Name: Birim segmentasyon ve SuRVoS (süper bölge birim segmentasyon) tezgah kullanarak biyolojik malzemelerin analizi (Video) | JoVE Journal
Uploaded: 2017-08-23T15:00:00.000+00:00
Duration: 11 min 38 s
Description: Öğrenin, SuRVoS tezgahı kullanarak biyolojik hacimsel veri setlerini yarı otomatik segmentasyon yöntemiyle nasıl analiz edeceğinizi. Bu teknik, yapısal biyolojide kalitatif ve kantitatif analiz yapmanızı sağlar.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

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.

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 <ol><li>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.</li>
</ol> 2. Önişleme ve veri gösterimi giriş <ol><li>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.</li>
	<li>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.
	<ol><li>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.</li>
	</ol></li></ol> 3. Uygun süper bölgeleri üreten <ol><li>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.</li>
	<li>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.</li>
</ol> 4. Ek açıklama giriş <ol><li>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.</li>
	<li>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.
	<ol><li>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.</li>
	</ol></li></ol> 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.
<ol><li>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.</li>
	<li>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).</li>
	<li>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.</li>
	<li>Eğitim metodolojisi etkisini değerlendirmek ve bir seçmeden sonra ek iyileştirme arıtma bölümünde açılan İyileştir tıklayarak uygulamak. At modeli eğitim alt sekme, buna &#34; güncelleştirme ek açıklamaları &#34; 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.</li>
	Güven uygun bir düzeyde seçildikten sonra <li>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.</li>
	Daha fazla bölüm 4'te açıklandığı gibi eğitim veri sağlayan adres küçük mislabeling <li>. 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.</li>
</ol> 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.
<ol><li>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.</li>
	<li>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.</li>
	Ayrıca, ek açıklamalar kadar temizlemek için <li>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.</li>
</ol> 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.
<ol><li>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.</li>
	Segmentasyon, görselleştirme bölmesinin ikinci sekmesini tıklatın etiket Splitter dedikten sonra <li>. Bu pencere - kural oluşturma bölmesinin sağ tarafında yeni bir alan ekler.</li>
	<li>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.</li>
	<li>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.
	<ol><li>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.</li>
	</ol></li> <li>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.</li>
	<li>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.
	<ol>Bir kaç ölçü yanlarındaki kutularını denetleyerek faiz farklı <li>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.</li>
	</ol></li></ol> 8. Veri ve Segmentations verme <ol><li>araziler ve ham ölçüm verileri verme arsa ve ihracat verileri, sırasıyla, görselleştirme bölmesi etiket istatistikler sekmesi tıklatılarak verme.</li>
	<li>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.</li>
</ol>

