümesi seçmek için kaynak açılır menüsünü kullanın. Sonra şekli, Aralık ve kompakt (daha fazla bilgi için bkz: tartışma ve Şekil 2) supervoxels belirtin. Son olarak, supervoxels oluşturmak için Uygula düğmesini tıklatın. Supervoxels oluşturduğunuzda bunlar açık ya da kapalı görselleştirme bölmesi ve görselleştirme sekmesini ve Görüntüleyicisi penceresi kısayol kontrollü şeffaflık içinde görüntülenebilir.
  2. Megavoxels bölümünde Super bölgeleri sekmesine megavoxels oluşturulmasında kullanılacak filtre uygulanmış veri kümesi seçmek için kaynak aşağı açılan menüsünü kullanın. Ardından, lambda, numBins ve megavoxels (daha fazla ayrıntı için konuya bakın) Gama parametreleri belirtin. Megavoxels oluşturduğunuzda bunlar açık ya da kapalı görselleştirme bölmesi ve görselleştirme sekmesini ve Görüntüleyicisi penceresi kısayol kontrollü şeffaflık içinde görüntülenebilir.

4. Ek açıklama giriş

  1. içinde ek açıklamalar sekmesini bir ek açıklama düzeyi eklemek için Ekle düzey düğmesini kullanın. Bir düzey eklendikten sonra eklenti için etiket eklemek için bu kademede etiket ekle düğmesini kullanın. Etiketin rengini ve adı eklendi sonra ek açıklama kolaylığı için değiştirilebilir.
  2. Sonra ek açıklama ekleme, başlamak için kalem simgesi Aracı kısayol bölümünden seçin. Bu seçildiğinde bir seçenek kümesi görselleştirme bölmesinin üst kısmında görüntülenir. Bu seçenekler kalem genişliği ve voxels, supervoxels veya megavoxels açıklama eklemek için kullanılıp kullanılmayacağı denetler.
    1. Modeli eğitim amacıyla, genellikle, supervoxels ek açıklama düzeyi açılan kutusunda seçin. ve orta halli büyük kalem genişliği için kullanılmalıdır. Ek açıklamalar sekmesini etiket bilgisini sağ kutusunu işaretleyerek açıklamalı etiketi seçin. Ardından, tek bir supervoxel açıklama eklemek veya tıklatın ve birçok ek açıklama eklemek için sürükleyin için görsel öğe bölmesinde tıklatın.
      Not: Voxels ve megavoxels ek açıklama düzeyi açılan kutusunda seçilebilir ve hangi megavoxels söz konusu olduğunda, parçalara için benzer voxels fare tek bir tıklama ile binlerce etkinleştirebilirsiniz aynı şekilde açıklama eklemek için kullanılır.

5. Segmentasyon kullanarak modeli eğitim microCT veri kümesi ile gösterdi.

Not: ilk Segmentasyon birçok veri kümeleri için birden çok büyük bölgeleri birbirinden ayırt etmektir. Örneğin, sitoplazma veya dış buz ve destek yapısı hücre çekirdeği ayıran. Bu tür segmentasyon, net belirlendi sınırlar ve büyük bölgeleri, bir modeli eğitim yararlıdır. Bunu göstermek için Goosegrass, x-ışını faz kontrast tomografik veriler kullanılacaktır.

  1. Verileri yüklemek, filtre ve özellik paketi kullanarak önişlem ve uygun supervoxels ve/veya parametreler Tablo 1 ' de bir kılavuz olarak kullanarak Yukarıdaki bölümlerde açıklandığı gibi megavoxels belirlemek. Bölüm 4'te, Tablo 1 ve yönergeleri parametreleri kullanmaya devam kabaca açıklama bazı geniş alanlar veri kümesi, şekil 3 ' te gösterildiği gibi.
    Not: Veri kümesi bu noktada tamamen parçalara gerekmez.
  2. Modeli eğitim sekmesinde, predict düzey el kitabı eğitim ek açıklamalar içerir düzeyi ve tanımlayıcısı bölümü bölge Supervoxels için ayarlayın. Sonra kaynakları seçin açılan üzerinde tıklayarak özellikler kutuları ve seçim filtreleri kontrol veri bölgeleri ayırmak için kullanılacak olan tanımlayıcıları seçin (bkz. Tablo 1 ve tartışma).
  3. Sonra predict butonuna tıklayın. Hesaplama tamamlandıktan sonra Görselleştirme Bölmesi ait tahmin edilmektedir Öngörüler için tüm-in hangi ek açıklama sınıfların gösterilen sigara etiketli voxels güncelleştirilir. Genel olarak, varsayılan parametreler her Sınıflandırıcısı metodoloji için iyi bir başlangıç noktası sağlar ve kullanıcı yalnızca sınıflandırıcı arasında iyi bir uyum bulmak için geçiş yapmanız. Ancak, uzman veya deneyimli kullanıcılar için seçenekleri her Sınıflandırıcısı için kullanılabilir ve değiştirilebilir.
  4. Eğitim metodolojisi etkisini değerlendirmek ve bir seçmeden sonra ek iyileştirme arıtma bölümünde açılan İyileştir tıklayarak uygulamak. At modeli eğitim alt sekme, buna " güncelleştirme ek açıklamaları " bölümünde, görselleştirme aþaðý açýlan menü Predictio için ayarlandığından emin olunNS. Daha fazla veya daha az atamak için güven kaydırıcıyı kullanın, seçilen eklenti etiketleri için unannotated supervoxels.
    5. Güven uygun bir düzeyde seçildikten sonra
  5. görsel inceleme üzerine dayalı Kaydet etiketleri yanında güven aracı alt kısmında Öngörüler belirli etiketleri içine kaydetmek için düğmeleri kullanın. Görselleştirme Bölmesi değişiklikleri göstermek için güncellenir. Her etiketin ayrı ayrı saklanabilir ve gerçekten de, etiketleri daha küçük alt bölgelerden değerleri ve son z, y ve x kutuları giren ve her etiket için Kaydet düğmesini tıklayarak tarafından kaydedilebilir.
    6. Daha fazla bölüm 4'te açıklandığı gibi eğitim veri sağlayan adres küçük mislabeling
  6. . Uygun Öngörüler için etiketlerin eklendikten sonra arıtma ile eğitim ve daha fazla olana güvenilirliği yüksek tahminler ekleyerek modeli işlemi yineleyin supervoxels etiketsiz. Model eğitim süreci orada çalıştırmak her zaman daha atanan nedeni ile tren supervoxels etkili olmasıdır ve bu nedenle işlem yinelemeleri arttıkça daha sağlam olur.

