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

Bioengineering
 

Summary

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.

Cite this Article

Copy Citation | Download Citations

Tsai, W. T., Hassan, A., Sarkar, P., Correa, J., Metlagel, Z., Jorgens, D. M., Auer, M. From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data. J. Vis. Exp. (90), e51673, doi:10.3791/51673 (2014).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Modern 3D elektron mikroskobu yaklaşımlar son böyle yapışma kompleksleri, yanı sıra yüksek-nizam yapılarda, örneğin hücre iskeleti gibi ve hücresel organellere gibi büyük makromoleküler makineleri, görselleştirme sağlayan hücrelerin ve dokuların 3D ultrastrüktürel örgüte görülmemiş içgörü sağladı onların ilgili hücre ve doku bağlam. Hücresel hacimlerinin doğal karmaşıklığı göz önüne alındığında, ilk olarak 3D organizasyon görselleştirme, ölçme ve bu nedenle kavrama sağlamak için ilgili özelliklerini elde etmek için gereklidir. Her bir veri seti verilerin farklı özellikleri, örneğin, sinyal-gürültü oranı, zindelik (keskinlik) tarafından tanımlanan, özellikleri, özellikleri, varlığı veya kolay tanımlanması için izin karakteristik şekiller olmaması kalabalığımızın ve yüzde heterojen ilgi, belirli bir bölge işgal hacminin tamamının. Tüm bu özelliklerinin dikkate alınması gerekirkarar verirken segmentasyon için almak hangi yaklaşım.

Üç farklı görüntüleme elde edildi sunulan altı farklı 3D ultrastrüktürel veri setleri yaklaşımlar: reçine gömülü lekeli elektron tomografisi, iyon beam- ve seri blok yüz-taramalı elektron mikroskobu (FİB-SEM, SBF-SEM) odaklı hafif lekeli ve ağır lekeli örneklerinin sırasıyla. Bu veri setleri için, dört farklı segmentasyon yaklaşım uygulanmıştır: (1) tam manuel model bina (3) yarı-otomatik yaklaşımlar takip yüzey sunumuna takip verileri (2) manuel izleme segmentasyon, model görselleştirme yalnızca tarafından takip yüzey işleme, veya yüzey işleme ve kantitatif analizleri takiben (4) otomatik bir özel tasarlanmış segmentasyon algoritmaları tarafından. Veri seti özelliklerin kombinasyonuna bağlı olarak, bu dört kategorik yaklaşımlar tipik olarak bir diğerlerinden daha iyi performans olduğu bulunmuştur, ancak kriterlerin tam diziye bağlı olarak, morfolinYeniden fazla yaklaşma başarılı olabilir. Bu verilere dayanarak, farklı veri setlerinin analizi için objektif veri seti özelliklerini ve öznel kişisel kriterleri hem kategorize eden bir triyaj düzeni öneriyoruz.

Introduction

Geleneksel olarak, elektron mikroskobu (EM) alan 1) yüksek ve süper yüksek çözünürlüklü TEM kullanarak yapısal biyoloji dalı ayrılmıştır, genellikle örtülü veya açık veri ile makromoleküler komplekslerin üç boyutlu (3D) yapısını araştırmak için ortalama ile kombine tanımlı bir bileşim ve tipik olarak nispeten küçük boyutlu 1-4 ve bütün sahneleri hücresel 1,5,6 görselleştirilir, 2) hücresel görüntüleme dalı. Yapısal biyoloji dalı son dört yılda muhteşem bir gelişme geçirmiş olsa da, hücre biyolojisi şube çoğunlukla, çoğu az-daha-iyi şekilde korunmuş örnekleri üzerinde, iki boyutta sınırlandırılmıştır. Sadece son on yılda elektron tomografisi gelişine tipik hücresel sahnelerine ve böylece ilgi özellikleri olarak yapılamaz ortalama üçüncü boyut 5,7, içine genişletti hücre biyolojik Ultrastrüktürel görüntüleme sahiptir, genellikle benzersizdir.

Görüntülenmiştir hücresel sahneler sık ​​sık göze çarpıcı olsa da, tam olarak protein bileşiminin, genellikle bilinmemektedir, çünkü, bu tür yüksek ilgi ve kompleks hücresel hacimlerinin sonraki kantitatif analiz özellikleri etkin bir ekstraksiyon dolayısıyla bu hücresel yorumlamak için daha zor bir hale getirmektedir, kısmen, geride 3D hacimleri. Bu tarihe kadar, geniş bir biyolojik uzmanlık çoğu kez karmaşık tomogram yorumlama, ya da 3 boyutlu hacim önemli bölgeleri ve temel bileşeni tanımlamak için gereklidir. Bir diğer komplikasyon olarak, 3D hacimlerinin görselleştirme derece saçmadır olmayan. 3D hacimleri düşündüm ve böylece 2B görüntülerin yığınları olarak görülebilir. Sıralı 2D görüntülerin dilim-dilim muayene karmaşıklığını azaltır, ama aynı zamanda sınırları iki boyutlara çıkarma ve dolayısıyla kantitatif analiz bulunmaktadır. Ancak, çoğu 3D nesneler için, 3D hacimlerinin tasviri olarak sadece ardışık uçaklarının bir yığın eksik bir yol açarBelirli bir sistemin 3D doğanın içine d çarpık bakış açısı. Görsel denetim alternatif modları bir hücresel genellikle yoğun doğasını-verilen ya hacim görüntülemesini veya yüzey işleme gerektiren hacim-can böylece interaktif manuel segmentasyon zorlaştırır, kolayca iç içe nesneleri bir engel görünümüne yol veya tamamen bir kullanıcı korkutur.

Bu engelleri, otomatik özellik çıkarımı büyük bir çeşitlilik giderilmesi için (segmentasyon) yaklaşımlar tipik density- veya gradyan tabanlı 8-10 ya olduğu geliştirilmiştir. Bazı yeni yöntemler ilgi belirli bir özelliği hedefleyebilir rağmen Ancak, bu yöntemleri gibi aktin filamentler 11 gibi, ne olursa olsun alanları veya özellikleri uzman ilgilendiren hangi segmentine tüm hacmi eğilimindedir. Buna ek olarak, otomatik bir segmentasyon yürütme programları, bazen, örneğin, su havzası immersio olup, (alt miktarlar çok sayıda üretilmesiyle sonuçlanabilirgenellikle ilgi tüm özelliğini içeren ya da daha fazla segmentasyon tabi manuel olarak geri birleştirilecek gerekir n segmentasyon). Bu nedenle çoğu render bilgisayar algoritmaları genellikle istenen bir bölümlenmiş hacmi üretmek için gerekli olan bir uzman tarafından, sadece sadakat ile ilgi özelliklerini ve önemli curation çabaları ayıklamak için veremiyoruz, özellikle karmaşık ve kalabalık veri setleri için de geçerlidir.

Ayrıca, oldukça belirli bir probleme özel çözümler genellikle onları geniş olması konusunda bir vurgu ile küçük bir bilimsel toplantı kağıdı olarak yayınlanan ve matematik, bilgisayar bilimi ve / veya alanların samimi bilgiye sahip değilsiniz araştırmacılara kapsamlı araçları erişilebilir edilir bilgisayar grafikleri. Görüntü analizi kütüphanelerin bir dizi içeren bir özelleştirilebilir programlama yazılımı ortamı, kullanıcıların verimli, doğru segmentasyon için kendi modülleri yazmak için izin güçlü bir araç seti olabilir. Ancak, bu yaklaşım ext gerektirirensive eğitim ve birçok özellikleri veya görüntü analizi için yeteneklerinden yararlanmak amacıyla bilgisayar bilimi arka plan. Bir çevrelerini 12,13 ilgi nesneleri ayırmak için "şablonlar" eşsiz geometrisine bağlı güçlü şekil-tabanlı yaklaşımlar kullanılarak, örneğin özellikleri daha seyrek olan bazı veri setleri, böyle çok yönlü bir yazılım ortamında çalışabilir .

Bilgisayar grafik görselleştirme paketleri adil çeşitli interaktif manuel segmentasyon ve model bina var. Kaliforniya San Francisco Üniversitesi Chimera 14, Colorado imod 15 Üniversitesi ve University of Texas Austin VolumeRover 16: diğerleri akademik kökenli ve gibi, ücretsiz dağıtılan Bazı paketler piyasada mevcuttur. Ancak, bu programlar sahip özellikleri ve yetenekleri geniş ve karmaşıklığı ea için öğrenme eğrisi dikleşirch. Bazı görüntüleme programları gibi topları ve karmaşık 3D hacminin basitleştirilmiş bir modeli oluşturmak amacıyla yoğunluk haritaları içine konabilir çeşitli boyutlarda, sopalarla gibi basit geometrik modelleri sağlamak. Bu modeller daha sonra basit geometrik ve hacimsel ölçümleri ve bu nedenle sadece "güzel bir resim" ötesine izin verir. Nesnelerin tür el izleme nesnelerin sadece az sayıda takip ve ekstre edilmesi için gereken miktarlar için iyi çalışır. Ancak, kullanarak büyük hacimli 3D mikroskobik görüntüleme son gelişme ya odaklanmış iyon demeti taramalı elektron mikroskobu (FİB-SEM) 17-20 veya seri blok yüz taramalı elektron mikroskobu (SBF-SEM) 21 3D veri büyüklüğünün ek komplikasyon sunar setleri onlarca gigabayt ve gigabayt yüzlerce ve hatta terabayt kadar uzanabilir. Bu nedenle, büyük 3D hacimleri manuel özellik çıkarımı için neredeyse erişilemez ve dolayısıyla verimli bir kullanıcı güdümlü yarı-otomatik Feature çıkarma öngörülebilir gelecekte 3D hacimlerin verimli analizi için darboğazları biri olacak.