<ol><li>DiamondLightSource/SuRVoS: Version 1.0. Zenodo. , Available from:
 <a target="_blank" href="https://zenodo.org/record/247547">https://zenodo.org/record/247547</a> (2017).</li>
<li>SuRVoS Workbench - Super Region Volume Segmentation. , Available from:
 <a target="_blank" href="https://diamondlightsource.github.io/SuRVoS/">https://diamondlightsource.github.io/SuRVoS/</a> (2017).</li>
<li>Frangakis, A. S., Förster, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computational+exploration+of+structural+information+from+cryo-electron+tomograms%5BTitle%5D)+AND+%22Curr+Opin+Struct+Biol%22%5BJournal%5D)">Computational exploration of structural information from cryo-electron tomograms.</a> Curr Opin Struct Biol. 14 (3), 325-331 (2004).</li>
<li>Lucić, V., Förster, F., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+studies+by+electron+tomography%3A+from+cells+to+molecules%5BTitle%5D)+AND+%22Annu+Rev+Biochem%22%5BJournal%5D)">Structural studies by electron tomography: from cells to molecules.</a> Annu Rev Biochem. 74, 833-865 (2005).</li>
<li>Lučič, V., Rigort, A., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-electron+tomography%3A+the+challenge+of+doing+structural+biology+in+situ%5BTitle%5D)+AND+%22J+Cell+Biol%22%5BJournal%5D)">Cryo-electron tomography: the challenge of doing structural biology in situ.</a> J Cell Biol. 202 (3), 407-419 (2013).</li>
<li>Milani, M., Drobne, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Focused+ion+beam+manipulation+and+ultramicroscopy+of+unprepared+cells%5BTitle%5D)+AND+%22Scanning%22%5BJournal%5D)">Focused ion beam manipulation and ultramicroscopy of unprepared cells.</a> Scanning. 28 (3), 148-154 (2006).</li>
<li>Denk, W., Horstmann, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Serial+Block-Face+Scanning+Electron+Microscopy+to+Reconstruct+Three-Dimensional+Tissue+Nanostructure%5BTitle%5D)+AND+%22PLoS+Biol%22%5BJournal%5D)">Serial Block-Face Scanning Electron Microscopy to Reconstruct Three-Dimensional Tissue Nanostructure.</a> PLoS Biol. 2 (11), (2004).</li>
<li>Rigort, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+segmentation+of+electron+tomograms+for+a+quantitative+description+of+actin+filament+networks%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automated segmentation of electron tomograms for a quantitative description of actin filament networks.</a> J Struct Biol. 177 (1), 135-144 (2012).</li>
<li>Förster, F., Han, B. -G., Beck, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+Proteomics%5BTitle%5D)+AND+%22Meth+Enzymolb%22%5BJournal%5D)">Visual Proteomics.</a> Meth Enzymolb. 483, 215-243 (2010).</li>
<li>Liu, Y., Sigworth, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+cryo-EM+particle+selection+for+membrane+proteins+in+spherical+liposomes%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automatic cryo-EM particle selection for membrane proteins in spherical liposomes.</a> J Struct Biol. 185 (3), 295-302 (2014).</li>
<li>Asano, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+molecular+census+of+26S+proteasomes+in+intact+neurons%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">A molecular census of 26S proteasomes in intact neurons.</a> Science. 347 (6220), 439-442 (2015).</li>
<li>Garduño, E., Wong-Barnum, M., Volkmann, N., Ellisman, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+electron+tomographic+data+sets+using+fuzzy+set+theory+principles%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Segmentation of electron tomographic data sets using fuzzy set theory principles.</a> J Struct Biol. 162 (3), 368-379 (2008).</li>
<li>Sommer, C., Straehle, C., Köthe, U., Hamprecht, F. A. <a target="_blank" href="http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.394.8442&rep=rep1&type=pdf">Ilastik: Interactive learning and segmentation toolkit.</a> 2011 IEEE Int Symp Biomed Imaging: From Nano to Macro. , 230-233 (2011).</li>