6. Süper bölgeleri kullanarak bölümleme CryoET veri kümesi ile gösterdi.

Not: beri süper bölge segmentasyon daha küçük, discretely ilişkili alanlar için yararlı, odak burada segmentasyon organelleri ve mikrotübüller bu veri kümesi içinde olacak. Modeli eğitim hızlı bir şekilde arka plan buz ve karbon trombosit segmentlere ayırmak için kullanılan; Bu parametreler daha fazla tartışılmamış ama Tablo 1 ' de sunulmaktadır.

  1. Verileri yüklemek, filtre ve özellik paketi kullanarak önişlem ve uygun supervoxels ve/veya parametreler Tablo 1 ' de bir kılavuz olarak kullanarak Yukarıdaki bölümlerde açıklandığı gibi megavoxels belirlemek.
  2. Ekle uygun düzeyleri ve etiketleri için ek açıklama sekmesinde, bir etiket seçin ve bir orta halli kullanarak ek açıklama ekleme başlar kalem genişliği Seçili supervoxels ile. Gerek onları tek bir nesne olarak etiketleme önlemek için birbirine yakın nesneleri için farklı Etiketler seçmek için dikkatli olun.
    3. Ayrıca, ek açıklamalar kadar temizlemek için
  3. morfolojik arıtma yöntemleri (dilatasyon, erozyon, açılış, kapanış ve dolgu delikli) kullanın. Bu seçenekler ek açıklamaları sekmesinin alt kısmında bulunabilir. Onları kullanmak için segmentasyon etiket ve arıtma yöntemini seçin. Yarıçap değeri girin ve nasıl arıtma uygulanacağını seçin. İyileştir'i tıklatın.

7. Sınıflandırma ve analiz verileri doğal özellikleri, nesneleri dayalı gösterdi CryoSXT veri kümesi ile

Not: genel olarak, bölümleme sonra sonraki adım olduğunu veri analizi. Nesneleri ortalama nesne yoğunluğu, varyans, birim veya konum gibi içsel özelliklerini temel alan kuralları kullanarak bölümlenmiş nesneleri sınıflandırılması için SuRVoS içindeki etiket splitter aracını sağlar. Her yeni nesne sınıfı için bu önlemleri arasındaki ilişkileri görüntüleme için etiket istatistik aracı sağlar. Segmentasyon sonra karmaşık 3B veri analizi için güçlü yeni araçlar bunlar.

  1. Verileri yüklemek, filtre ve özellik paketi kullanarak önişlem, uygun supervoxels ve/veya megavoxels ve parametreleri Tablo 1 ' de bir kılavuz olarak kullanarak Yukarıdaki bölümlerde açıklandığı gibi segment belirlemek.
    2. Segmentasyon, görselleştirme bölmesinin ikinci sekmesini tıklatın etiket Splitter dedikten sonra
  2. . Bu pencere - kural oluşturma bölmesinin sağ tarafında yeni bir alan ekler.
  3. Bu alan üst kısmında uygun bir düzeyde ve etiket bölme için etiketleri seçin. Sonra etiketini tıklatın ve sorgu için veri kümesi seçin. Ayrı nesneler görselleştirme ve nesneleri ortalama yoğunluğu gösterilen bir arsa-ecek var olmak göstermek içinde belgili tanımlık kural oluşturma cam gibi tüm nesneleri seçili etiketlerdeki şimdi mavi özetlenen. Üst kısmında sağ tarafta açılan kutuyu mezarlığına gösterilmeden ölçü birimi değiştirmek için tıklayın.
  4. Nesneleri ilgili sınıfları bölmek başlamak için tıklatın kural oluşturma bölmesinin en altında yeni etiket ekleyin. Yeni bu etiketle ilişkilendirilmiş renk ve adı daha önce açıklandığı şekilde değiştirilebilir.
    1. Ekle yeni kural ve açılan ve serbest form giriş kutularını kullanarak uygulanacak kural tanımlayın. Görsel öğe bölmesinde yeni kural ve arsa kural oluşturma bölmesinde etkisini görmek için Uygula'yı tıklatın. Birden çok kural için tek bir etiket uygulanabilir ve birden çok etiket-ebilmek var olmak mahluk aynı veri kümesi içinde.
      Not: herhangi bir etiketsiz nesneleri toplamak için yeni bir etiket oluşturmak ve bir kural ekleme yerine, başka seçin tıklatın.
  5. İlgi nesneleri yeni etiketleri bölünmüş olan, yeni, boş bir düzey ek açıklamalar sekmesini oluşturmak. Sonra bu düzeyi kural oluşturma sekmesini seçin ve etiketleri tıklatın. Bu yeni Etiketler boş bu seviyeye kurtaracak.
  6. Etiket istatistik sekmesini Görselleştirme Bölmesi kenarında. Bu nesne sınıfları veri arasındaki ilişkileri anlamaya başlamak için kullanılan yeni bir görselleştirme bölmesi açar. Üst kısmında uygun bir düzeyde ve etiketleri ve veri kümesi sorgu için seçin.
      Bir kaç ölçü yanlarındaki kutularını denetleyerek faiz farklı
    1. seçin. O zaman etiketini tıklatın. Bu ikili karşılaştırma araziler her seçili önlemleri için üretecektir. Araziler güncelleştirmek için seçin veya uygun önlemleri seçimini kaldırın sonra güncelleştirme arsa tıklatın.