Rutin biyolojik görüntü türleri geniş bir yelpazede kullanılan dört farklı segmentasyon yaklaşımdan burada sundu. Bu yöntemler daha sonra biyologlar kendi verilerin etkin özellik çıkarımı için iyi segmentasyon yaklaşımı ne olabilir karar vermenize yardımcı olacak bir rehber haline bir derleme izin veri setleri farklı türleri için kendi etkinliği için karşılaştırılmıştır. Ayrıntılı kullanım kılavuzları açıklanan programların çoğu için mevcut olduğundan, amaç bu özel paketlerinden herhangi biri ile potansiyel kullanıcılar aşina yapmak değildir. Bunun yerine, amaç farklı özelliklere sahip altı örnek veri setleri bunları uygulayarak bu farklı segmentasyon stratejileri ilgili güçlü ve sınırlamaları göstermektir. Bu karşılaştırma ile, bir kriter dizisi ya da bir nesnel görüntü özelliklerine dayanmaktadır geliştirilmiştirÖrneğin segmentasyon için istenen amaç olarak subjektif değerlendirmeler, veri aksine, canlılık, kalabalık ve karmaşıklık, ya da sap gibi 3 boyutlu veri setleri, özellikleri morfolojileri kısmını yani, ilgi özelliklerinden nüfus yoğunluğu, bölütlenecek ilgi özelliği ve nasıl gelinir optimal böyle bir zaman ve personel durumu gibi sonlu kaynaklarla tarafından işgal hacmi. Bu farklı bir örnek veri setleri bu objektif ve subjektif kriterler veri setleri belirli türleri ile belli özellik çıkarma yaklaşımları eşleştirme elde kombinasyonlar çeşitli sıralı olarak uygulanabilir nasıl göstermektedir. Umarım acemiler yardımcı olacak verilen tavsiyeler segmentasyon seçenekleri büyük bir çeşitlilik ile karşı karşıya kendi 3D hacim için en etkili segmentasyon yaklaşımı seçin.

Bu çalışmanın odak noktası veri toplama ve ön-işleme verilere özellik çıkarımı, dikkat iken verimli s için çok önemlidiregmentation. Çoğu kez numune boyama düzensiz olabilir ve bu nedenle, potansiyel boyama eserler bölütleme prosedür dikkate alınmalıdır. Ancak, leke genellikle daha yüksek sinyal-gürültü verir, ve bu nedenle daha az filtreleme ve potansiyel olarak da eserler neden olabilir hücresel hacimleri, diğer matematiksel tedavi gerektirir. İlgili ham görüntü veri setleri 3D hacim içine, doğru kontrast ve kamera piksel ayarlarında edinilen hizalanmış ve yeniden inşa edilmesi gerekiyor. Tomografi için hizalanır görsel ağırlıklı geri-yansıtma kullanılarak, tipik olarak yeniden edilir ve daha sonra bu veri kümesi, genellikle, doğrusal olmayan bir anizotropik difüzyon 22, iki taraflı filtre 23 ya da 24, filtreleme yinelemeli algoritmalar medyan denoising tabi tutulur. FIB-SEM ve SBF-SEM görüntüleme verileri gibi ImageJ 25 gibi XY kullanan programlarda çapraz-ilintisi ardışık kesit hizalanır. Kontrast geliştirme ve filtreleme özelliklerini artırmak için uygulanabilirfaiz ve böylece görüntü yığınını gürültü de için. Filtreleme yaklaşımlar hesaplama pahalı olabilir Filtreleme, seçimi veya seçilen hacimler üzerinde subvolume önce tüm birimdeki ya yapılabilir. Veri önemli görülen çözünürlüğü ile karşılaştırıldığında örneklenmiş olması durumunda aşağı örnekleme zaman gürültü azaltma ve / veya dosya büyüklüğü azaltılması için kullanılan verileri (kutulamanın), ve, sadece önerilir.

Gürültü azaltma sonra, işlenmiş görüntüler daha sonra çeşitli yöntemlerle göre segmente edilebilir ve bu çalışmada odak aşağıdaki dört üzerinde: bir top-ve-sopa modeli yaratarak (1) manuel soyutlanmış modeli nesil (2) manuel izleme Projeye özel segmentasyon için bir komut dosyası aracılığıyla ilgi, (3) otomatik eşik tabanlı yoğunluk ve (4) özel uyarlanmış otomatik segmentasyon özellikleri. Sınır segmentasyon 8 ve sürükleyici havza segmentasyon 10 basit eşikleme için daha iyi alternatifler vardır, ama they aynı kategorideki aittir ve bu tartışmada açıkça dahil edilmemiştir.

Yoğunluk elle izleme dilim-dilim-ilgili alt-alanlarında hücresel orijinal yoğunluğa tutulmasını sağlar, söz konusu özellikleri de ortaya gerektirir. Bu yaklaşım segmentasyonu sürecinde maksimum kontrol sağlar, ama sıkıcı ve emek-yoğun bir işlemdir.

Bir algoritma kullanıcı tanımlı parametreleri bir dizi dayalı pikselleri seçer nerede otomatik eşik tabanlı (ve ilgili) yoğunluk segmentasyon yaklaşımlar, yarı otomatik vardır. Böyle ucsf Chimera, imod, Fiji 26 ve VolumeRover gibi çeşitli akademik (ücretsiz) görselleştirme paketleri, paketler (ücretli lisans gerektiren) mevcuttur, yanı sıra, ticari, ve her iki tip genellikle bu segmentasyon yaklaşımlardan birini veya daha fazlasını içerir. Bu farklı yöntemler göstermek için bu çalışmada kullanılan yazılım paketleri hem ticari programları ve akademik açık s katmakelle soyut bir modelini, yanı sıra manuel ve otomatik yoğunluk segmentasyonu üretmek için ource programları. Ancak, açık kaynak yazılım bazen özelleştirme olanağı ile daha gelişmiş seçenekler sunabilir.

Veri setleri farklı türleri kullanarak bu tekniklerin karşılaştırılması bilgilerimize henüz yayınlanmamış olan çeşitli biyolojik veri 3D ciltlik segmentasyon nasıl yaklaşılması üzerine aşağıdaki kurallar sunumu ve rehberlik yol açtı. Böylece, bu ilk sistematik farklı yaklaşımların karşılaştırılması ve farklı amaçlarla kullanıcılar için özelliklerinin değiştirilmesi ile veri setleri onların kullanışlılığı.

Protocol

1. Manuel Düsünce Modeli Üretimi

Not: metodolojisinin detayları aşağıda açıklanan Chimera özeldir, ancak diğer yazılım paketleri yerine kullanılabilir. Tek amacı yerine nesnelerin hacim şeklinde görüntüleme, geometrik ölçümleri yapmak için bir geometrik model (örneğin, bir top ve çubuk modeli) oluşturmak için, bu yaklaşımı kullanarak.

  1. Manuel soyutlanmış model üretimi için uygun bir programa veri hacmi aktarın.
    1. Dosya> Aç Haritası Dosya Aç iletişim kutusunu kadar çekin. Istenen haritanın dosya konumuna gidin.
    2. Farklı render stilleri ile verileri görüntülemek için Volume Viewer (Araçlar> Ses Verileri> Volume Viewer) seçin ve Özellikler> Ekran Stil yukarı çekin.
    3. Volume Viewer histogramı dikey çubuğunu sürükleyerek ekran için eşik ayarlayınpenceresi.
  2. 3D hacim gezinin (örneğin, dilim dilim) segmentasyon için ilgi alanı seçin ve gerekirse daha küçük alt-hacmini kırpmak için.
    1. Volume Viewer iletişim, Axis 'i tıklatın, sonra da X, Y, Z veya seçin.
    2. Volume Viewer iletişim kutusunda,> Planes Özellikler seçeneğini seçin. Soldaki kutuda numaraya karşılık gelen uçağı görüntülemek için Derinlik ayarlamak için One tıklayın ve tüm uçakları görüntülemek için Tümü öğesini tıklatın.
    3. Volume Viewer iletişim kutusunda seçin Özellikler> Altbölgesi seçimi.
      1. Tıklayın ve ilgi bölgenin çevresinde dikdörtgen bir kutu oluşturmak için sürükleyin.
  3. Ilgilenilen özellik işaretleri de yerleştirin ve modeli tamamlanana kadar (genellikle program tarafından otomatik olarak yapılır) uygun bağlayıcılar ile bağlayın.
    1. Volume Viewer menü çubuğunda, Araçlar>Ses Tracer iletişim Ses Tracer iletişim kutusunu açmak için. Ses Tracer iletişim kutusunda,> Yeni Marker Set dosya seçin.
    2. Ses Tracer iletişim kutusunda, veri uçaklar Mouse> yüksek kalite Yer belirteçleri, Yer belirteçleri kontrol ettirin ve işaretçileri yeniden boyutlandırma, Bağlantı yeni bir işaretleyici seçilen işaretleyici ve Bağlantı ardışık işaretçileri seçilir.
    3. Marker Renk örneğini tıklatın ve bir renk seçin. Bağlantı rengi için bu adımı tekrarlayın.
    4. Işaretleyici ve bağlantı model yapı elemanları için yarıçaplarından girin.
    5. Ses Tracer Penceresinde, [sağ] fare düğmesini kullanarak Yer belirteçleri seçin ve belirteçler ve bağlantılar için yarıçapları yerleştirin.
    6. Sağ işaretçileri koyan başlamak için hacim verilerine tıklayın. İşaretleyiciler otomatik olarak bağlanacaktır.
    7. Ses Tracer iletişim kutusunda, Dosya> Geçerli işaretleyici kümesini kaydedin, ardından> Kapat işaretleyici seti Dosya.
    Ilgi istenilen ikinci özelliği haline bir model oluşturmaya başlamak için yeni bir belirteç kümesi (Adım 1.3.1) açın. Özellikleri farklılıkları vurgulamak için işaretleyici setleri arasındaki kontrast renkler yararlanın.

İlgi Özellikleri 2. Manuel Takip

Not: metodolojisinin detayları aşağıda açıklanan Amira özeldir, ancak diğer yazılım paketleri yerine kullanılabilir. Nüfus yoğunluğu nispeten küçük ve özellik çıkarımı doğruluğu çok önemlidir zaman, manuel izleme gibi zaman alıcı bir yaklaşımdır bu yaklaşımı kullanın.

