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

Bu prosedürün genel amacı, biyolojik nitelikteki karmaşık hacimsel veri kümelerini yarı otomatik olarak bölümlere ayırmaktır. Bu yöntem, hacimsel verilerin kalitatif ve kantitatif analizine izin vererek yapısal biyoloji alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin temel avantajı, bu yöntem biyolojik veri kümeleri hakkında bilgi sağlayabilse de, malzeme bilimi gibi diğer alanlara da uygulanabilir.

Bu yazılım, SuRVoS'u ilk kez kullanırken başlangıçta zorluklara neden olabilecek segmentasyon programları olarak farklı bir iş akışı kullanır. Bu nedenle, bu yeni iş akışını anlamak için görsel gösterim kritik öneme sahiptir. Model eğitimi kullanılarak iyi tanımlanmış büyük bölgelerin segmentasyonu, bir faz kontrastlı x-ışını tomografi veri setinde gösterilmiştir.

Bu prosedüre başlamak için SuRVoS tezgahını başlatın. Veri Kümesini Aç düğmesine tıklayın ve ortaya çıkan açılır pencerede segmentlere ayrılacak veri dosyasını seçin. Veri kümesi için uygun bir yönlendirme seçin.

Ardından, çalışma alanının ve ilişkili dosyaların depolanacağı bir klasör seçin. Yükle düğmesine tıklayın. ROI Seç sekmesinde, bölge ilgi alanımız için X, Y ve Z başlangıç ve bitiş koordinatlarını girin ve Ekle'ye tıklayın.

Bir bölüm eklendikten sonra, sağdaki kutuyu işaretleyerek seçili olduğundan emin olun. Bundan sonra, Özellikler Kanalları sekmesinde, bir özellik seçmek ve kuyruğa eklemek için açılır menüyü kullanın. Özelliğe özgü seçenekleri değiştirin ve özelliğin çalıştırılacağı giriş veri kümesini seçin.

Hesaplamak için özellik adının sağındaki onay kutusunu tıklayın. Aynı veri kümesinde birden çok özellik çalıştırılabilir ve hesaplanan özellikler daha fazla işlem için giriş veri kümeleri olarak kullanılabilir. Ardından Süper Bölgeler sekmesini seçin.

Süper Vokseller 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 voksellerin kalitesini değerlendirmek için, bunları veriler üst üste bindirilmeden tek başına görüntüleyin. Verilerden elde edilen ilgilenilen özellikler yalnızca süper voksellerde hala görünüyorsa, verileri iyi temsil ederler. Ek Açıklama sekmesinde, bir ek açıklama düzeyi eklemek için Düzey Ekle düğmesini tıklayın.

Ek açıklama için bir etiket eklemek üzere yeni oluşturulan düzeydeki Etiket Ekle düğmesini tıklayın. Ardından, araç kısayolu bölümünde kalem simgesini seçin. Görselleştirme bölmesinin üst kısmında bir dizi seçenek görünür.

Model eğitimi için eğitim verileri oluşturmaya başlamak için süper vokseller seçeneğini ve orta genişlikte bir kalemi seçin. Ek açıklama eklenecek etiketi seçmek için etiket bilgilerinin en sağındaki kutuyu tıklayın. Ardından, birden çok süper voksele açıklama eklemek için görselleştirme bölmesine tıklayın ve sürükleyin.

Model Eğitimi sekmesinde, tahmin düzeyini el ile eğitim ek açıklamalarını içeren düzeye ayarlayın. Ardından tanımlayıcı bölümünde bölgeyi süper voksel olarak ayarlayın. Kaynak Seç açılır menüsüne tıklayın ve veri bölgelerini ayırt etmek için kullanılacak tanımlayıcıları seçmek için tercih edilen özelliklerin veya filtrelerin kutularını işaretleyin.