8. Veri ve Segmentations verme

  1. araziler ve ham ölçüm verileri verme arsa ve ihracat verileri, sırasıyla, görselleştirme bölmesi etiket istatistikler sekmesi tıklatılarak verme.
  2. Görüntü verileri ve segmentations eklentileri bölmesinde dışa aktar sekmesini tıklayarak vermek. Önce verilerin kaydedileceği bir klasör seçmek için tıklatın. Sonra çıktı (ham veri, ham ek açıklamalar, segmentasyon maskeleri veya maskeli veri) ve (HDF5, MRC veya TIFF) biçimi seçin. Son olarak, onay kutularını kullanma dışa aktarılacak ek açıklama düzeylerini seçin ve Ver'i tıklatın. Veri ölçekli ve gerektiği gibi dışa aktarma önce ters. Maskeli veri verilirken, mask(s) uygulanacak veri kümesi aşağı açılan menüsünü kullanarak seçilebilir.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Üç birim veri kümeleri üç farklı teknikler (microCT, cryoET ve cryoSXT) toplanan SuRVoS tezgah üç önemli özelliklerini göstermek için kullanılmıştır: Model eğitim, süper bölge segmentasyon ve etiket bölme. Veri kümelerini deneysel sonuçlar, her biri için tam işleme parametreleri (Tablo 1) sağlanan çeşitli bir grup temsil eder.

SuRVoS tezgah kullanarak modeli eğitim göstermek için nispeten yüksek karşıtlık veri kümesi ile sınırları tanımlama bölge seçildi. Bu veri kümesi Galium aparineveya goosegrass, meyve I13-2 elmas-Manchester Imaging Beamline elmas ışık kaynağı, Chilton, Oxfordshire, İngiltere'de, üzerinde X-ray faz kontrast tomografi kullanılarak toplanmıştır. Taze örnek havada bir gonyometre döndürme sahne üstünde tepe-in temel üzerine monte edilmiş, bir örnek-Dedektör mesafede olan 30 mm. pozlama 0,10 zamanlardı s ortalama enerji yaklaşık 22 olan pembe ışını spektrumu ile keV. Projeksiyonlar adım boyu 0.1 ° ile 180 ° yoluyla toplanmıştır. Tomografik rekonstrüksiyonlar gerçekleştirilen Savu kullanarak30,31 yayma tabanlı faz kontrast için Paganin filtre ile filtre uygulanmış arka projeksiyon imar ASTRA toolkit33 içinde ardından32 görüntüleri , 34. bu verileri daha sonra 2 x 2 x 2 SuRVoS tezgah giriş önce dosya boyutunu azaltmak için binning küçültüleceğini.

İlk olarak, giriş veri (şekil 3A) filtre ve (alt ve üst yoğunluk değerleri içinde verileri kaldırmak için) klempe (şekil 3B). Bu şekilde, arka plan ve ön plan daha kolay ayırt yapılmış ve meyve iç yapısını dokusuna vurgulandı. Daha sonra supervoxels filtre uygulanmış veri kümesi (şekil 3 c) üstüne inşa edildi. Supervoxels kalitesini değerlendirmek için onlar ilgili ayrıntıları DataSet de supervoxels (şekil 3D) tarafından temsil edildi doğrulamak için veri olmadan sergilendi. Sonraki, el ile ek açıklamaları supervoxels kullanma (şekil 3E, koyu renkler) hacminin üç dilim üzerinde eğitim veri olarak verilmiştir. Bu eğitim verileri arka plan (yeşil), meyve kıl (kırmızı), tohum malzeme (mor), karşılık gelen alanları (ışık renkleri) tahmin etmek için Sınıflandırıcısı tren için yeterli ve eti (mavi) çevreleyen. Morfolojik ayrıntılandırmaları, büyüyen veya gerekli (3F rakamolarak) daralma dolum delik, segmentations kadar temizlemek için kullanılmıştır. Uygun parametreleri belirlemek ve bu veri kümesi bölümlere ayırmak için harcanan toplam süre 2 h yapıldı.

Süper bölge segmentasyon SuRVoS tezgah kullanarak göstermek için bir gürültülü ve karmaşık veri kümesi15seçildi. Bu veri kümesi için makromoleküllerin düşsel Baylor tıp Koleji, Houston, TX ABD Ulusal Merkezi'nde cryoET kullanılarak toplanmıştır. Kısaca, trombosit taburcu kızdırma donmuş Dalma ve indirgeme tedavi altın delikli karbon TEM Izgaralar... Tilt serisi ±65 ° 2° artış ile toplanmıştır. Tilt serisi sonra ağırlıklı arka projeksiyon but35kullanarak yeniden.