  1. Manuel izleme seçenekleri ile bir programa İthalat hacmi verileri. Bu yeteneği ile yazılım genellikle en azından temel bir fırça aracı sunuyoruz.
    1. Büyük hacimler veya tomogramları (örneğin, 16-bit 2.048 x 2.048 veya daha büyük rec veya imod içinde mrc oluşturulan tomografi): Seç Open Data> filename.rec> Format sağ tıklayın ...> LargeDiskData olarak Raw seçin Tamam> Yük. Tamam> başlık bilgisinden uygun Ham Veri Parametreleri seçin. Yeni gibi açar ve katılım filename.am aşağıdaki adımlarda kullanılmak için bir dosya.
    2. Küçük 3D görüntü yığını dosyalar (örneğin, 3D .tif veya mrc veya REC): Açık Veri> seçin filename.tif veya filename.mrc. Geçiş Kaydet Sağ Tıklama> filename.am . Bir hata üretilen veya program yanıt vermiyorsa ise, dosya çok büyük olabilir ve Adım 2.1.1 izleyerek açılabilir.
  2. Segmentasyon için bir 3D alt birimini seçmek için dilimler gezinmek ve daha sonra bu ilgi alanında kırpmak.
    1. 3D Görüntüleyici penceresinde, resim dosyasını açmak için Orthoslice seçin. Dilimleri arasında gezinmek için alt kaydırma çubuğunu kullanın.
    2. > Havuz pencerede dosya adı geçiş, LargeDiskData olarak açılan büyük veri kırpmak için sağ> LatticeAccess tıklatın. Enter istenen kutusu boyutu> uygulayın. Yeni dosyayı kaydedin.
  3. Segmentasyon dosyası oluşturun.
    1. Sağ> Etiketleme> labelField tıklayınız> Pool penceresinde dosyayı geçiş. Yeni bir dosya oluşturulur ve otomatik Segmentasyon Editör sekmesinde yüklenecektir.
  4. Ilgi ilk özelliği sınırını Trace, sonra elle veya kullanılan yazılım belirli bir komut kullanarak iz doldurun. Tüm dilimlerde ilgi özelliğini izleyin ve manuel izleme segmentasyonu tekrarlayın. Amira kullanarak aşağıdaki komutları kullanın:
    1. Boya Fırçası aracını kullanmak için, istediğiniz gibi, daha sonra ilgi özelliğinin sınırını izlemek için fare işaretçisi kullanabilirsiniz fırça boyutunu değiştirmek.
    2. Kısayol "f" ile takip alanını doldurun. Artı sembolü, ya kısayol "a" ile butonuna tıklayarak seçimini ekle. Gerekirse, basın "u" geri almak için, ve çıkarma ya da silmek için "s".
    3. Görselleştirme ve temel kalitatif veya yazılım kullanım kılavuzu talimat başına kantitatif analiz için yüzey render oluşturmak.
      1. Object Pool sekmesinde, sağ> SurfaceGen tıklayın> Pool pencerede dosya-labels.am geçiş.
      2. Uygula> İstediğiniz Yüzey özelliklerini seçin. Yeni bir dosya filename.surf Havuz oluşturulur.
      3. > Sağ tıklayın> Havuz pencerede filename.surf geçiş, SurfaceView segmentli hacmini görselleştirmek için.
      4. Taşımak, döndürmek ve 3D hacmindeki yakınlaştırmak için 3dviewer penceresinde araçlarını kullanın.
    4. Tam yoğunlukları ayıklayın ve bu hacim veya yüzey alanı olarak ölçülerini belirlemek. Daha gelişmiş görüntüleme, analiz ve simülasyon için diğer programlara ihracat.
      1. 3dviewer penceresinde, uygun seçeneği (2D uzunluğu ve 2D açısını ölçümler için tek bir 2D düzlemde, 3D uzunluğu ve 3D Açısı seçin> Ölçü aracını tıklayın3D birimde ölçümler için).
      2. İstenilen uzunluk, mesafe ve açıları ölçmek için örgü yüzey tıklayın. Değerler Properties penceresinde listelenir.

    3. Otomatik Yoğunluk tabanlı Segmentasyon

    Not: metodolojisinin detayları aşağıda açıklanan Amira özeldir, ancak diğer yazılım paketleri yerine kullanılabilir.

    1. Ilgi yoğunluklarını çekilme kontrast, canlılık, ya crowdedness herhangi çeşitli veri setleri bu yaklaşımı kullanın.
    2. Otomatik segmentasyon için eşikleme, sihirli değnek, ya da diğer yoğunluk tabanlı araçlar ile donatılmış bir programa İthalat hacmi verileri. Manuel izleme için yönlerde 2.1-2.1.2 özetlenen adımları izleyin.
    3. Dilimleri arasında gezinmek ve segmentasyon için alanı seçin. Gerekirse, segmentasyon için küçük bir 3D alt hacme mostra. Manuel izleme için yönlerde 2.2-2.2.2 özetlenen adımları izleyin.
    4. Yoğunluğunu seçmekBir ilgi bir özellik, genellikle tıklayarak veya özelliği bir işareti veya çapa noktasını koyarak. Yazılım izin veriyorsa, özelliğin piksel yoğunluğunu kapsayan bir sayı aralığı girin ve istediğiniz gibi bu toleransı ayarlamak. Özelliği ait yoğunlukları Çapa'nın piksel veya tolerans değeri yoğunluğuna göre alınacaktır. Amira kullanırken aşağıdaki komutları kullanın.
      1. Ayırt marjları ile özellikler için Magic Wand Tool kullanın.
        1. Ilgi alanı tıklatın, ardından özellik tam vurgulanır, böylece değerlerin doğru aralığı yakalamak için Ekran ve Gizlemenin sürgüyü ayarlayın. Kısayol "a" ile seçimi ekleyin.
      2. Açıkça ayırt kenar boşluğu olmadan özellikler için Eşik Aracı'nı kullanın.
      3. Eşik simgesini seçin. Sadece ilgi özellikleri maskeli böylece arzu aralığında yoğunluğunu ayarlamak için kaydırma çubuğunu ayarlayın. Seç düğmesine tıklayın, ardından kısayol ile seçim eklemek220, bir ".
      4. Bölüm tüm hacim için, seçim eklemeden önce tüm dilim seçin.
      5. Adaları ve / veya Segmentasyon> Smooth etiketleri> gürültü seçin Kesimlemeyi Kaldırmak için.
    5. Manuel izleme bölümünde 2.6-2.6.2 açıklandığı gibi görselleştirme ve nitel analizler için bir yüzey oluşturur. İstenirse, yeterli 3D ekran, kantitatif analiz ve simülasyonlar için diğer programlara ihracat.

    4. Özel tasarlanmış Otomatik Segmentasyon

    Not: Büyük bir birimden kesin bir yoğunluk model oluşturmak için yeteneği bilgisayar bilimi arka plan tecrübe gerektirir, ama sağlayan otomatik segmentasyon için özelleştirilmiş komut dosyaları oluşturmak için bu yaklaşımı kullanın.

    1. Araçlar (MATLAB 27 Shape-denetimli Bölümlemenin Özel Örnek)
      1. Görüntü ön-işleme: gerçekleştirin de-noising, arka plan çıkarma ve görüntü geliştirmeAşağıdaki hattını kullanarak:
        1. Imread komutunu kullanarak görüntüyü yükleyin.
          1. Komut satırında, girin: >> im = imread $ image_path analiz edilecek görüntünün konumu ($ image_path).
        2. Görüntü İşleme Araç kutusundan, bir tahmini veya bilinen Gürültü-güç-sinyal oranı (NSR) kullanılarak Wiener Filtre diyoruz.
        3. Önce işlenen görüntüsünde, daha sonra, arka plan katmanı tahmin etmek imopen görüntü açma işlevini çağırmak farklı bir maske olarak sonucu ayrılamadı.
          1. Komut satırı girin:. >> Plan = imopen (im strel ($ shape_string $ boyutu)), bu yöntemde, $ shape_string boyutu analiz cihazı tarafından verilen değişken $ 'disk' eşittir, yani >> background = imopen (im strel ('Disk', 15)).
        4. Arka plan ile filtre görüntü çıkarın.
          1. >> IM2 = - im: komut satırında girinarka plan
        5. Sonuçlarının kalitesine bağlı olarak, birlikte ya da Görüntü İşleme Toolbox fonksiyon imadjust kullanılarak çağrılabilir uyarlanabilir Otsu yöntemiyle 28 olmadan, görüntü normalleştirme gerçekleştirin.
          1. Komut satırında, girin: >> IM3 = imadjust (IM2)
        6. Normalize görüntü kırpma ilgi bölgeleri sınırlayan, segmentasyon ilgi özelliklerini hazırlayın.
          1. Imtool komutunu kullanarak, kırpılmış için ilgi bölgeyi keşfetmek ve komuta koordinatları sağlar: vektör [x1 y1 x2 y2] tekabül >> im3_crop = imcrop (IM3, [x1 y1 x2 y2]), kare bölge kırpılmış olarak.
      2. (Ilgi özellikleri arasında 2D görüntü lineer izlerini) nesnelerin her biri farklı bir kategori için belirli örnekler vererek algoritma eğitin: tanıma / Denetimli şekil sınıflandırma şekil.
        1. VLFEAT 29 API başarıyla yüklendiğini kontrol edin ve daha derinlemesine dokümantasyon için VLFEAT sitesini ziyaret edin.
        2. Komut satırında girin: >> [AĞACI, ASGN] = VL_HIKMEANS (im3_crop, $ K $ NLEAVES) $ K kullanılacak kümenin numarasını veya gözlemci içine verileri düzenlemek istediği sınıfların sayısını, ve $ NLEAVES yaprak kümeleri istenen sayıda yani bir >> [AĞACI, ASGN] = VL_HIKMEANS (im3_crop, 4.100)
        3. VLFeat için girdi olarak elle segmente özelliklerini kullanın.
          NOT: Bu açık kaynak C tabanlı kütüphane veri setleri için iyi çalışmak için seçilen yöntemin türüne bağlı olarak piksel yama, yama kümeleme ve küme merkezi konumlandırma yapacak. Kullanılabilir seçenekler tabanlı texton için k-ortalama kümeleme aralığı 30 yaklaşımlar ve çıkış özellikleri verilen örnekli dayalı istenilen tanımlayan bir sayısal dizidir.
    2. Segmentasyon: Bu fu kullanınLly rağmen hesaplama pahalı, otomatik, ileri görselleştirme ve analiz için ayrı ayrı haritalar olarak yazılmış olacaktır aynı anda nesnelerin segmenti birden fazla sınıflar, yaklaşım.
      1. Önce oluşturulan rakamı dizisi (model) yükleyin.
      2. Bir girdi olarak bölütlenecek model ve görüntü kullanılarak, VLFeat içinde destek vektör makinesi (SVM) işlevini çağırın.
        1. Komut satırında, girin: >> x orijinal görüntü im2_crop kırpılmış ve y nesnel görüntü, elle segmente edilmiş görüntü olduğunu = vl_svmtrain (x, y, 0.1), [b, w]. Kümeleme tarafından oluşturulan etiketlere göre sonuçları renklendirmek için >> ISEG = VL_IMSEG (I, ETİKETLER) kullanın.
          NOT: modelin özelliklerine dayanarak, VLFeat sınıfların sayısına baştan atanmış (faiz özelliklerini) görüntüyü sınıflandırmak. Istenilen doğruluk derecesine bağlı olarak, başka yaklaşımlar veya tahmin Clust ile bu yöntemi birleştirmek mümkündürBöyle gövde ve küme merkezleri olarak er parametreleri. SVM algoritmasının çıktı olasılıklı bir modeli ve yeni veri istenen sınıflarının çok ikili maskeler.
      3. >> $ Biçimi 'tiff' olduğunu imwrite (im, $ biçimi, $ dosya) ve $ dosya çıktı dosyası için yolu: komutunu girerek sonuçları kaydedin.
      4. >> Imshow (im): Görüntüleri görselleştirmek için, komutu girin.