<li>Darrow, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+Mechanisms+of+Mutant+Huntingtin+Aggregation+Suppression+by+the+Synthetic+Chaperonin-like+CCT5+Complex+Explained+by+Cryoelectron+Tomography%5BTitle%5D)+AND+%22J+Biol+Chem%22%5BJournal%5D)">Structural Mechanisms of Mutant Huntingtin Aggregation Suppression by the Synthetic Chaperonin-like CCT5 Complex Explained by Cryoelectron Tomography.</a> J Biol Chem. 290 (28), 17451-17461 (2015).</li>
<li>Wang, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electron+cryotomography+reveals+ultrastructure+alterations+in+platelets+from+patients+with+ovarian+cancer%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+USA%22%5BJournal%5D)">Electron cryotomography reveals ultrastructure alterations in platelets from patients with ovarian cancer.</a> Proc Natl Acad Sci USA. 112 (46), 14266-14271 (2015).</li>
<li>Shahmoradian, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TRiC%27s+tricks+inhibit+huntingtin+aggregation%5BTitle%5D)+AND+%22eLife%22%5BJournal%5D)">TRiC's tricks inhibit huntingtin aggregation.</a> eLife. 2, (2013).</li>
<li>Dai, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visualizing+virus+assembly+intermediates+inside+marine+cyanobacteria%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Visualizing virus assembly intermediates inside marine cyanobacteria.</a> Nature. 502 (7473), 707-710 (2013).</li>
<li>Sandberg, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Methods+for+Image+Segmentation+in+Cellular+Tomography%5BTitle%5D)+AND+%22Methods+Cell+Biol%22%5BJournal%5D)">Methods for Image Segmentation in Cellular Tomography.</a> Methods Cell Biol. 79, 769-798 (2007).</li>
<li>Volkmann, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Methods+for+Segmentation+and+Interpretation+of+Electron+Tomographic+Reconstructions%5BTitle%5D)+AND+%22Methods+Enzymol%22%5BJournal%5D)">Methods for Segmentation and Interpretation of Electron Tomographic Reconstructions.</a> Methods Enzymol. 483, 31-46 (2010).</li>
<li>Tsai, W. -T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((From+Voxels+to+Knowledge%3A+A+Practical+Guide+to+the+Segmentation+of+Complex+Electron+Microscopy+3D-Data%5BTitle%5D)+AND+%22J+Vis+Exp%22%5BJournal%5D)">From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data.</a> J Vis Exp. (90), (2014).</li>
<li>FEI. Amira & Avizo 3D: Software for Scientific and Industrial Data. , Available from:
 <a target="_blank" href="https://www.fei.com/software/amira-avizo/">https://www.fei.com/software/amira-avizo/</a> (2016).</li>
<li>Kremer, J. R., Mastronarde, D. N., McIntosh, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computer+Visualization+of+Three-Dimensional+Image+Data+Using+IMOD%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Computer Visualization of Three-Dimensional Image Data Using IMOD.</a> J Struct Biol. 116 (1), 71-76 (1996).</li>
<li>Nguyen, H., Ji, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shape-driven+three-dimensional+watersnake+segmentation+of+biological+membranes+in+electron+tomography%5BTitle%5D)+AND+%22IEEE+trans+med+imaging%22%5BJournal%5D)">Shape-driven three-dimensional watersnake segmentation of biological membranes in electron tomography.</a> IEEE trans med imaging. 27 (5), 616-628 (2008).</li>
<li>Rusu, M., Starosolski, Z., Wahle, M., Rigort, A., Wriggers, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+tracing+of+filaments+in+3D+electron+tomography+reconstructions+using+Sculptor+and+Situs%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Automated tracing of filaments in 3D electron tomography reconstructions using Sculptor and Situs.</a> J Struct Biol. 178 (2), 121-128 (2012).</li>
<li>Moussavi, F., Heitz, G., Amat, F., Comolli, L. R., Koller, D., Horowitz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+segmentation+of+cell+boundaries+from+whole+cell+cryogenic+electron+tomography+volumes%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">3D segmentation of cell boundaries from whole cell cryogenic electron tomography volumes.</a> J Struct Biol. 170 (1), 134-145 (2010).</li>