Veri SuRVoS (şekil 4A) yükleme sonra ilgi bir bölge seçildi ve uygun filtre kümesi uygulandı. Bu durumda, bir toplam değişim filtre tarafından klempe kontrast ile takip düzeltme Gauss filtre kenarları ve dokular (şekil 4B) verilerin vurgulamak için kullanılmıştır. Daha sonra modeli eğitim en az supervoxel tabanlı kullanıcı girişi ile trombosit arka plan buz ve karbon kesimi için kullanıldı. O zaman, megavoxels ve supervoxels ile yarı manuel segmentasyon organelleri segmentlere ayırmak için kullanıldı. Son olarak, supervoxel source parametresi için zayıf bir denoising filtre değiştirildi ve supervoxel şekli daha iyi bölümleme (şekil 4 c) için mikrotübüller sınırları korumak için daha küçük (bakınız Tablo 1) yapıldı. Organelleri ve mikrotübüller için hızlı el ile ek açıklamaları kullanıldı faiz özelliği tarif supervoxels seçmek için her 5-10 dilim (şekil 4 d & 4E). Uygun parametreleri belirlemek ve bölge sunulan ilgi segmentlere ayırmak için harcanan toplam süre 6 h yapıldı.

SuRVoS tezgah kullanarak etiket bölme göstermek için pek çok, çeşitli organelleri içeren bir veri kümesi seçildi. Bu veri kümesi üzerinde beamline B24 elmas ışık kaynağı, Chilton, Oxfordshire, İngiltere'de36, cryoSXT kullanılarak toplanmıştır. Kısaca, HEK293 hücreleri altın Bulucu Izgaralar üzerinde yetiştirilmiştir, uygun ölçekli altın fiducials eklenen ve ızgara Dalma geri taraflı kurutma ile bir EM kullanarak dondurulmuş oldu. Tilt serisi sonra bir mikroskobunun ±65 ° 0.5° artış ile toplanmıştır. Tilt serisi sonra ağırlıklı arka projeksiyon but35kullanarak yeniden.

Veri SuRVoS (şekil 5A) yükleme sonra bir uygun toplam değişim filtre kullanılan birim (şekil 5B) boyunca organelleri sınırlarını geliştirmek ve bir bölge ilgi seçilmiştir. Ardından, megavoxels ve supervoxels kullanarak parçalara ve dolgu delik, kapanış ve dilatasyon (şekil 5C) kenarları düzgünleştirmek için rafine yarı manually organelleri idi. Uygun parametreleri belirlemek ve bölge sunulan ilgi segmentlere ayırmak için toplam 4 h zamandı. Bir kez ayrılmasını sonlandırılmış oldu, etiket Splitter nesne (şekil 5 d) veri kümesi ve veri Arsa (şekil 5E) her nesne hakkında çeşitli özellikleri olarak her organel görselleştirmek için kullanıldı. Etiket Splitter, görselleştirme ve veri arsa içinde yeni etiket sınıflarla ilişkilendirilmiş renk güncelleştirme etkileşimli bir arabirimdir. Bu doğal nesneleri yararlı sınıfları (şekil 5F) ayırmak için kullanılan veri özelliklerine dayanarak çeşitli kurallar oluşturulması için izin verir.

figure-results-1
Şekil 1. SuRVoS tezgah genel özellikleri ve düzeni.
Görselleştirme Bölmesi sağ tarafta ise sol tarafta, GUI arabirimidir. Bu iki alana araçları ve kısayolları bir sütuna göre ayrılır. GUI supervoxel ve/veya megavoxel parametreleri, veri segmentlere seçerek kullanıcı verileri, ön işleme içinde ana adımları boyunca yürümek için düzenlenmiş ve gerekirse segmentations dışa aktarma önce modeli eğitim kullanarak. Görselleştirme Bölmesi üç mod kullanılabilir: temel görselleştirme ve bölümleme verileri görüntülemek içinve herhangi bir filtre uygulandı ve verilerini segment splitter içine yeni Etiketler yönleri için veri doğasında temel nesneleri kategorilere ayırmak etiket ve son olarak ölçmek ve bölümlenmiş nesneleri özelliklerini görmenize olanak istatistik etiket. Beher-in bu modları, üst açılır menüde hangi veriler gösterilir köşe kontrolleri sol ve üst kaydırıcıyı z ekseni denetler. Aracı kısayolları sağlar kolay erişim denetimini ele kontrast, yakınlaştırma, kaydırma ve "ev" dönen katmanları, saydamlığını görselleştirme bölmesi ve açılış Araçlar iletişim kuralı'nda açıklandığı gibi ek açıklama için. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

figure-results-2
Şekil 2. Süper bölge hiyerarşi görüntü segmentasyonu karmaşıklığını azaltır.
Berkeley segmentasyon Dataset (BSDS50037) bir görüntü özellikleri ve süper bölgeleri etkilerini göstermek için kullanıldı. Orijinal resim (sol) voxels, o zaman bir kaç yüz supervoxels (ortada) oluşturmak için bitişik, benzer gruplar halinde toplanan binlerce oluşur. Supervoxels megavoxels (sağda) birkaç onlarca oluşturmak için bitişik, benzer gruplar halinde elde edilebilir. Her gruplandırma ile segmentasyon görev karmaşıklığı için Hesaplamalı ve el ile kaynakları azalır. Önemlisi, 2D bir örnek burada gösterilir, ancak, supervoxels ve megavoxels 3D. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