Representative Results

Şekil 1 elektron tomografisi, FİB-SEM, SBF-SEM dahil 3D elektron mikroskobu hücresel görüntüleme için tipik bir iş akışı gösterir. İş akışı seçilen segmentasyon yazılımın etkinliğini maksimize etmek için ilgi bölgeye kırpma, ham veri toplama, 3D hacim içine veri hizalama ve yeniden, filtreleme yoluyla gürültü azaltma, ve ne zaman gerekli içerir. Böyle Önişlenmiş veri özellik çıkarma / segmentasyon için hazırdır.

Şekil 2, diğer iki FIB'e kaynaklanan ile elektron tomografi (Şekil 2A, 2B) tarafından kaydedilen reçine gömülü örnekleri, iki olan (daha aşağıda tanıtılacak) dört farklı veri setleri ile Şekil 1'de düzenlendiği iş akışını göstermektedir sırasıyla SEM ve SBF-SEM, (Şekil 2C, 2D). Şekil 2 sütun 1 Görüntüler projeksiyon vardırhizalama ve yeniden üzerine bir 3D hacim içine monte edilir görünümleri sırasıyla (Şekil 2A1, 2B1) ve blok yüzey görüntüleri (Şekil 2C1, 2D1),. Sütun 2 filtreleme (sütun 3) üzerine gürültü önemli bir azalma göstermektedir ve bu nedenle, daha net olarak görünen 3D hacimleri yoluyla dilimleri gösterir. (Sütun 4) seçme ve ilgi bölgeye büyük 3D ses seviyesini kırpma sonra, ilgilenilen (sütun 5) segmentli özellikleri 3D render analiz nicel olarak elde ve daha fazla kontrol, renk kodlu ve edilebilir.

Altı 3D veri setlerinin toplam ya elektron tomografisi (3 veri setleri) yoluyla elde edilen görüntülerin bir yığın içeren her, FİB-SEM (2 veri setleri), ya da SBF-SEM (1 veri seti) arasında nasıl birbiri ile karşılaştırılması için kullanılır Dört segmentasyon yöntemleri (Şekil 3) gerçekleştirin. Veri setleri laboratuvarda farklı araştırma projeleri çeşitli kök ve böylece ar sağlamakTipik deneysel veri setleri easonably farklı kümesi. Tüm veri setleri belirli bir yaklaşımla en aşina olan her kime dört bağımsız araştırmacılar tarafından incelenmiş ve bunlar altı veri setlerinin her biri için mümkün olan en iyi sonucu veren suçlandı.

Veriler, aşağıdaki gibi setleri örnekleri aşağıdaki gibidir: 1. Şekil 3A1-3A5: yüksek basınçlı dondurulmuş, yer değiştirmiş-dondurma ve reçine gömülü civciv iç kulak saç hücre stereocilia 31, 2. Şekiller 3B1-3B5: yüksek basınçlı dondurulmuş, dondurularak , ikame edilmiş ve reçine gömülmüş bitki hücre çeperi (yayınlanmamış) 3. Şekiller 3C1-3C5: yüksek basınçlı dondurulmuş, donma-ikame edilmiş ve reçine gömülmüş iç kulak saç hücre kinocilium (yayınlanmamış) 4. Şekiller 3D1-3D5: Yüksek basınç dondurulmuş, dondurma-değiştirilmiş ve insan meme bezi epitel hücrelerinde laminin zengin extracell kültürlenebilmektedir edilmiştir HMT-3522 S1 acininin, içinde bulunan mitokondri reçine gömülü bloklarınitlerin matris 32,33, 5. Şekil 3E1-3E5: boyasız masa üstü işlenmiş, bir sülfat düşürücü bakteriyel biyofilm reçineye gömülü bloklar (hazırlama yazısı) ve 6. Şekiller 3F1-3F5: HMT komşu hücrelerin zar sınır -3522 S1 acininin.

Şekil 3'ten görülebileceği gibi, farklı yaklaşımlar bölütleme başka veri tipleri için, bazı veri seti türleri için çok benzer sonuçlar, ama tamamen farklı sonuçlara yol açabilir. Örneğin, saç hücresi stereocilia veri seti (Şekil 3A) yorumlamak ve ölçmek için net varlık uzman bir kullanıcı tarafından oluşturulan manuel soyutlanmış modeli ile dört yaklaşımın makul segmentasyon hacimleri, verir. Bu durumda, böyle bir model karşılık gelen yoğunluk haritasının eksik kısımlarının uzunlamasına filamentler arasında bulunan bağlantı sayısı, hem de tayin sayma, filaman iplik mesafelerin pratik de elde edilebilirNumune, numune hazırlama 34 sırasında hasar gördü yerlere. Bu tür bilgiler kişiye özel otomatik segmentasyon tamamen yoğunluk tabanlı eşikleme daha iyi sonuç verir, ancak diğer üç segmentasyon yaklaşımlarını kullanarak elde etmek çok daha zordur.

Hücre bitkisi duvarının (Şekil 3B) için, manuel model üretimi için diğer yaklaşımların hiçbiri elde hücre duvarı, düzen bir anlamda taşıma en etkili olduğu ortaya çıktı. Ancak, soyutlanmış modeli veri setinde nesnelerin kalabalığımızın yakalamak değil. Manuel ilgi izleme özellikleri yoğunluk tabanlı veya şekil denetimli yaklaşımlar daha iyi sonuç verir gibi görünüyor. Öte yandan, manuel izleme çok emek-yoğun ve özellikleri tanımlayan sınırları biraz özneldir. Bu nedenle, otomatik yaklaşımlar hassasiyet ve arasındaki potansiyel ticaret-off ile büyük hacimleri segmentlere için tercih edilebilirkaynakları manuel segmentasyon geçirdi.

Kinocilium veri seti (Şekil 3C) için, manuel soyutlanmış modeli üretme temiz sonucu verir ve kinocilium, kırpılmış verileri hali hazırda görünür bir ayrıntısının merkezinde üç mikrotübül beklenmedik mimarisini göstermektedir, ancak tüm diğer yaklaşımlar kayıp , heterojeniteyi leke nedeniyle muhtemelen. Ancak, yoğunluk haritası, diğer potansiyel önemli özellikler soyut bir model manuel nesil cevapsız. Bu, manuel model oluşumu öznel doğası idealize ve gözlenen gerçek yoğunluğunun soyutlama yol açar ve bu yüzden model oluşumu sırasında sübjektif değerlendirmelere olduğu gerçeğidir. Dolayısıyla, bu örnek güzel soyutlanmış modeli birinci nesil 3D hacminin belirli bir yönü üzerinde konsantre sağlar nasıl manuel gösterir. Ancak, seçici algı ve sadeleştirme tüm protein co tam bir hesap vermek için başarısızveri seti mevcut mplexes. Hedef verilerin karmaşıklığı göstermektir, bu nedenle, daha sonra daha iyi bir diğer üç yaklaşımların ile sunulmaktadır.

3D matris kültürlenmiş meme bezi asinüs (Şekil 3D) durumunda, yüksek kontrastlı mitokondri çok şaşırtıcı derecede kirlilik en düşük miktar ile en iyi sonuçlar vermediği özelliklerin manuel izleme (sahip, kolaylıkla dört yaklaşımlar ile bölümlenmiştir Şekil 3D3). Ancak, elle izleme çok emek-yoğun ve büyük hacimler için bu nedenle sınırlı bir kullanımı vardır. Temizlik için daha fazla hileler istihdam ise yoğunluk eşik-tabanlı ve şekil-denetimli otomatik segmentasyon, hem oldukça iyi mitokondri ayıklamak ve mükemmele yakın bir ayrılmaya sebep olur (örneğin, voksel yoğunluğu belirli bir eşiğin altındaki tüm nesneleri ortadan kaldırarak) mevcuttur gibi Farklı ambalajlarda. Bu durumda, manuel soyutlanmış model kurma verim vermedikısmen umut verici sonuçlar, mitokondri kolayca top ve çubuk modelleri ile yaklasık olamaz çünkü.

Bakteriyel toprak topluluk / biyofilm (Şekil 3E) göre, dört yaklaşımın üç manuel model nesil nedeniyle geometrik şekilleri tarafından bakteriler gibi biyolojik nesneler, temsil sorununa iyi performans ile değil, makul sonuçlar. Bakteri kaynaklı hücre dışı uzantılar değil aynı zamanda elle özelliği izleme otomatize bölütleme yaklaşımlar tespit edilebilir. Şekil-denetimli özel tasarlanmış otomatik segmentasyon daha da ileri derece büyük veri kümeleri kolay sayılmasına olanak tanıyan, (veriler gösterilmemiştir) onların benzer yoğunlukları rağmen bakterilerden dışı özellikleri ayırabilirsiniz. Bu aslında çok büyük bir veri seti olduğundan, özel olarak uyarlanmış otomatik segmentasyon açıkça tüm diğer yaklaşımları outcompeted, ancak düşük karmaşıklık yararlanmıştır olabilirve ilgi nesnelerin nispeten seyrek dağılım (düşük kalabalığımızın).

Bir doku gibi içerik (Şekil 3F) iki eukaryotik hücreler arasındaki arayüz incelerken, ilgilenilen özelliklerin sadece manuel izleme iyi sonuçlar vermiştir. Otomatik yoğunluk tabanlı segmentasyon yaklaşımlar tamamen bitişik hücreler arasındaki zar sınırı algılamak için başarısız, ve bir hücrenin şekli kolayca yaklaştırılmış veya şekiller ile eşdeğer değildir, çünkü bile kişiye özel yaklaşımlar bakteriler için berrak başarıya rağmen, kısmen, başarısız biyofilm (Şekil 3E5).