<li>Hecksel, C. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+Variability+of+Manual+Annotation+in+Cryo-Electron+Tomograms%5BTitle%5D)+AND+%22Microsc+Mpicroanal%22%5BJournal%5D)">Quantifying Variability of Manual Annotation in Cryo-Electron Tomograms.</a> Microsc Mpicroanal. 22 (3), 487-496 (2016).</li>
<li>Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLIC+superpixels+compared+to+state-of-the-art+superpixel+methods%5BTitle%5D)+AND+%22IEEE+trans+pattern+anal+mach+intell%22%5BJournal%5D)">SLIC superpixels compared to state-of-the-art superpixel methods.</a> IEEE trans pattern anal mach intell. 34 (11), 2274-2282 (2012).</li>
<li>Luengo, I., Basham, M., French, A. P. <a target="_blank" href="http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=2506227">Fast global interactive volume segmentation with regional supervoxel descriptors.</a> Proc. SPIE. 9784, (2016).</li>
<li>Luengo, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SuRVoS%3A+Super-Region+Volume+Segmentation+Workbench%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">SuRVoS: Super-Region Volume Segmentation Workbench.</a> J Struct Biol. 198 (1), 43-53 (2017).</li>
<li>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:
 <a target="_blank" href="http://arxiv.org/abs/1610.08015">http://arxiv.org/abs/1610.08015</a> (2016).</li>
<li>DiamondLightSource/Savu: Version 1.2. Zenodo. , Available from:
 <a target="_blank" href="https://zenodo.org/record/198726">https://zenodo.org/record/198726</a> (2014).</li>
<li>Paganin, D., Mayo, S. C., Gureyev, T. E., Miller, P. R., Wilkins, S. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+phase+and+amplitude+extraction+from+a+single+defocused+image+of+a+homogeneous+object%5BTitle%5D)+AND+%22J+Microsc%22%5BJournal%5D)">Simultaneous phase and amplitude extraction from a single defocused image of a homogeneous object.</a> J Microsc. 206 (Pt 1), 33-40 (2002).</li>
<li>van Aarle, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+and+flexible+X-ray+tomography+using+the+ASTRA+toolbox%5BTitle%5D)+AND+%22Opt+Express%22%5BJournal%5D)">Fast and flexible X-ray tomography using the ASTRA toolbox.</a> Opt Express. 24 (22), 25129-25147 (2016).</li>
<li>Palenstijn, W. J., Batenburg, K. J., Sijbers, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performance+improvements+for+iterative+electron+tomography+reconstruction+using+graphics+processing+units+%28GPUs%29%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Performance improvements for iterative electron tomography reconstruction using graphics processing units (GPUs).</a> J Struct Biol. 176 (2), 250-253 (2011).</li>
<li>Mastronarde, D. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dual-Axis+Tomography%3A+An+Approach+with+Alignment+Methods+That+Preserve+Resolution%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Dual-Axis Tomography: An Approach with Alignment Methods That Preserve Resolution.</a> J Struct Biol. 120 (3), 343-352 (1997).</li>
<li>Duke, E., Dent, K., Razi, M., Collinson, L. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biological+applications+of+cryo-soft+X-ray+tomography%5BTitle%5D)+AND+%22J+Microsc%22%5BJournal%5D)">Biological applications of cryo-soft X-ray tomography.</a> J Microsc. 255 (2), 65-70 (2014).</li>
<li>Arbeláez, P., Maire, M., Fowlkes, C., Malik, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Contour+detection+and+hierarchical+image+segmentation%5BTitle%5D)+AND+%22IEEE+trans+pattern+anal+mach+intell%22%5BJournal%5D)">Contour detection and hierarchical image segmentation.</a> IEEE trans pattern anal mach intell. 33 (5), 898-916 (2011).</li>
<li>Luengo, I., Basham, M., French, A. P. Hierarchical Piecewise-Constant Super-regions. arXiv:1605.05937 [cs]. , Available from:
 <a target="_blank" href="http://arxiv.org/abs/1605.05937">http://arxiv.org/abs/1605.05937</a> (2016).</li>
<li>Luengo, I., Basham, M., French, A. P. SMURFS: superpixels from multi-scale refinement of super-regions. , Available from:
 <a target="_blank" href="http://www.bmva.org/bmvc/2016/papers/paper004/index.html">http://www.bmva.org/bmvc/2016/papers/paper004/index.html</a> 1-12 (2016).</li>
</ol>