Tahmin Et düğmesine tıklayın. Hesaplama tamamlandığında, görselleştirme bölmesi, etiketlenmemiş her bir vokselin hangi ek açıklama etiketine ait olduğuna ilişkin tahminlerle güncelleştirilir. Eğitim metodolojilerinin etkisini değerlendirdikten ve birini seçtikten sonra, ek iyileştirme uygulamak için iyileştirme bölümündeki İyileştir açılır menüsüne tıklayın.

Ek Açıklamaları Güncelleştir bölümündeki model eğitimi sekmesinin alt kısmında, görselleştirme açılan menüsünün tahminler olarak ayarlandığından emin olun. Ardından, seçili ek açıklama etiketlerine daha fazla veya daha az açıklamasız süper voksel atamak için güvenilirlik kaydırıcısını kullanın. Uygun bir güvenilirlik düzeyi seçildikten sonra, tahminleri belirli etiketlere kaydetmek için güvenilirlik aracının alt kısmındaki etiketlerin yanındaki Kaydet düğmelerini tıklayın.

Görselleştirme bölmesi, yapılan değişiklikleri yansıtacak şekilde güncelleştirilir. Gerekirse, etiketlenmemiş süper vokseller çok az olana veya hiç olmayana kadar model eğitimini ek iyileştirme ve yüksek güvenilirlik tahminleriyle tekrarlayın. Süper bölgeler kullanılarak daha küçük, daha karmaşık bölgelerin segmentasyonu, bir kriyo-elektron tomografi veri setinde gösterilmiştir.

Ek açıklama sekmesinde uygun düzeyleri ve etiketleri ekledikten sonra etiketi seçin. Orta genişlikte bir kalem kullanarak, süper vokseller seçiliyken açıklama eklemeye başlayın. Süper bölge segmentasyonu için bir strateji, bir dilimi hızlı bir şekilde segmentlere ayırmak, birkaç dilimi yukarı veya aşağı taşımak ve yeni dilimdeki boşlukları doldurmaktır.

Bu şekilde, ara dilimler de kullanıcı tarafından daha az çaba sarf edilerek açıklanacaktır. Ardından, ek açıklamaları daha fazla temizlemek için segmentasyon etiketini ve morfolojik iyileştirme yöntemlerinden birini seçin. Bir yarıçap değeri girin ve iyileştirme yönteminin nasıl uygulanacağını seçin.

Ardından İyileştir'i tıklayın. Veri nesnelerinin sınıflandırılması ve analizi, bir kriyo-yumuşak x-ışını tomografi veri setinde gösterilmiştir. Verileri tamamen bölümlere ayırdıktan sonra, görselleştirme bölmesindeki Label Splitter adlı ikinci sekmeye tıklayın.

Pencerenin sağ tarafına yeni bir alan olan kural oluşturma bölmesi eklenir. Kural oluşturma bölmesinin üst kısmında, etiket bölme için düzeyi ve etiketleri seçin. Ardından, sorgulanacak veri kümesini seçin ve Etiket'e tıklayın.

Seçili etiketlerdeki her nesne artık görselleştirme bölmesinde ayrı nesneler olarak mavi renkle anahatlandırılacaktır. Kural oluşturma bölmesi artık nesnelerin ortalama yoğunluğunu gösteren bir çizim içerecektir. Gösterilen ölçüyü değiştirmek için sağ üst taraftaki açılır kutuya tıklayın.

Ardından, nesneleri ilgili sınıflara bölmeye başlamak için kural oluşturma bölmesinin altındaki Yeni Etiket Ekle'yi tıklayın. Yeni Kural Ekle'yi tıklatın ve uygulanacak kuralı tanımlamak için açılır menüyü ve serbest form giriş kutularını kullanın. Yeni kuralın etkilerini görselleştirme bölmesinde ve kural oluşturma bölmesindeki çizim üzerinde görmek için Uygula'ya tıklayın.