Segmentasyon yaklaşımlar bazı veri kümeleri üzerinde ancak başkalarının iyi olduğuna dair Şekil 3 den gözlem, bu veri setlerinin her karakterize ne sorusuna yol açtı, ve veri özelliklerine veya göründü kişisel amaçların türlerini kategorize etmek mümkün olup olmadığını bunların respectiv ile örtüştüğüE yaklaşım. Bu konunun sistematik çalışma, daha önce yapılmamıştır ve bu nedenle bir ilk adım olarak görüntü özelliklerinin ve kişisel amaçların ampirik listesinin bir kuruluş kendi veri setinin özellik çıkarımı için en iyi yaklaşım bulmak için kendi girişimi bir acemi rehberlik edebilir.

Önemli Şekil 4'te gösterildiği gibi sekiz kriter belirlendi ve bunlar iki ana kategoriye ayrılabilir: (1) veri setinde doğasında vardır ve özellikleri (2) araştırmacının kişisel hedefleri ve diğer hususlar biraz daha olduğunu subjektif, aynı derecede önemli olsa. Çoğunlukla üç ek veri setleri verilmeden, Şekil 3'te altı veri kümelerinden çekilir gösterilen örnekler: bir (Şekil 4A1), Arabidopsis thaliana bitki hücre duvarının bir kriyo-kesitinin bir kriyo-tomogram, ikinci (Şekil 4A2 , 4B1, 4D1 Şekiller 3F1-3F5 gösterilen kategoriye girer ama daha büyük ölçüde karmaşık olabilir oldukça karmaşık ve dolambaçlı dokusu olan iç kulak stria vaskularis bir FİB / SEM veri seti, ve üçüncü (Şekil 4B2 , 4D2) Figuress 2A1-2A5 ve 3A1-3A5 uzunlamasına görünümde gösterilen örnek içeriğine benzer enine kesit bir görünüş içerisinde iç kulak saç hücre stereocilia reçineden bölümü tomogram vardır.

Görüntü özelliklerinin, gibi nesnel ölçütlerin kategori için veri setleri doğasında dört özelliklerin önemi olması önerilmektedir:

  1. Gibi net bir organel ya da başka belirgin özelliği, ayakta durma ya da (3), yüksek hücresel sahneleri olarak (2) ara madde (Şekil 4A2) cryo-EM tomografi için tipik olarak veriye göre (1) düşük (Şekil 4A1) olabilir, (Şekil 4A3), kinoci için olduğu gibiZ-yönü içinde net bir şekilde ayrı lifli elemanlarının hizalanmasından kaynaklanan Liary tomogram veya enine kesitte stereocilia.
  2. Veriler, keskin biçimde tanımlanmış sınırlara sahip bir doku veya soğuk (Şekil 4B2), hücreler olarak yakın bir şekilde konumlandırılmış nesneler arasında görsel olarak berrak bir sınırları bulanık (Şekil 4B1), olabilir. Bu durum kısmen, yaklaşık 2-4 FİB-SEM ile karşılaştırıldığında elektron tomografi için bir faktör tarafından doğal olarak daha yüksek çözünürlük veri seti, bir fonksiyonudur. Doğal, keskin sınırları ikinci yaklaşımın hem kılavuzunda yanı sıra otomatik segmentasyon yaklaşımları için, ama arzu esastır.
  3. Oldukça kolay görüntü segmentasyon otomatik sıva ayrımını örnekleyen bir koloni içinde bakteri olduğu gibi yoğunluk haritaları, doldurulan seyrek sıkı aralıklı bitki hücre duvarı bileşenleri tarafından yansıtılan, ya da gibi kalabalık (Şekil 4C1) (Şekil 4C2) olabilir.
  4. Yoğunluk haritalarda stria vaskularis bir kan damarı etrafında doku (Şekil 4D1) veya enine kesitte stereocilia benzer bir organizasyonu ile, iyi tanımlanmış bir organel-benzeri nesneler (sıklıkta düzensiz şekillere sahip çok farklı özelliklere sahip son derece karmaşık olabilir, Şekil 4D2).

Ayrıca karşılaştırma biraz zorlaştırır, tüm farklı örneklerde çok farklı ölçekler unutmayın.

Dışında böyle uygun yolun seçimine rehberlik edecektir görüntü özelliklerinin, dört derece öznel ölçüt olarak daha objektif kriterlerden de önerilmiştir:

  1. İstenilen Amaç: Amaç karmaşıklığı içinde saç demeti stereocilium görselleştirmek ve belirlemek ve nesne (Şekil 4E1) şeklini incelemek, ya da yoğunluk haritası yerleşik bir basitleştirilmiş ve soyutlanmış top ve çubuk modeli oluşturmak için olabilir ve sağlayan bir hızlı saymageometrik nesnelerin nd ölçüm (Filament uzunluk, mesafe ve bağlantı sayısı) (Şekil 4E2).
  2. Özelliği morfolojisi oldukça düzensiz ve örneğin aktin filamentler ve haç gibi çoğunlukla hücre-hücre etkileşim gibi mitokondri (Şekil 4F2) gibi biraz benzer bazı varyasyon ile şekilli alanlar (Şekil 4F1), ya da aynı şekilli, gibi hücreler gibi karmaşık olabilir boyuna yönde (Şekil 4F3) bir saç demeti linkler.
  3. Bir segmente 3D veri kümesindeki tüm özellikleri isteyebilirsiniz gibi bitki hücre duvarlarının (Şekil 4G1), veya hücresel hacminin sadece küçük bir kısmı için olduğu gibi faiz (nüfus yoğunluklu) özelliği oranı, önemli gibi bir heterojen hücre sahne (Şekil 4G2) mitokondri durumdur. Veri kümesinin boyutu ve bölünmeye gerektiren hacim yüzdesine bağlı olarak, kullanmak için en etkili olabilir,manuel yaklaşımlar. Böyle bir özellik çeşitli ilgi olduğu gibi diğer durumlarda, sadece yarı-otomatik segmentasyon yaklaşımları kullanmanın hiçbir alternatif yoktur.
  4. Başka bir anahtar subjektif kriter bir segmentasyon sürecine yatırım için istekli olduğunu kaynakların miktarı ve sadakat ne düzeyde biyolojik soruyu cevaplamak için gereklidir. Daha fazla bakım doğru kantitatif bilgileri (Şekil 4H1) elde etmek için gerekli olabilir bu durumda biri, istediğiniz ve (vb diğer özellikleri büyüklüğü, hacim, yüzey alanı, uzunluk, mesafe, gibi) bir özelliğin hacimsel parametreleri ölçmek gerekebilir ya amaç sadece kendi 3D şekli (Şekil 4H2) bir fotoğraf karesi olabilir. Kaynakları sınırsız İdeal bir dünyada, biri açıkça taviz ziyade kullanıcı destekli kılavuzu özelliği ekstraksiyon en doğru yolu tercih etmek istemem. Bu birçok veri setleri için çalışabilir olsa da, yakın gelecekte 3D hacimleri wil l 10k veya daha yüksek 10k ile 10k sırada olması, ve manuel segmentasyon artık böyle bir muazzam boşluk segmentlere önemli bir rol oynamak mümkün olacak. Verileri ve diğer verileri özelliklerinin karmaşıklığına bağlı olarak, yarı otomatik bölümleme bir gereklilik haline gelebilir.

Şekil 5, güçlü ve sınırlamalar kısaca dört segmentasyon yaklaşımları için listelenir. Her yaklaşım ile eşleştirmek Şekil 4'te tanımlanan kişisel amaçları ve görüntü özelliklerinin yanı sıra özetlenmiştir. Şekil 6'da, kişisel amaçları ve altı veri setlerinin görüntü özellikleri verilerini seçip ayırmasına ve en iyi yaklaşım karar nasıl örneklemektedir. Hem 5 ve 6 tartışma üzerine genişletilmiş Rakamlar.

yük / 51673 / 51673fig1highres.jpg "width =" 500px "/>
Biyolojik görüntüleme yeniden yapılanma ve analizi için Şekil 1. İş Akışı. Bu grafik tomografi tarafından toplanan çeşitli toplamak için atılan adımlarla ve süreç görüntülerin bir bakış verir, iyon ışını SEM ve seri blok yüzünü SEM duruldu. 2D tilt serilerinin veya seri bölümlerde Ham veri toplama sonuçları. Bu 2D görüntü setleri daha sonra gürültüsünü azaltmak ve ilgi özellikleri kontrastı arttırmak için filtre, 3D içine hizalanmış ve yeniden inşa edilmelidir. Son olarak, veri segmente edilebilir ve sonuçta bir 3D modeli sonuçlanan analiz. bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 2
Şekil 2,.. Tomografisi ve FIB-SEM veriler toplandıktan sonra iş akışının her adımında farklı veri türleri için iş akışı örnekleri dört veri setleri (satırlar AD) ile gösterilir: boyuna kesit stereocilia lekeli tomografi gömülü reçine, reçine, bitki hücre duvarının lekeli tomografisi gömülü E. selüloz, meme epitel hücre mitokondri FİB-SEM, SBF-SEM coli bakterisinin. Ham veriler üzerinden bir 2D dilim 1. sütunda gösterilmiştir ve hizalama ve 3D rekonstrüksiyon sonrası verilerden bir görüntü aşağıdaki gibidir sütun 2. 3. sütunda uygulanan filtreleme teknikleri içermektedir: medyan filtresi (A3), non-anizotropik difüzyon filtre (B3), Gauss (C3) ve MATLAB'in imadjust filtre (D3). Çevrede (sütun 4) kırpılan alanından Her veri kümesi için en iyi segmentasyon bir örnek 3D sütun 5. Ölçek çubukları oluşturma gibi görüntülenir: A1-A3 = 200 nm, A4 = 150 nm A5 = 50 nm, B1-B3 = 200 nm, B4, B5 = 100 nm, C1-C3 = 1 mm C4-C5 = 500 nm,D1-D3 = 2 mm, D4-D5 = 200 nm. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 3,
Dört segmentasyon Şekil 3. Uygulama örneği veri setleri yaklaşımları Altı örnek veri setleri dört yaklaşımlarla segmente edildi:. Manuel soyutlanmış model üretme, manuel izleme, otomatik yoğunluk tabanlı segmentasyon ve özel-uyarlanmış otomatik segmentasyon. Amaç nicel amaçlar için bir model oluşturmak ziyade yoğunlukları ayıklamak için olduğu gibi manuel soyutlanmış model üretme, stereocilia (A) lekeli tomografisi gömülü reçine etkili oldu. Reçine için bitki hücre duvarının (B) otomatik yoğunluğa dayalı segmenta lekeli tomografisi gömülüyon hızlı manuel yöntemler verilerin sadece birkaç dilim çok fazla çaba aldı gibi birçok dilimleri aracılığıyla selüloz çıkarmak için en etkili yöntem oldu. Diğer yöntemler bölütleme olmadığı belirlendi Kılavuzu soyutlanmış modeli üretme kinocilium (C) lekeli tomografi mikrotübül üçlü üretilen henüz iki yaklaşım daha hızlı otomatik yoğunlukları ekstre edilmiş ve bu nedenle tercih edilmiştir. Bağlı göğüs epitelyal hücrelerinin FİB-SEM (D) mitokondrinin şekline, manuel izleme sonucu temiz ve hızlı segmentasyon izin enterpolasyon yöntemlerin kullanımı ile birlikte düşük bir nüfus yoğunluğu sağladı. Parçalara gereken büyük bir hacim göz önüne alındığında, özel olarak uyarlanmış otomatik segmentasyon SBF-SEM bakteriler verileri (E), ama hem otomatik yaklaşım karşılaştırılabilir segmentinde en verimli olduğu kanıtlanmıştır. Zaman alıcı olmakla birlikte, meme epitel hücre zarının FIB-SEM (F) ayıklamak için tek yöntem manuel izleme oldu Ölçek Barlar.:A1-A5 = 100 nm, B1-B5 = 100 nm, C1-C5 = 50 nm, D1-D5 = 500 nm, E1-E5 = 200 nm, F1-F5, bar = 500 nm. görmek için lütfen buraya tıklayınız Bu rakamın büyük bir versiyonu.