Yazarlar onlar rakip hiçbir mali çıkarları var bildirin.

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.

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

<table><tbody><tr><td>bilgisayar</td><td>yok</td><td></td><td>Linux işletim sistemi çalıştırmalı ve en az 4 GB belleğe sahip bir NVidia GPU'ya sahip olmalıdır</td></tr></tbody></table>

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

Volume Segmentation and Analysis of Biological Materials Using SuRVoS (Super-region Volume Segmentation) Workbench

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.

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.

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

Segmentation is the process of isolating specific regions or objects within an imaged volume, so that further study can be undertaken on these areas of ...

Bu prosedürün genel amacı, biyolojik nitelikteki karmaşık hacimsel veri setlerini yarı otomatik olarak segmente etmektir. Bu yöntem, hacimsel verilerin kalitatif ve kantitatif analizine olanak tanıyarak yapısal biyoloji alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin temel avantajı, biyolojik veri setleri hakkında bilgi sağlayabilmesinin yanı sıra malzeme bilimi gibi diğer alanlara da uygulanabilmesidir.Bu yazılım, segmentasyon programlarından farklı bir iş akışı kullanmaktadır ve bu durum SuRVoS ilk kez kullanıldığında başlangıçta bazı zorluklara yol açabilir. Bu nedenle, bu yeni iş akışını anlamak için görsel gösterim kritik öneme sahiptir. Model eğitimi kullanılarak geniş ve iyi tanımlanmış bölgelerin segmentasyonu, bir faz kontrastlı x-ışını tomografisi veri seti üzerinde gösterilmiştir.Bu prosedüre başlamak için SuRVoS çalışma alanını başlatın. Open Dataset düğmesine tıklayın ve açılan pencerede segmente edilecek veri dosyasını seçin. Veri seti için uygun bir yönlendirme seçin.Ardından, çalışma alanını ve ilişkili dosyaları saklayacağınız bir klasör seçin. Load düğmesine tıklayın. Select ROI sekmesinde, ilgi alanımız için X, Y ve Z başlangıç ve bitiş koordinatlarını girin ve Add seçeneğine tıklayın.Bir bölüm eklendiğinde, sağdaki kutucuğu işaretleyerek seçili olduğundan emin olun. Bundan sonra, Özellik Kanalları (Features Channels) sekmesinde, açılır menüyü kullanarak bir özellik seçin ve bunu kuyruğa ekleyin. Özelliğe özgü seçenekleri düzenleyin ve özelliğin çalıştırılacağı giriş veri setini seçin.Hesaplama yapmak için özelliğin sağındaki onay kutusuna tıklayın. Aynı veri seti üzerinde birden fazla özellik çalıştırılabilir ve hesaplanan özellikler, daha sonraki işlemler için girdi veri setleri olarak kullanılabilir. Ardından Süper Bölgeler (Super Regions) sekmesini seçin.Super Voxels bölümünde, süper voksellerin oluşturulacağı filtrelenmiş veri kümesini seçmek için açılır menüyü kullanın. Şekli, aralığı ve kompaktlığı belirtin. Süper vokselleri oluşturmak için Uygula düğmesine tıklayın.Süper voksellelerin kalitesini değerlendirmek için, veriler üst üste binmeden onları tek başlarına görüntüleyin. Verilerdeki ilgilenilen özellikler süper voksellelerde tek başlarına hala görünürse, verileri iyi temsil ediyorlar demektir. Notlar (Annotation) sekmesinde, bir not seviyesi eklemek için Seviye Ekle (Add Level) düğmesine tıklayın.Anotasyon için bir etiket eklemek üzere, yeni oluşturulan seviyedeki Etiket Ekle butonuna tıklayın. Ardından, araç kısayol bölümünden kalem simgesini seçin. Görselleştirme panelinin üst kısmında bir dizi seçenek belirecektir.Model eğitimi için eğitim verileri oluşturmaya başlamak üzere super voxels seçeneğini ve orta genişlikte bir kalem seçin. Etiketlecek etiketi seçmek için etiket bilgilerinin en sağındaki kutucuğa tıklayın. Ardından, birden fazla super voxel'i etiketlemek için görselleştirme panelinde tıklayıp sürükleyin.Model Eğitimi sekmesinde, tahmin düzeyini manuel eğitim açıklamalarını içeren düzeye ayarlayın. Ardından tanımlayıcı bölümünde, bölgeyi süper voksel olarak ayarlayın. Kaynakları Seç açılır menüsüne tıklayın ve veri bölgelerini ayırt etmek için kullanılacak tanımlayıcıları seçmek üzere tercih ettiğiniz özelliklerin veya filtrelerin kutucuklarını işaretleyin.Tahmin et (Predict) düğmesine tıklayın. Hesaplama tamamlandığında, görselleştirme paneli, etiketlenmemiş her bir vokselin hangi açıklama etiketine ait olduğuna dair tahminlerle güncellenecektir. Eğitim metodolojilerinin etkisini değerlendirip birini seçtikten sonra, ek iyileştirme uygulamak için iyileştirme bölümündeki İyileştir (Refine) açılır menüsüne tıklayın.Model eğitim sekmesinin altındaki Notasyonları Güncelle (Update Annotations) bölümünde, görselleştirme açılır menüsünün tahminler (predictions) olarak ayarlandığından emin olun. Ardından, notasyona sahip olmayan süper voksellelerin seçili notasyon etiketlerine daha fazla veya daha az atanması için güven slider'ını (confidence slider) kullanın. Uygun bir güven düzeyi seçildikten sonra, tahminleri belirli etiketlere kaydetmek için güven aracının altındaki etiketlerin yanındaki Kaydet (Save) düğmelerine tıklayın.Görselleştirme bölmesi, yapılan değişiklikleri yansıtacak şekilde güncellenecektir. Gerektiğinde, etiketlenmemiş süper voksel sayısı azalana veya tamamen ortadan kalkana kadar, ek iyileştirmeler ve yüksek güvenli tahminlerle model