İlgilenilen tüm nesneler sınıflandırıldıktan sonra, Ek Açıklamalar sekmesine gidin. Yeni bir boş düzey oluşturun. Ardından, kural oluşturma sekmesinde bu yeni düzeyi seçin ve Etiketleri Kaydet'e tıklayın.

Nesne sınıfları arasındaki ilişkileri anlamak için kullanılabilecek yeni bir görselleştirme bölmesi açmak için görselleştirme bölmesinin kenarındaki Etiket İstatistikleri sekmesine tıklayın. Üst kısımda, uygun bir düzey, etiketler ve sorgulanacak veri kümesini seçin. Ardından, yanlarındaki kutuları işaretleyerek birkaç ilgi ölçüsü seçin.

Seçili hesaplamaların her biri için ikili karşılaştırma grafikleri oluşturmak için Etiket'e tıklayın. Bir hesaplamanın eklenmesi veya kaldırılması gerekiyorsa, uygun onay kutusunu tıklatın ve ardından Grafiği Güncelleştir'i tıklatın. Bu çalışmada, SuRVoS tezgahında iki segmentasyon stratejisi ve bir sınıflandırma aracı gösterilmiştir.

Model eğitimi için, bölge tanımlama sınırlarına sahip görece yüksek kontrastlı bir veri kümesi yüklenir. Arka plan, ön plan ve iç yapıları daha ayırt edilebilir hale getirmek için veriler filtrelenir ve sıkıştırılır. Süper vokseller daha sonra filtrelenmiş veri kümesinin üzerine inşa edilir.

Süper voksellerin kalitesi değerlendirildikten sonra, sınıflandırıcıyı arka plana, meyve kılına, tohum materyaline ve çevredeki ete karşılık gelen alanları tahmin edecek şekilde eğitmek için manuel açıklamalar yapılır. Morfolojik iyileştirmeler, delikleri doldurarak segmentasyonu temizlemek için kullanılır. Süper bölge segmentasyonu için gürültülü ve karmaşık bir veri kümesi yüklenir.

Ardından, seçilen ilgili bölgeye uygun bir filtre seti uygulanır. Model eğitimi ve segmentasyondan sonra, ilgilenilen özelliği tanımlayan süper vokselleri seçmek için her beş ila 10 dilimde bir hızlı manuel ek açıklamalar kullanılır. Etiket bölme daha sonra birçok farklı organel içeren bir veri kümesi kullanılarak gösterilir.

İlk olarak, organel sınırlarını geliştirmek için uygun bir toplam varyasyon filtresi kullanılır. Organeller, mega vokseller ve süper vokseller kullanılarak yarı manuel olarak bölümlere ayrılır ve delikleri doldurmak ve kenarları düzleştirmek için rafine etme kullanılır. Etiket ayırıcı, her bir organeli veri kümesindeki bir nesne olarak görselleştirmek ve ardından veri grafiğindeki her bir nesne hakkında çeşitli özellikleri görselleştirmek için kullanılır.

Burada, organelleri, örneğin büyüklükleri veya ortalama yoğunlukları gibi kalıtsal özelliklerine göre beş farklı sınıfa ayırmak için kurallar oluşturuldu. Etiket ayırıcı, veriler hakkında nicel bilgi çıktısı almak ve hücresel bağlamı anlamaya başlamak için kullanılabilir. Bu videoyu izledikten sonra, yarı otomatik segmentasyon için SuRVoS çalışma tezgahının nasıl kullanılacağını iyi anlamış olmalısınız.

Bu prosedürü kullanarak, örneğin vahşi tip hastalık ve daha sonra tedavi edilen koşullar hakkındaki soruları yanıtlamak için birden fazla biyolojik durumun karşılaştırmaları yapılabilir. Bir kez ustalaştıktan sonra, bu teknik, düzgün bir şekilde gerçekleştirilirse segmentasyon sürecini yaklaşık beş kat hızlandırabilir. Bu prosedürü takiben, sonuçları yayın ve film yapımı için işlemek üzere görselleştirme programları kullanılabilir.