Şekil 4
Şekil 4. Amaç görüntü özellikleri ve veri setleri triaging subjektif kişisel amaçları. Verilerden örnekler kullanma kriterleri segmentasyon yaklaşımı kullanacağının kararını bilgilendirmek için önerildiği, özelliklerini ayarlayın. Nesnel özellikleri bakımından, veri doğal, düşük, orta veya yüksek (A1-A3), bulanık veya gevrek (B1-B2) olmalısınız kontrast olabilir, aralıklı veya (C1-C2) kalabalık ve karmaşık ya da sadece var örgütlü özellikleri (D1-D2). Öznel, kişisel amaçları istenen o yer bjective ilgi özelliği yüksek veya düşük nüfus yoğunluğu seçerek, ilgi (F1-F3) bir özelliği olarak bir kıvrık levha, kıvrık hacmi, veya doğrusal morfolojisi belirlenmesi, tam yoğunlukları (E1-E2) basitleştirilmiş bir model hedefleme veya ayıklanması (G1-G2), ve bu süre (H1-H2) Ölçek Barlar gibi yatırımlarının bir geri dönüşü azaldığı için yüksek sadakat ve yüksek kaynak tahsisi arasındaki ticaret-off üzerine karar:. A1 = 50 nm, A2 = 1500 nm A3 = 100 nm, 1500 nm = B1, B2, = 200 nm, C1-= 100 nm, C2 = 200 nm, 10 mm D1, D2 = 200 nm, 100 nm = E1 ve E2 = 50 nm, F1-F2 = 500 nm, F3 = 50 nm, G1 = 100 nm, G2 = 1 mm, H1-H2 = 100 nm. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

px "/>
Şekil 5. Karşılaştırılması veri özellikleri tablosu ve subjektif, farklı segmentasyon yaklaşımlar uygun hedefliyor. Bu tablo, her segmentasyon yaklaşımın güçlü ve sınırlamaları özetlemektedir. Şekil 4 den hangi kriterleri segmentasyon yöntemi için uygun olan veri setleri belirlemenize yardımcı olabilir. Bu nesnel görüntü özellikleri ve öznel, kişisel amaçları her yaklaşımın optimal kullanımı için seçilen, ancak engelleyebilir veya segmentasyon verimliliğini yardımcı olabilir farklı kombinasyonları. Edildi , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 6,
Verimli t Şekil 6. Karar akış şemasısegmentasyon riage değişen özellikleri ile veri setleri için yaklaşır. özellikleri Şekil 4 vurgulanır dayanarak, bu diyagram dört kriter en Şekil 3 ayarlanan her veri için en iyi segmentasyon yaklaşımı nihai karar katkıda bulunmuştur göstermektedir. Her bir veri seti renk hızla ya da aynı yaklaşım yol olmayabilir alternatif bir yolunu gösterecek birincil karar verme sürecini temsil kalın çizgileri yanı sıra, noktalı çizgiler takip kodlu. Kinocilium, bakteri ve bitki hücre duvarı veri kümeleri iyi iki otomasyon yaklaşımlar ile sınıflandırılmıştır. Buna karşılık, hücre zarı ve mitokondri yolları her zaman nedeniyle zor özellikleri manuel izleme yol. , bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Discussion

3D EM hacimleri ilgili özelliklerin çıkarılması için etkili stratejiler acilen son zamanlarda biyolojik görüntüleme vurdu veri tsunami yetişmek için ihtiyaç vardır. Veri saat veya gün içinde oluşturulabilir iken, derinlemesine 3D hacimleri analiz aylarca sürer. Bu nedenle, görüntü analiz bilimsel buluşlar için darboğaz haline gelmiştir açıktır; Bu sorunlar için yeterli çözümler olmadan, görüntüleme bilim adamları kendi başarısının kurbanı. Bu durum, aynı zamanda, yüksek veri karmaşıklığı ve tipik olarak proteinler ve protein kompleksleri sınır bir tane ve esas gri tonlama yoğunluklarda oluşan sürekli bir gradyan olarak görünür biyolojik hücrelerde bulunan yüksek moleküler kalabalık ötürüdür. Sorun numune hazırlama ve görüntüleme kusurları ile komplike, ve bazı durumlarda görüntü rekonstrüksiyonu eserler, önde gelen tam otomatik bir yaklaşım sorunlar oluşturabilmektedir mükemmel daha az hacimsel verilere edilires. En önemlisi, ancak, numune hazırlama, görüntüleme, ve biyolojik yorumlanmasında uzmanlar nadiren iyi hesaplamalı bilim usta, ve böylece etkili bir özellik çıkarma ve analiz yaklaşımı konusunda rehberlik gerektirir olmasıdır. Bu nedenle, çeşitli örnekler aracılığıyla, protokol segmentasyon verileri, yanı sıra manuel soyutlanmış modeli üretimi, otomatik yoğunluk tabanlı segmentasyon, ilgi özellikleri manuel izleme ve özel-uyarlanmış otomatik segmentasyon için adımlarını nasıl hazırlanacağını açıklar. Prosedür özetlenen manuel ve otomatik yaklaşımlar burada sözü bunlardan bazıları segmentasyon yazılımı, büyük bir çeşitlilik bulunabilir, ancak diğerleri benzer işlevleri yerine ve eşit derecede uygundur.

Sonuçlar 3B bölütleme yaklaşımların her birinin etkinliği veri setlerinin her farklı tip için farklılıklar olduğunu göstermektedir. Hatta s farklı yaklaşımlar niteliksel üretilen olsaimilar 3D render nihai ürün olarak, zaman ve çaba miktarı önemli ölçüde değişmiştir segmentasyon işlemi sırasında her geçirdi. Uygun görüntü özellikleri ve segmentasyon başına yaklaşım kişisel amaçlar için öneriler ayrıca aşağıdaki dört alt bölümlerde açıklandığı Şekil 5, özetlenmiştir. Bu kriterler Şekil 6 karar akış şemasında gösterildiği gibi Şekil 5 rağmen., Altı veri setlerine uygulanmış ve 6 yalnızca Her veri kümesi için bir gerekçe sağlamak içindir ve kriterlerin her karar verme sürecinde ağırlıklı nasıl, Onlar kusursuz bir rehberlik değil, bir başlangıç ​​noktası yoktur. Karar verme sürecini etkileyen pek çok kriter sadece vardır: diğerleri gibi istenen bir hedef olarak daha öznel ölçütleri, oysa bazı tür bir veri seti özellikleri gibi objektif kriterler vardır. Bu yüksek lev gösterdikleri veri setleri söylemek güvenli olduğunukeskin net sınırları ile kontrast el, iyi ayrılmış ve (çok çeşitli değil) nispeten homojen ve nesnelerin çok sayıda için bir yoğunluk modeli görüntüleme amacı ile işlenen özelliklere sahip, otomatik yaklaşımlar, üstün olacaktır için değil eğer manuel yaklaşımlar sadece kaynak (zaman) -prohibitive olacağını gerçeği. Kontrast düşükse Öte yandan, veriler bulanık ve böylece, nesneler kalabalık ve özellikleri yüksek bir çeşitlilik göstermektedir ve dolayısıyla heterojen olan bir uzman bilgisi gerektirir, bir manuel özellik çıkarımı dışında başka seçeneğim yok olabilir / segmentasyon.

Manuel Düsünce Modeli Üretimi

Manuel soyutlanmış modeli izleme, lineer elemanları segmentlere otomatik (sopa) bağlanabilir tohumlar noktaları (topları) sağlamada etkilidir. Bu tür topları ve sopalarla-modelleri uzunluğu a ölçmek için çok güçlü olabilirnd bu modelin yönelimi ve nitel muayene ve kantitatif analiz hem de yeterli derecede soyutlanması modeli sunar. Analizine harcanan kaynakların en aza indirilmesi yaygın biçimde kullanılmaktadır Manuel soyutlanmış model üretme orijinal veri şekilleri mutlak sadakat daha önemlidir. Bu ilgi doğrusal ve homojen özellikler (örneğin, filamentler, borular) ile en başarılı olduğunu. Veri kontrast, netlik ve kalabalığımızın sürece insan gözü ilgi nesnesi tanımadığı gibi, bu yöntemin başarısını belirlemede önemli bir rol oynamaz. Bazen bu tür modelleri de segment bir iskelet iskelet çevresindeki bir bölgede 3 boyutlu harita olarak kullanılabilir. Anahtar modeli yerine tam bir yoğunluk yansıma olmasına rağmen, 3B yoğunluk skeletonize versiyonunu temsil eder ve bu şekilde karışık olmayan bir görüntüleme ve kalitatif analizi sağlar. Uzunluk gibi sayısal ölçümler de yaklaşık modelinden belirlenebilir. Bir içinmanuel soyutlanmış modeli nesil yazılım örneği, online Chimera ayrıntılı kullanım kılavuzunu ziyaret edebilirsiniz http://www.cgl.ucsf.edu/chimera/current/docs/UsersGuide/index.html .