eğitimini tekrarlayın. Süper bölgeler kullanılarak daha küçük ve daha karmaşık bölgelerin segmentasyonu, bir kriyoelektron tomografisi veri seti üzerinde gösterilmektedir.Açıklama sekmesinde uygun seviyeler ve etiketler eklendikten sonra, ilgili etiketi seçin. Orta genişlikte bir kalem kullanarak, süper voksellemler seçili halde açıklama ekleme işlemine başlayın. Süper bölge segmentasyonu için bir strateji; tek bir kesitte hızlıca segmentasyon yapmak, birkaç kesit yukarıya veya aşağıya taşınmak ve yeni kesitteki boşlukları doldurmaktır.Bu sayede, ara kesitler de kullanıcı tarafından daha az çabayla etiketlenebilecektir. Ardından, etiketlemeleri daha da temizlemek için segmentasyon etiketini ve morfolojik iyileştirme yöntemlerinden birini seçin. Bir yarıçap değeri girin ve iyileştirme yönteminin nasıl uygulanacağını belirleyin.Ardından Refine'a tıklayın. Veri nesnelerinin sınıflandırılması ve analizi, bir kriyojenik yumuşak X-ışını tomografi veri setinde gösterilmektedir. Verileri tamamen segmente ettikten sonra, görselleştirme panelinde Label Splitter adlı ikinci sekmeye tıklayın.Pencerenin sağ tarafına kural oluşturma paneli adlı yeni bir alan eklenecektir. Kural oluşturma panelinin üst kısmından, etiket bölme işlemi için seviyeyi ve etiketleri seçin. Ardından, sorgulanacak veri setini seçin ve Label seçeneğine tıklayın.Seçilen etiketlerdeki her bir nesne, görselleştirme panelinde ayrı nesneler olarak artık mavi renkle çerçevelenecektir. Kural oluşturma paneli, artık nesnelerin ortalama yoğunluğunu gösteren bir grafik içerecektir. Gösterilen ölçümü değiştirmek için sağ üst köşedeki açılır kutuya tıklayın.Ardından, nesneleri ilgili sınıflara ayırmaya başlamak için kural oluşturma panelinin altındaki Yeni Etiket Ekle seçeneğine tıklayın. Yeni Kural Ekle'ye tıklayın ve uygulanacak kuralı tanımlamak için açılır menüyü ve serbest biçimli giriş kutularını kullanın. Yeni kuralın etkilerini görselleştirme panelinde ve kural oluşturma panelindeki grafikte görmek için Uygula'ya tıklayın.İlgilenilen tüm nesneler sınıflandırıldıktan sonra, Annotations (Anotasyonlar) sekmesine gidin. Yeni ve boş bir seviye oluşturun. Ardından, kural oluşturma sekmesinde bu yeni seviyeyi seçin ve Save Labels (Etiketleri Kaydet) düğmesine tıklayın.Nesne sınıfları arasındaki ilişkileri anlamak için kullanılan yeni bir görselleştirme paneli açmak üzere, görselleştirme panelinin kenarındaki Etiket İstatistikleri sekmesine tıklayın. Üst kısımdan uygun seviyeyi, etiketleri ve sorgulanacak veri setini seçin. Ardından, yanlarındaki kutucukları işaretleyerek ilgilendiğiniz birkaç ölçümü seçin.Seçilen her bir ölçüm için ikili karşılaştırma grafikleri oluşturmak için Etiket'e tıklayın. Bir ölçümün eklenmesi veya çıkarılması gerekiyorsa, ilgili onay kutusuna tıklayın ve ardından Grafiği Güncelle'ye tıklayın. Bu çalışmada, SuRVoS çalışma alanındaki iki segmentasyon stratejisi ve bir sınıflandırma aracı gösterilmektedir.Model eğitimi için, bölge tanımlayıcı sınırlara sahip, nispeten yüksek kontrastlı bir veri seti yüklenir. Arka planın, ön planın ve iç yapıların daha ayırt edilebilir hale getirilmesi için veriler filtrelenir ve kırpılır. Ardından, filtrelenmiş veri seti üzerinden süper voksellemeler oluşturulur.Süper voksellerin kalitesi değerlendirildikten sonra, sınıflandırıcıyı arka plana, meyve kılına, tohum materyaline ve çevreleyen etli kısma karşılık gelen alanları tahmin etmesi için eğitmek amacıyla manuel anotasyonlar yapılır. Segmentasyonu boşlukları doldurarak temizlemek için morfolojik iyileştirmeler kullanılır. Süper bölge segmentasyonu için gürültülü ve karmaşık bir veri seti yüklenir.Ardından, seçilen ilgi bölgesine uygun bir filtre seti uygulanır. Model eğitimi ve segmentasyon sonrası, ilgilenilen özelliği tanımlayan süper vokselleri seçmek için her beş ila 10 kesitte bir hızlı manuel anotasyonlar kullanılır. Daha sonra, çok sayıda farklı organel içeren bir veri seti kullanılarak etiket ayırma işlemi gösterilir.İlk olarak, organel sınırlarını belirginleştirmek için uygun bir toplam varyasyon filtresi kullanılır. Organeller, mega voksel ve süper vokseller kullanılarak yarı manuel olarak segmente edilir; boşlukları doldurmak ve kenarları düzeltmek için iyileştirme işlemi uygulanır. Veri setindeki her bir organeli bir nesne olarak görselleştirmek ve ardından veri grafiğinde her bir nesneye ait çeşitli özellikleri görüntülemek için etiket ayırıcı kullanılır.Burada, organellerin boyutu veya ortalama yoğunlukları gibi doğal özelliklerine göre beş ayrı sınıfa ayrılması için kurallar oluşturulmuştur. Etiket ayırıcı, veriler hakkında nicel bilgiler çıkarmak ve hücresel bağlamı anlamaya başlamak için kullanılabilir. Bu videoyu izledikten sonra, yarı otomatik segmentasyon için SuRVoS çalışma alanının nasıl kullanılacağı konusunda iyi bir anlayışa sahip olmalısınız.Bu prosedür kullanılarak, örneğin yabanıl tip hastalık ve ardından tedavi edilen durumlar gibi soruları yanıtlamak amacıyla birden fazla biyolojik durumun karşılaştırmaları yapılabilir. Bu teknik ustalıkla ve doğru şekilde uygulandığında, segmentasyon sürecini yaklaşık beş kat hızlandırabilir. Bu prosedürün ardından, sonuçları yayınlar ve videolar için görselleştirmek amacıyla görselleştirme programları kullanılabilir.