figure-results-3
Şekil 3. Bir microCT bir modeli eğitim bölümleme stratejisi kullanarak veri kümesi işleme.
A. ham veri tek bir 2D dilim. B. meyve vücut çeşitli yönleri arasındaki sınırların ham verilere klempe toplam değişim filtre uygulama geliştirilmiş. C. uygun supervoxel parametreleri seçilmiştir. Ö. ilgi ( Colarak kırmızı bir kutu) bir bölge verileri sınırlarını supervoxels kendilerini mevcut olduğunu göstermek için gösterilir. Birimin E. üç dilim çeşitli alanları veri kümesi el ile ek açıklamalar ile koyu renk (yeşil, kırmızı, mavi ve mor) görüntülenen ve Öngörüler modeli eğitim çalıştırdıktan sonra aynı hafif renklerde görüntülenir. F. aynı üç dilim modeli eğitim tahminler kabul edildikten sonra nihai ayrılmasını ile. Ölçek barlar vardır 1 mm. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

figure-results-4
Şekil 4. Bir cryoET bir süper bölge bölümleme stratejisi kullanarak veri kümesi işleme.
A. ham veri tek bir 2D dilim. D. ilgi ( akırmızı bir kutu) organelleri sınırlarını vurgulamak için uygulanan bir katmanlı filtre kümesi ile bir bölgesi. C. örnek bir organel süper bölgeleri kullanarak ek açıklama ekleme. Bir tek organel siyah (solda) görüntülenen el ile kullanıcı ek açıklama ile overlaid supervoxels ve mavi (sağda) gösterilen bu ek açıklama ile seçilen supervoxels ile gösterilir. Ö. örnek bir Mikrotubul süper bölgeleri kullanarak ek açıklama ekleme. Mikrotubul tek bir bölgeye, siyah (solda) ve yeşil (sağda) gösterilen bu ek açıklama ile seçilen supervoxels görüntülenen el ile kullanıcı ek açıklama ile gösterilir. E. son ayrılmasını modeli (Ayrıntılar için bkz. Tablo 1), eğitim ve çeşitli organelleri ve süper bölge bölümleme stratejisi kullanarak parçalara mikrotübüller kullanarak arka plandan parçalara trombosit featuring. Burada sınıflandırma daha önce gösterildiği gibi renkler belirli organel türleri anlamına gelmez. Ölçek barlarda A, B ve E 1 mikron ve içinde C ve D vardır 0.5 mikron. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

figure-results-5
Şekil 5. Bir cryoSXT etiket Splitter aracını kullanarak veri kümesi analizi.
A. ham veri tek bir 2D dilim. D. ilgi (a kırmızı bir kutu) toplam değişim filtresi organelleri vurgulamak için uygulanmış bir bölgesi. C. overlaid supervoxels ile son segmentasyon. Ö. Fiçinde görüntülenen kurallar kullanarak gizli organelleri etiket dallandırıcıyla görselleştirme bölümü. E. arsa bölümüne uygulanan F içinde görüntülenen kurallar ile ortalama yoğunluğu her nesnenin içinde görüntüleme etiket splitter. Her dik doğrunun x ekseni boyunca tek bir nesneyi temsil eder ve için atanmış olan sınıf eşleştirmek için renk kodlu. F. doğal özelliklerine göre çeşitli nesneleri ayırmak için örnek sınıflandırma kuralları. Ölçek barlar 1 mikron vardır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Adı / veri kümesiKaynakP1P2P3P4
Gauss filtreSigma
Aralığı / varsayılan-[0.5, 10] / 1
(G1) cryoETHam veri1
(G2) cryoETHam veri2
Toplam değişimLambdaAralığı# IterKelepçe
Aralığı / varsayılan-[0,1, 30] / 10[0,1, 10] / 1[50, 500] / 100-
(TV1) microCTHam veri101100(1,-)
(TV2) cryoETG171200-
(TV3) cryoETG2101100-
(TV4) cryoSXRHam veri71100-
EşikVminVMax
Aralığı / varsayılan
(TH1) cryoET TV3 0 - Gauss merkezleme Sigma Aralığı / varsayılan - [0.5, 10] / 2 (GC1) microCT TV1 2 Gauss normalleştirme Sigma Aralığı / varsayılan - [0.5, 10] / 2 (GN1) microCT TV1 2 Gauss Laplasyen'in Sigma Harman Yanıt Aralığı / varsayılan - [0.5, 10] / 2 [Evet/Hayır] / Hayır [Bright/koyu] / parlak (LG1) microCT TV1 2 Hayır Parlak Gaussians farkı Sigma Init Sigma oranı Aralığı / varsayılan - [0.5, 10] / 2 [1.1, 3] / 1,6 (DG1) microCT TV1 2 1.6 (DG2) cryoET TV3 2 1.6 Det. yapısı tansör Sigma1 Sigma alan Aralığı / varsayılan - [0.5, 10] / 2 [0.5, 10] / 2 (ST1) cryoET TV3 2 2 Supervoxels Şekil Aralığı Anlatım Aralığı / varsayılan - [1, 10] / 10 [0,1, 5] / 1 [1, 200] / 20 (SV1) microCT TV1 (10, 10, 10) (1, 1, 1) 30 (SV2) cryoET TV3 (10, 10, 10) (1, 1, 1) 50 (SV3) cryoET TV2 (3, 5, 5) (1, 1, 1) 50 (SV4) cryoSXT TV4 (10, 10, 10) (1, 1, 1) 30 Megavoxels Lambda # Depo gözleri Gama Aralığı / varsayılan - [0,01, 1] / 0.1 [10, 200] / 20 Hiçbiri, otomatik veya [0, 1] / yok (MV1) cryoET SV2 0,1 50 Otomatik TV1 (MV2) cryoSXT SV4 0,4 50 Hiçbiri TV4 Modeli eğitim Bölge Sınıflandırıcısı Arıtma Kullanılabilir / varsayılan [Voksel / supervoxel] [Topluluklar, SVM, Online doğrusal modeller] / [Hiçbiri, Potts, görünüm] / görünüm Ensemble - RF microCT TV3 SV1 Rasgele orman: Görünüm TH1 GC1 -# Ağaç: -Lambda: GN1 [10, 100] / 100 [1, 500] / 10 LG1 100 50 DG1 cryoET TV2 DG2 ST1 SV2 Rasgele orman: Görünüm -# Ağaç: -Lambda: [10, 100] / 100 [1, 500] / 10 100 50 Ek açıklama arıtma RADIUS Aralığı / varsayılan [1, 20] / 1 microCT Açılış 5 Dolgu-delik 1 Dilatasyon 2 cryoET Açılış 3 Dolgu-delik 1 Dilatasyon 2 cryoSXT Açılış 3 Dolgu-delik 1 Dilatasyon 2

Tablo 1. En iyi duruma getirilmiş her üç veri kümeleri (microCT, cryoET ve cryoSXT) işlemek için kullanılan parametreler.>
Her parametre için bir genel amaçlı aralığını ve varsayılan verilir. Birçok durumda, süzülmüş veri kaynağı olarak aşağı akım işleme için kullanılır. Bu gibi durumlarda, bir kısaltma yeni kaynak veri kümesi belirtmek için kullanılır. Örneğin, G1 (Gauss süzülmüş cryoET ham veri) giriş olarak toplam değişim filtre sırasında TV2 oluşturmak için kullanılan. Bilgiler yalnızca her veri kümesi işlemek için kullanılan tezgah yönleri için sunulur. Örneğin, Model eğitim burada sunulan cryoSXT veri kümesi işleme sırasında kullanılan değildi, bu nedenle herhangi bir parametre bunun için verilir.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

SuRVoS tezgah parametrelerinin optimizasyonu gerçek ayrılmasını başlamadan önce gerekli ve önemli bir adım olduğunu diğer bölümleme programlarından farklıdır. Bazı el ile veya yarı manuel segmentasyon programlarda, kullanıcı yeni bir proje açma birkaç dakika içinde segmentlere başlar. SuRVoS ile çünkü büyük miktarda ses çok az kullanıcı girişi ile bölümlenmiş ve sınırları program tarafından belirlenen parametrelerini optimize başarılı bir bölümleme için önemlidir. Özellikle, özellik kanalları ve süper bölge bina nerede dikkat edilmeli iki alanlardır.

Özellik kanalları ve modeli eğitim

Ham veriler ek olarak, SuRVoS ek veri kümelerini veya varolan bir dataset nesnesinden türetilen kanalları oluşturmak kullanıcının. Bu kanallar hesaplama yöntemleri veya özellik sökücüler kullanılarak oluşturulabilir. Her biri veri temsilcilikleri paralel olarak kullanılabilir ve tek tek özellik veya filtre uygulama sonuçlarını değerlendirmek için görüntülenebilir. Bu özellikleri nedeniyle, onlar için SuRVoS kanallarında özelliği olarak adlandırılır. SuRVoS içinde sağlanan birçok özelliği kanal seçenekleri vardır. Burada kullanılan parametreleri ve seçenekleri hakkında bilgi için bkz: https://diamondlightsource.github.io/SuRVoS/ 2ziyaret Tablo 1, tam listesi ve açıklamaları kullanılabilir özellik kanal için. İlk, gürültülü veri kümeleri yarar Gauss veya toplam ile denoising varyasyon filtre. Bu tavsiye edilir daha fazla özelliği kanal ve supervoxel/megavoxel hesaplamaları gerçekleştirilen bu denoised veri kümeleri veri kaynağı olarak kullanarak. Genel olarak, toplam değişim denoised veri kümesi özelliği kanal ve supervoxel/megavoxel hesaplamaları için kaynak veri olarak kullanılır. Bu varsayılan değerlerle çalıştırın, sonuç 3D değerlendirmek ve son olarak, yinelenen veri kümesi parametrelerini optimize etmek için önerilmektedir. Ayrıca, kanalları içine "filtre ayarlar" için özel olarak inşa edilebilir özelliği veri kümesi ve bu can yönlerini izole sonra supervoxels ve megavoxels oluşturmak için veri kaynağı olarak kullanılabilir. Bu strateji oldukça veri kümesi bağımlı olmakla birlikte, yararlı olabilir.

Özelliği kanalları sınıflandırıcı içinde modeli eğitim eğitmek için kaynak olarak da kullanılır. Hangi özellik kanalları kullanmak için bu birkaç sağlam özelliği kanal (örneğin, blob algılama, doku ve yapısı veya güçlü özellikler Kategoriler) ek açıklamaları küçük bir miktar ile çalışırken eğitmek için kullanılmasını tavsiye edilir karar verirken Sınıflandırıcısı. Büyük miktarda eğitim veri ile çalışırken, onlar Sınıflandırıcısı çeşitli bilgileri sürece daha fazla özellik Kanal genel kategorilerin hiçbirine kullanmak için tavsiye edilir (örneğin, Yukarıdaki liste özelliği kanalları yerel Ekle özellikleri ve Gauss özellikler Kategoriler).

Eğitim modeli için üç ana bölümü vardır: verileri tanımlayan giriş veri kaynakları sağlayarak, bir Sınıflandırıcısı eğitmek için bu girişleri kullanarak ve sonunda rafineri çıkış Öngörüler. Genel olarak, daha küçük veri bölgelerinde daha büyük veri bölgelerinde daha az kullanıcı ek açıklamaları gerektirirken Sınıflandırıcısı, doğru bir şekilde eğitmek için daha fazla kullanıcı ek açıklamaları gerektirir. Modeli eğitim ilk bir arıtma seçmeden en iyi tahminler bulmak için kullanılabilir. O zaman arıtma içerir ve lambda parametre tahminlerle delik veya pürüzlü kenarları gibi sorunları düzeltmek için gerekli en iyi şekilde.

Supervoxels ve megavoxels

Supervoxels olan küme birden çok yakın, benzer voxels38,39. Supervoxels sonra yinelenen temel sınırları uymak için deforme veriler üzerinde overlaid bir standart 3D kılavuz olarak başlar ve böylece daha iyi verileri temsil eder. Supervoxel oluşturma ve deformasyon dört kullanıcı girişi tarafından denetlenebilir: veri kaynağı, superpixel şekli, Aralık ve anlatım. Veri kaynağı supervoxel oluşturma sırasında sorgulanan veri girişleri sağlar. Herhangi bir kaynak filtre uygulanmış veri kaynakları da dahil olmak üzere kullanılabilir. Superpixel şekil parametrelerini başlangıç 3D kılavuz ve elde edilen supervoxels yaklaşık istenen şeklini belirler. Bu parametreleri değiştirme artırın veya deformasyon önce supervoxels boyutunu azaltın. Aralığı parametrelerini sınırları önemini her yönde tanımlayın. Bu parametreleri değiştirme sınırları içinde bir vurgulamak veya iki yönde diğer (s), elde edilen supervoxels anlam pahasına daha iyi veri sınırları içinde verilen direction(s) takip deforme. Son parametre, anlatım, ne kadar supervoxels deforme kontrol eder. Çok düşük anlatım sayıda daha fazla deforme supervoxels olanak tanır. Bu parametreler veri ilgi sınırlarını temsil supervoxels sağlamak için optimize edilmelidir. Not: Şu anda, 1024 supervoxel şekil parametreleri eşit olmalıdır veya daha az zaman birlikte çarpılır.

Bir bakıma supervoxel parametreleri birbirimiz için "doğru cevabı" hiç kimse olduğu anlamına gelir telafi edebilirsiniz parametreleri üzerinde karar verirken. Örneğin, büyük bir başlangıç kılavuzu (örneğin superpixel şekli: 10 x 10 x 10) ve düşük anlatım numarası (örneğin 20) supervoxels benzer sınır bağlılık ile karşılaştırıldığında küçük bir başlangıç kılavuzu (örneğin superpixel Şekil 5 x 5 x 5) ve daha yüksek bir ile verebilir kompaktlık numarası (örneğin 50). İkinci senaryoda, daha küçük supervoxels olduğu için daha fazla, sınırları temsil edecek kadar deforme gerekmez. Her iki parametre kümesi DataSet bölümleme için uygun olabilir.

Supervoxel parametreleri seçerken en büyük dikkate ne kadar iyi supervoxels verileri göstermek olur. Supervoxels tek başına olduğu gibi şekil 2B, altlarında, veriler olmadan görüntüleme supervoxel parametrelerini değerlendirmek için iyi bir yoldur. Bu şekilde görüntülendiğinde, kenarları ve verilerde bulunan şekillerin anahatları hala supervoxels içinde görünür olmalıdır.

Megavoxels birden fazla komşu, benzer supervoxels38,39nin ikinci büyük şirketler vardır. Bunlar yine dört kullanıcı girişi tarafından kontrol edilir: veri kaynağı, lambda, numbins ve gama. Supervoxels gibi veri kaynağı megavoxel oluşturma sırasında sorgulanan veri girişleri sağlar. Lambda ve numbins megavoxels boyut ve sınır yapışma etkisi. Megavoxels daha büyük (yüksek lambda, düşük numbins) büyüdükçe, onların sınır bağlılık azalır. Tersi de doğrudur, sınır bağlılık ile artacak küçük megavoxels (düşük Lamda, yüksek numbins), ancak megavoxel boyutu azalır, bu yüzden yok voxels büyük miktarda hızla segmentlere yılında kullanışlılığı. İsteğe bağlı gama parametre pürüzsüzlük faktör iki supervoxels birleşmeye maliyeti karşı denetler. Gama küçük değerler daha az megavoxels genel olması pahasına iki supervoxels arasındaki benzerliği geliştirebilirsiniz.

Supervoxels gibi ile ne kadar iyi megavoxels verileri göstermek ne zaman seçme ve megavoxel parametreler optimize etmek en büyük unsurlardan biridir. Megavoxels supervoxels için açıklandığı gibi yalnız görüntüleme yeniden parametreler değerlendirmek için kullanılabilir. Megavoxels genellikle çok daha büyük olacaktır ve üç boyutlu oldukları için ancak, ek açıklama araçları t kullanımıo seçim bölgeleri ilgi arasındaki sınır sıkı olduğundan emin olmak için tek megavoxels da tavsiye edilir.

Ek açıklama stratejisi

İki genel ek açıklama stratejileri tarif edilmiştir: bir modeli eğitim bir süper bölge segmentasyon yaklaşım bireysel organelleri gibi daha küçük, daha farklı özellikler için yararlı iken bir veri kümesi, büyük bölgeleri ayırmak için yararlı bir yaklaşımdır. Böylece büyük bölgeleri ilk açıklama eklemek, daha sonra onları bir üst-altöge ilişkisi kullanarak daha belirli bölgelere bölmek olası ek açıklamaları hiyerarşik bir şekilde organize edilebilir. Üst etiket için bir etiket etiket renk seçimi sağındaki alanda tıklatıp uygun üst etiket önceki düzeyden seçerek atanabilir. Uygulamada, çoğu veri kümeleri belirli bölgeler/özellikleri ilgi segmentlere ayırmak için modeli eğitim ve süper bölge segmentasyon stratejileri kullanın.