İlgi Özellikleri Manuel Takip

Manuel fırça izleme hemen hemen tüm veri özellikleri ile iyi çalışır, ama aynı zamanda yöntemini en zaman alıcı olduğunu. Bazen, bu tür ince ve kıvrık hücre zarı gibi özellikler, büyük bir çeşitlilik içeren karmaşık bir görüntü kümesinden ilgilendiren önemli bir özelliği ayıklamak için tek tekniktir. Ilgi özelliği sorunsuz değiştirdiğinde bazı programlarda mevcut yararlı bir araç aralıklı segmentlere dilimleri arasında enterpolasyon sağlar. Veri berrak ve yüksek kontrast ortam maddesine sahip olan, elle izleme en verimli şekilde tatbik edilebilir, fakat aynı zamanda kullanılabilirkullanıcı sürece daha zorlu veri setleri, ilgi nesnesi ile tanıdık. Veri karmaşıklığı nesneleri yakından dolu karmaşık ve kalabalık veri setleri, ayrık nesneler değişebilir. Otomatik yaklaşımlar genellikle segment istenilen hacmi mücadele ve çok fazla veya çok az ayıklamak gibi ikinci durumda, manuel segmentasyon, tek seçenek olabilir. Böyle dolambaçlı levhalar veya hacimleri gibi zor özelliği Morfolojileri, ayrıca bu yöntemle elde edilebilir. Ilgi özellikleri yüksek nüfus yoğunlukları segmentasyon zaman engelleyici olur gibi ilgi özelliklerin nüfus yoğunluğu, düşük Ancak, kullanıcının birkaç zor özelliklere sahip bir veri seti sadece segmente edilebilir akılda tutmak gerekir. Manuel takibi ile bir yazılım, örneğin, online Amira detaylı kullanım kılavuzunu ziyaret edebilirsiniz http://www.vsg3d.com/sites/default/files/Amira_Users_Guide.pdf.

Otomatik Yoğunluk tabanlı Segmentasyon

Manuel tekniklerinin aksine, otomatik yaklaşımlar genellikle görüntüleri büyük bir yığını segmentlere dikkate alınması gereken önemli bir faktör daha az zaman alıcı vardır. Ancak, basit eşikleme olarak doğru olmayabilir, ve çok daha fazla zaman otomatik olarak bölümlenmiş hacmi arıtma ve kürasyonunda harcanan olabilir. Otomatik yoğunluk tabanlı segmentasyon tüm segmentasyon gerektiren ilgi benzer özelliklere sayıda gösterilecek veri kümeleri üzerinde en iyi çalışır. Veri daha karmaşık ise, bu otomatik teknikleri hala bir ilk adım olarak hizmet edebilir, ancak ilgi özelliğini içeren bir subvolume belirtmek için satır aşağı bazı manuel müdahale gerektirir. Bu strateji genellikle doğrusal morfolojilere veya kıvrık birimlerde iyi çalışıyor, ama bunun gibi ince kıvrık yaprak ile nadiren başarılıhücre zarları. Yüksek sadakat karşılığında zaman gibi birkaç kullanıcı kaynakları sokmaksızın ise otomatik yaklaşımları ile en az kullanıcı müdahalesi, büyük veya küçük hacimlerde yoluyla segmentasyon sağlar. Otomatik yoğunluk tabanlı segmentasyon ile bir yazılım, örneğin, online Amira detaylı kullanım kılavuzunu ziyaret edebilirsiniz http://www.vsg3d.com/sites/default/files/Amira_Users_Guide.pdf .

Özel-Tailored Otomatik Segmentasyon

Özel tasarlanmış otomatik segmentasyon, belirli bir veri kümesi için algoritmalar güç özelleştirme sağlar, ancak genellikle önemli özellik sınırlı sayıda uygun veri seti veya veri türü, özeldir ve kolayca genelleştirilmiş olamaz. Burada görücüye prosedürü, havza daldırma ve diğer düzeyi gibi genel otomatik segmentasyon yaklaşımları farklıdır Bu tohum noktalardan hızlı yürüyen küp yayılımı takip kritik başlangıç ​​vokseli bir programlanmış belirlenmesine dayanan grubu yöntemler,. Bu tema üzerine bir varyasyon gradyan vektör bilgilerini özellik sınırlarını bildirir sınır segmentasyon, olduğunu. Aksine, burada kullanılan özelleştirilmiş komut kullanıcı manuel olarak birkaç örnek izleri bir eğitim sahnede dayanır. Makine öğrenme yoluyla, belirli algoritmalar algılamak ve daha sonra bağımsız tutarlı izleri bulunan özellikleri ve veri özelliklerini tanımayı öğreneceksiniz. Algoritmaları yeniden eğitmek ve örnek daha dahil ederek segmentasyon doğruluğunu artırabilir uzman bir kullanıcı özelliği kriterleri daha büyük bir dizi sağlamak için izler. Curation sadece manuel izleme gibi yoğun emek olarak olabilir Genel olarak, eşikleme ve ilgili yaklaşımlar, hatta müşteriye özel yaklaşımlar, organellere veya şekillerin karmaşık çeşitliliği ile bir görüntünün ilgi tek bir özelliği ayıklamak için yararlı olmayabilir.

">

Veri triaging ve Segmentasyon Yaklaşımı seçimi için Stratejiler

Şekil 5, Şekil 4 ve uygun veri setleri özetinde gösterilen subjektif ve objektif kriterler dikkate alındığında, Şekil 6'da karar verme düzeni veri setlerinin büyük bir çeşitlilik için özellik çıkarma stratejileri etkili bir değerlendirilmesine yardımcı olabilir. Veri setleri, Şekil 4'te sunulan dört ilgili hedefleri yanı sıra, iki öznel kriterlere herhangi birini içerebilir, her biri dört ardışık karardan içinde yanıtlanması edilir. Bir örnek olarak, Şekil 6, altı, her veri triaging için rasyoneldir setleri Şekil 3'te gösterilmiştir. Kuşkusuz, orada bir tek, benzersiz bir yol değildir, ancak her bir veri seti için t yol açabilir karar verme için değişik kriterler aşağıdaki Bu matris boyunca oldukça farklı yollarıveri segmentasyonu için aynı veya farklı bir öneri o. Her veri seti tahmin edilemez özellikleri, kendi seti var olsa da, altı örnekler her tercih özellik çıkarma / segmentasyon yaklaşımın arkasındaki mantığı bir açıklama ile eşleştirilmiş, verilir. Çoğu da alternatif bir rota karar aynı veya farklı bir bölümleme yaklaşımın kullanımı ya sonuçlar (Şekil 6) için bir teklif içermektedir.

Kinocilium otomatik yaklaşımlar daha olası başarılı kılan açıkça tanımlanmış sınırları, seti net veridir. Tüm ilgi özellikleri de yine otomatik bir yaklaşım lehine, ayrılır. Buna ek olarak, söz konusu özellikleri, özel olarak uyarlanmış segmentasyon için nispeten homojen bir veri seti ideal hale getirir, birbirine benzer. Son olarak, amaç, bir yarı otomatik yaklaşımlarla, bütün özelliği elde etmek olmuştur. Sonuç olarak, bundan, otomatik bir eşik (Katı yeşil hat) yanı sıra özel tasarlanmış (örneğin,) denetimli segmentasyon şekil yaklaşımı (noktalı yeşil hat) hem bu veri kümesi üzerinde de yapmak olasıdır.

Karar verme ağda farklı bir sırayla yerleştirilir, ancak benzer kriterler, bakteriler durumunda uygulanır. Bu veri seti çok büyük oldu çünkü kişiye özel yaklaşım bölümünde tavsiye edilir; dolayısıyla, sınırlı kaynaklar, emek-yoğun manuel müdahale / segmentasyon yaklaşımı yasaklamaktadır. Eşikleme kabul edilebilir sonuçlar vermiştir isterken, özel olarak tasarlanmış bir yaklaşım bakteri-arasında veya hemen yanında bakteri ya bulunan hücre dışı metal yataklarının, gelen yuvarlakça bakteri şekilleri ayırmak için çalışmanın temel hedeflerinden yürütmek başardı, ve bu nedenle kişiye özel bir yaklaşım tercih edilmiştir.

Stereocilia veri setleri için, önceliğiniz istenen hedefidir: hedefi tüm yoğunluğunu göstermek için olabilir, yaveya geometrik modeller oluşturmak için. Ilgi hacmi kalabalık bir alanı oldu ve objektif segmente sonradan vb yardımcı oldu uzunlukları, sayılar, mesafeler, oryantasyon, dahil kantitatif hacimsel analizini yürütmek için ayrılmış nesneleri gibi nesnelerin çok sayıda olduğu bir nesneler faiz ağırlıklı olarak lineer vardı ve bu seçim yöntemini izleme geometrik modelini yaptı. Ancak, bunun yerine objektif bir otomatik eşikleme protokol mümkün kılacak keskin tanımlı sınırları ile tüm yoğunluğu, daha sonra doğrusal özelliği morfolojisini yanı sıra nispeten yüksek kontrast göstermek olmuştur eğer.

Hücre zarları ve mitokondri veri olgu özelliği morfoloji kendi kategorilerine otomatik yaklaşımlara karşı çıkıyor: kıvrık yaprak ve hacimleri, sırasıyla. Amaç doğru hücre ya da mitokondri anahat iz olduğunu, ancak bunu yapmak için sadece sonlu kaynaklar vardır. Inter Buna ek olarak, özelliklerest karmaşıktır ve mitokondri veri muhtemelen daha fazla özelleştirme ile tatbik edilebilir bakteri için alınan özel komut dosyası yaklaşımı setleri için rağmen, kolayca otomatik olarak algılanır veya şekil kodlanmış olamaz. Neyse ki, zar ve mitokondri kendilerini sadece bütün hacminin bir kısmını teşkil eder, ve bu nedenle, mekanik izleme zaman alıcı bir yaklaşım olsa bir basittir. Kontrast oldukça düşüktür ve sınırları oldukça bulanık olduğunda Manuel izleme ayrıca veri setleri için tercih edilen bir yöntemdir. Onlar veri setlerinin önemli bir bölümünü teşkil bile Sonuç olarak, bu tür dolambaçlı yaprak elle basitçe nedeniyle daha iyi bir alternatif olmadığı için, takip edilmelidir.

Amaç segmenti yoğun aralıklı ve kalabalık bir sahne oluşturan tüm nesneleri, oldu, çünkü bitki veri seti kendi zorlukları poz verdi. Yoğunluğu gösteriliyor as-is şekli ve nesnelerin organizasyonu, ama b hakkında ölçümleri sağlayacakecause elle her ipliksi nesne, otomatik eşikleme yerine çok masraflı istihdam edildi edilir segmentlere.