volume-segmentation-analysis-biological-materials-using-survos-super

Research

JoVE Journal

Biology

Biyoloji

Yağ içerik analizi rutin fare obezite modellerinde kullanan çalışmalar yapılır. Küçük hayvan CT görüntüleme ve analiz Gelişen yöntemleri boyuna ayrıntılı zengin yağ içeriği analiz için sağlanmaktadır. Küçük hayvan BT görüntüleme, analiz ve görselleştirme gerçekleştirmek için adım prosedürleri Burada detaylı bir adım.

Segmentasyon ve Mürin Obezite Modelleri Yağ Hacimleri ölçümü X-ray Bilgisayarlı Tomografi Kullanımı

Lezyon Explorer (LE), Alzheimer hastalığı ve normal yaşlı yapısal MRG bölgesel beyin dokusu ve subkortikal hiperintens lezyon Volumetrics elde etmek için geliştirilmiş bir yarı-otomatik, görüntü işleme boru hattı. Doğruluk ve güvenilirlik yüksek düzeyde sağlamak için, aşağıdaki LE kılavuzu prosedürleri için bir video-güdümlü, standart bir protokoldür.

Lezyon Explorer: Doğru ve Güvenilir MR türetilmiş Alzheimer Hastalığı Volumetrics ve Normal Yaşlı Bir Video-güdümlü, Standart Protokol

Hücresel 3D elektron mikroskobu için darboğaz oldukça karmaşık 3D yoğunluk haritalarında özellik çıkarma (segmentasyon) 'dir. Biz dolayısıyla etkili segmentasyon için bir başlangıç ​​noktası sağlayan, segmentasyon yaklaşımı (manuel, yarı otomatik veya tam otomatik) farklı veri türleri için en uygun olduğu konusunda rehberlik sağlamaktadır kriterleri bir dizi geliştirdik.

Voksellerden Gönderen Bilgi için: Kompleks Elektron Mikroskopi 3D-Data Bölümlere Göre Pratik Rehber

MRI taramaları (insan), 3D görüntüleme yazılımı ve immünohistolojik analiz kullanarak, beynin lateral ventriküllerindeki değişiklikleri belgeliyoruz. Lateral ventrikül hacim değişikliklerinin uzunlamasına 3D haritalanması ve yaşlanma veya hastalık nedeniyle insan beyninde meydana gelen periventriküler hücresel değişikliklerin karakterizasyonu daha sonra farelerde modellenir.

İnsanlar ve Mouse Periventriküler Doku Yanal ventrikülleri ve histolojik Karakterizasyonu 3D Modelleme

Bu iletişim kuralı gri madde birim miktar için kullanılan gri cevherde bölgeleri betimlemek için yapısal T1 ağırlıklı MRG taramaları için yedi farklı otomatik bölümleme araçları başvuru süreci açıklar.

Kortikal gri cevherde T1 ağırlıklı MRG görüntülerden otomatik bölümleme

Açıklanan boru hattı, gigabaytlardan daha büyük elektron mikroskobu veri kümelerinin tüm hücre morfolojilerini ayıklamak için segmentasyonu için tasarlanmıştır. Hücreler 3B olarak yeniden oluşturulduktan sonra, bireysel ihtiyaçlar etrafında tasarlanmış özelleştirilmiş yazılım, görüntüleme tıkanıklığının üstesinden gelmek için sanal gerçekliği kullanarak doğrudan 3D olarak nitel ve nicel bir analiz yapmak için kullanılabilir.

Glial ve Nöronal Hücrelerin 3D Rekonstrüksiyonu ve Sanal Gerçeklik Analizi Için Bir Yöntem

Bu protokol, güçlü bir 3D görüntüleme tekniği olan seri blok yüz taramalı elektron mikroskopisini (SBF-SEM) kullanmak için rutin bir yöntemi özetlemektedir. SBF-SEM'in başarılı bir şekilde uygulanması, uygun fiksasyon ve doku boyama tekniklerinin yanı sıra görüntüleme ayarlarının dikkatli bir şekilde değerlendirilmesi üzerine kuruludur. Bu protokol, bu işlemin tamamı için pratik hususlar içerir.

Biyolojik Doku Örneklerinin Seri Blok-Yüz Tarama Elektron Mikroskopisi (SBF-SEM)

Burada, fare embriyolarının üç ve dört boyutlu görüntü verilerinin, toto optik projeksiyon tomografisi ve multifoton mikroskobu kullanılarak canlı görüntüleme ve tam montajlı immünofloresan boyama ile elde edilen eksenel uzama ve segmentasyon bağlamında görselleştirilmesini ve analizini sağlayan hesaplamalı araç ve yöntemleri açıklamaktayız.

Omurgalı Eksenel Uzama ve Segmentasyonunu İncelemek için Üç ve Dört Boyutlu Görselleştirme ve Analiz Yaklaşımları

Burada tarif edilen intravital görüntüleme yöntemi, 4D intravital görüntülerin derinlemesine analizi için etiketlenmemiş bir tümör mikroçevresini tümör, stromal ve vasküler kompartmanlara invaziv olmayan bir şekilde segmentlere ayırmak için metabolik ko-faktör NAD (P) H'den kollajen ikinci harmonik jenerasyonu ve endojen floresanı kullanır.

Meme Tümörü Mikroçevresinin İntravital Görüntülemesi için Etiketsiz Bir Segmentasyon Yaklaşımı

Çok boyutlu mikroskopi verilerinin doğru analizi, karmaşık iş akışları gerektirir. Bu makalede Cell-ACDC yazılımının nasıl kullanılacağı gösterilmektedir. Segmentasyon, izleme, hücre soyağacı analizi ve mikroskopi verilerinin nicelleştirilmesi için en son teknolojiye sahip yapay zeka destekli modellerden yararlanır. En önemlisi, bu modelleri, modellerin çıktısının yarı otomatik olarak düzeltilmesi için yenilikçi bir çerçeveyle tamamlıyor.

Hücre-ACDC Kullanılarak Çok Boyutlu Mikroskopi Verilerinin Analizi

Bu protokol, kamuya açık veri edinimi ve Seurat tabanlı kalite kontrolden başlayarak entegrasyon, mekânsal özellik tespiti, hücre tipi dekonvolsiyonu, ilgi bölgesi anotasyonu ve hücre-hücre iletişimi analizine kadar uzanan, şeffaf yürütmeyi destekleyen pratik kontrol noktalarıyla birlikte, mekânsal transkriptomik verilerin analizi için tekrarlanabilir bir iş akışı sunmaktadır.

Siyasal Transkriptomik Veri Analizi İçin Pratik Bir İş Akışı: Veri Eldesinden İleri Analizlere

Öğrenin, SuRVoS tezgahı kullanarak biyolojik hacimsel veri setlerini yarı otomatik segmentasyon yöntemiyle nasıl analiz edeceğinizi. Bu teknik, yapısal biyolojide kalitatif ve kantitatif analiz yapmanızı sağlar.

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

Daha fazla video keşfet