Modeli eğitim içinde burada örnek, verileri üç eşit aralıklı dilim birkaç eğitim girişleri (el ile kullanıcı supervoxel tabanlı ek açıklamalar şeklinde) kullanılmıştır. Bu şekilde, SuRVoS modeli eğitim yönünü büyük ölçüde çalışma ile büyük, özellikle farklı zaman vurgulanmış olarak goosegrass olgun vücuttaki bölgeleri arasındaki gibi bölgelerde segmentasyon mümkün olduğu hızını artırır Şekil 3.

Ne zaman model eğitim, Öngörüler görülemez, bu görselleştirme sekmesine gidin ve Öngörüler katmanı açık olduğundan emin olmak gerekli ve şeffaflık uygun bir miktar için ayarlamış olabilir. Ayrıca, bir güven 0 etiketlenmemiş her supervoxel ne olursa olsun en yakın eşleşme sonucunu bağlı olarak bir etiket atayın. Eğer sadece bir kategori etiketi herhangi bir orantılı eşleşmesini içeren 100 güven sadece bir etiket atar. Bir tradeoff bu iki uç değerin arasında bir şey. Bir güven düzeyi seçerken bu tahmini bir plak şirketi ile kaydetme önce hiçbir yanlış tahmin edilen voxels vardır görsel olarak incelemek için birkaç dilim kontrol etmek için önerilmektedir.

Süper bölgeleri kullanarak ek açıklama ekleme için iyi bir strateji büyütme aracı veriler üzerinde yaklaş, önce bir "hızlı, dağınık" yaklaşım kullanarak aynı anda tek bir dilim, (şekil 4 c) üzerinde bir kaç organelleri açıklama eklemek için kullanmaktır. Ardından, birkaç dilim Z içinde aşağı veya yukarı taşımak ve bu işlemi yineleyin. Supervoxels üç boyutlu olduğu için birçok "Arama bültenine pasaklı" yaklaşım fayların yukarıda veya aşağıda dilimleri yapılan ek açıklamalar ile sabitlenir. Bu şekilde, segmentasyon hızlandırdı ve sınırları supervoxels tarafından yerine el ile sağlanmaktadır.

Bir etiket kadar temizlemek için standart segmentasyon arıtma seçenekler sağlanmıştır. Dilatasyon tarafından verilen civarında büyümek seçili segmentasyon etiket neden olur, erozyon daraltmak neden olur. Açılış ve kapanış sırasıyla ilk erozyon ve sonra dilatasyon veya tersi, uygulama vardır. Ve dolgu delik tam olarak bunu yapar. Bu işlem sırası önemli. Genellikle, zaman açılış sonra genişleme işleri de dolgu delik, sahne. Her arıtma yöntemi tek bir dilim ("Bu dilim"), tüm dilimler ("Tüm dilimler (2D)") 2D veya 3D ("tüm cilt (3D)") üzerinde uygulanabilir. Tüm dilimler (2D) tavsiye edilir.

Önemi ve gelecekteki yol tarifi

Etkili ve doğru segmentasyon 3D, veri işleme görüntü veri terabayt rutin otomatik koleksiyonu uzun vadede oturumları sırasında özellikle ile sonraki sıkışıklık var. SuRVoS Workbench 5 el ile bölümleme ile karşılaştırıldığında bir faktörle segment oluşturma işlemini hızlandırabilirsiniz. Sınırları supervoxels tarafından belirlenen çünkü Ayrıca, sonuç segmentations değişkenliği geliştirmek gerekir. Gelecekte, biz bir temsilcisi 3D bölgesi ilgi ayrılmasını birim veya bile ayrı bir birim, dinlenmek için yüksek güven ile uygulamak için eğitim verileri kullanmanın yollarını keşfetmek umuyoruz. Bu önceden daha fazla kullanıcı süresi ve görüntü işleme ve segmentasyon darboğaz hafifletmeye yardımcı kesimi bile karmaşık biyolojik birimlerine gerekli giriş miktarı azalır. Bu, sırayla, deneysel sağlam numaralarıyla çeşitli devletler (örneğin sigara-hastalığı, hastalık, tedavi) biyolojik veri nicel karşılaştırma izin verir.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar onlar rakip hiçbir mali çıkarları var bildirin.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Biz kabul ve Rui Wang ve Wah Chiu Baylor cryoET veri kümesi sağlamak için Tıp Fakültesi üzerinden ve Andrew Bodey elmas ışık kaynağından gelen I13 beamtime ile yardım için teşekkür ederiz istiyorum. Bu araştırma bölümlerini Imanol Luengo doktora STU0079 altında ortaklaşa finansmanı için ulusal kurumları Sağlık (NIH) grant No (elmas ışık kaynağı kabul P41GM103832) tarafından desteklenmiştir.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
bilgisayaryokLinux işletim sistemi çalıştırmalı ve en az 4 GB belleğe sahip bir NVidia GPU'ya sahip olmalıdır

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

SuRVoS WorkbenchVolume SegmentationSuper VoxelsModel TrainingLabel SplittingCryo Electron TomographyPhase Contrast X ray TomographyCryo Soft X ray TomographySuper Region SegmentationSemi automatic Segmentation

Related Articles