3D modeli oluştururken çeşitli aşamalar ve ilgili sonuçları burada görüntülenir edilmiştir, ama daha da önemlisi, bulunan veri özellikleri ve kişisel kriterler segmentasyon iyi yolu da izah edilmiştir belirlenmesinde önemli olması. Görüntü verilerinin kendisi önemli özellikleri aksine, kalabalık, canlılık ve farklı şekil ya da (örneğin, organeller, filamentler, membran gibi) özelliklerin sayısı olarak burada açıklanan bir yer alır. Subjektif kriterler (ölçüm / sayma, iskeletize temsil veri / 3D renderings hacimleri görüntüleme), ilgilenilen özellik morfolojik özellikleri (doğrusal, uzun ağ, karmaşık, dolambaçlı), yoğunluğu segmentasyon amacı istenen dahil düşünün bütün hacmi (olan nesnelerin fraksiyonuna göre ilgi özellikleriönemli ve) ayıklanması gereken ve orijinal veri segmentasyon sadakat kaynakları sokmaksızın tradeoffs ve kaynakların önemli ölçüde daha yüksek tahsisi için artan iyileştirmeler sonuçlanan yatırım azalan getiri dengeleme.

Görüntü segmentasyonu alanı anlamlı son yıllarda olgunlaştı, henüz gümüş kurşun, hepsini yapabilirsin hiçbir algoritma ya da program var. Veri seti boyutları rutin onlarca gigabayt megabayt yüzlerce büyüdü, ve şimdi neredeyse imkansız manuel segmentasyon yaparak, terabayt aşan başlıyor. Böylece, daha fazla kaynak, insan karar verme süreci taklit zeki ve zaman etkin özellik çıkarma yaklaşımları yatırım gerekir. Bu tür çabalar (Google Earth benzeri) anlamsal hiyerarşik veri tabanları, (2) veri soyutlama teknikleri (yani, geçiş tabanlı (1) coğrafi bilgi sistemi (CBS) ile kombine edilmesi gerekecektirBilgisayar destekli tasarım (CAD) yazılımı sık sık kullanılan olarak, (3) simülasyon teknikleri, önemli ölçüde veri miktarını azaltmak ve böylece daha büyük hacimli 35 görüntü sağlayan amacıyla uyumlu geometrik / hacimsel gösterimi için bir vokselin) den mühendislik disiplinleri gibi (oyun endüstrisi için geliştirilen ne benzer) sinek-yoluyla animasyonlar dahil (4) gelişmiş animasyon ve film yapma yeteneklerini,.

Açıkçası, verimli özellik çıkarma ve segmentasyon, farklı veri türleri için alınmış hücresel yüksek çözünürlüklü görüntüleme önümüzdeki devrimin kalbinde daha iyi yaklaşımlar her zaman ihtiyaç olacaktır olurken, ve, ilkeler Burada sunulan, yanı sıra ne yaklaşım örneklerini yatıyor almak için yaklaşım hangi bir karar için bazı değerli bilgiler sağlayacaktır.

Materials

Name Company Catalog Number Comments
Amira FEI Visualization Sciences Group http://www.vsg3d.com/amira/overview
Chimera UCSF http://www.cgl.ucsf.edu/chimera/
Fiji/ImageJ National Institute of Health http://fiji.sc/Fiji, http://rsbweb.nih.gov/ij/
IMOD Boulder Laboratory for 3D Electron Microscopy of Cells http://bio3d.colorado.edu/imod/
Photoshop Adobe http://www.adobe.com/products/ photoshopfamily.html
MATLAB MathWorks http://www.mathworks.com/
VLFeat VLFeat http://www.vlfeat.org/

DOWNLOAD MATERIALS LIST

References

  1. Auer, M. Three-dimensional electron cryo-microscopy as a powerful structural tool in molecular medicine. J Mol Med (Berl). 78, (4), 191-202 (2000).
  2. Johnson, M. C., Rudolph, F., Dreaden, T. M., Zhao, G., Barry, B. A., Schmidt-Krey, I. Assessing two-dimensional crystallization trials of small membrane proteins for structural biology studies by electron crystallography. Journal of visualized experiments JoVE. (44), e1846 (2010).
  3. Jun, S., Zhao, G., Ning, J., Gibson, G. A., Watkins, S. C., Zhang, P. Correlative microscopy for 3D structural analysis of dynamic interactions. Journal of visualized experiments JoVE. (76), e50386 (2013).
  4. Meng, X., Zhao, G., Zhang, P. Structure of HIV-1 capsid assemblies by cryo-electron microscopy and iterative helical real-space reconstruction. Journal of visualized experiments JoVE. (54), e3041 (2011).
  5. Chen, S., McDowall, A., et al. Electron Cryotomography of Bacterial Cells. Journal of visualized experiments JoVE. (39), e1943 (2010).
  6. Meyerson, J. R., White, T. A., et al. Determination of molecular structures of HIV envelope glycoproteins using cryo-electron tomography and automated sub-tomogram averaging. Journal of visualized experiments JoVE. (58), e2770 (2011).
  7. Lucic, V., Forster, F., Baumeister, W. Structural studies by electron tomography: from cells to molecules. Annu Rev Biochem. 74, 833-865 (2005).
  8. Bajaj, C., Yu, Z., Auer, M. Volumetric feature extraction and visualization of tomographic molecular imaging. J Struct Biol. 144, (1-2), 132-143 (2003).
  9. Lin, G., Adiga, U., Olson, K., Guzowski, J. F., Barnes, C. A., Roysam, B. A hybrid 3D watershed algorithm incorporating gradient cues and object models for automatic segmentation of nuclei in confocal image stacks. Cytometry A. 56, (1), 23-36 (2003).
  10. Volkmann, N. A novel three-dimensional variant of the watershed transform for segmentation of electron density maps. Journal of Structural Biology. 138, (1), 123-129 (2002).
  11. Rigort, A., Günther, D., et al. Automated segmentation of electron tomograms for a quantitative description of actin filament networks. Journal of structural biology. 177, (1), 135-144 (2012).
  12. Cremers, D., Rousson, M., Deriche, R. A Review of Statistical Approaches to Level Set Segmentation. Integrating Color, Texture, Motion and Shape. International Journal of Computer Vision. 72, (2), 195-215 (2007).
  13. Lin, Z., Davis, L. S. Shape-based human detection and segmentation via hierarchical part-template matching. IEEE Trans Pattern Anal Mach Intell. 32, (4), 604-618 (2010).
  14. Pettersen, E. F., Goddard, T. D., et al. UCSF Chimera--a visualization system for exploratory research and analysis. J Comput Chem. 25, (13), 1605-1612 (2004).
  15. 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).
  16. Zhang, Q., Bettadapura, R., Bajaj, C. Macromolecular structure modeling from 3D EM using VolRover 2.0. Biopolymers. 97, (9), 709-731 (2012).
  17. Giannuzzi, L. A., Stevie, F. A. A review of focused ion beam milling techniques for TEM specimen preparation. Micron. 30, (3), 197-204 (1999).
  18. Heymann, J. A. W., Hayles, M., Gestmann, I., Giannuzzi, L. A., Lich, B., Subramaniam, S. Site-specific 3D imaging of cells and tissues with a dual beam microscope. Journal of structural biology. 155, (1), 63-73 (2006).
  19. Knott, G., Rosset, S., Cantoni, M. Focussed ion beam milling and scanning electron microscopy of brain tissue. Journal of visualized experiments JoVE. (53), e2588 (2011).
  20. Wirth, R. Focused Ion Beam (FIB) combined with SEM and TEM: Advanced analytical tools for studies of chemical composition, microstructure and crystal structure in geomaterials on a nanometre scale. Chemical Geology. 261, (3-4), 217-229 (2009).
  21. Denk, W., Horstmann, H. Serial block-face scanning electron microscopy to reconstruct three-dimensional tissue nanostructure. PLoS Biol. 2, (11), e329 (2004).
  22. Frangakis, A. S., Hegerl, R. Noise reduction in electron tomographic reconstructions using nonlinear anisotropic diffusion. Journal of structural biology. 135, (3), 239-250 (2001).
  23. Jiang, W., Baker, M. L., Wu, Q., Bajaj, C., Chiu, W. Applications of a bilateral denoising filter in biological electron microscopy. Journal of Structural Biology. 144, (1), 114-122 (2003).
  24. Van der Heide, P., Xu, X. P., Marsh, B. J., Hanein, D., Volkmann, N. Efficient automatic noise reduction of electron tomographic reconstructions based on iterative median filtering. Journal of structural biology. 158, (2), 196-204 (2007).
  25. Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nat Methods. 9, (7), 671-675 (2012).
  26. Schindelin, J., Arganda-Carreras, I., et al. Fiji: an open-source platform for biological-image analysis. Nat Methods. 9, (7), 676-682 (2012).
  27. MathWorks. MATLAB. (2012).
  28. Otsu, N. A Threshold Selection Method from Gray-Level Histograms. Systems, Man and Cybernetics, IEEE Transactions on. 9, 62-66 (1979).
  29. Vedaldi, A., Fulkerson, B. VLFeat: An Open and Portable Library of Computer Vision Algorithms. (2008).
  30. Zhu, S. C., Guo, C., Wang, Y., Xu, Z. What are Textons? International Journal of Computer Vision. 62, (1-2), 121-143 (2005).
  31. Gagnon, L. H., Longo-Guess, C. M., et al. The chloride intracellular channel protein CLIC5 is expressed at high levels in hair cell stereocilia and is essential for normal inner ear function. The Journal of neuroscience the official journal of the Society for Neuroscience. 26, (40), 10188-10198 (2006).
  32. Briand, P., Petersen, O. W., Van Deurs, B. A new diploid nontumorigenic human breast epithelial cell line isolated and propagated in chemically defined medium. In vitro cellular & developmental biology journal of the Tissue Culture Association. 23, (3), 181-188 (1987).
  33. Petersen, O. W., Rønnov-Jessen, L., Howlett, A. R., Bissell, M. J. Interaction with basement membrane serves to rapidly distinguish growth and differentiation pattern of normal and malignant human breast epithelial cells. Proceedings of the National Academy of Sciences of the United States of America. 89, (19), 9064-9068 (1992).
  34. Shin, J. B., Krey, J. F., et al. Molecular architecture of the chick vestibular hair bundle. Nature neuroscience. 16, (3), 365-374 (2013).
  35. Yang, W., Zeng, Z., Max, N., Auer, M., Crivelli, S. Simplified Surface Models of Tubular Bacteria and Cytoskeleta. Journal of Information & Computational Science. 9, (6), 1589-1598 (2012).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics