Voxels से ज्ञान के लिए: परिसर इलेक्ट्रॉन माइक्रोस्कोपी 3 डी डेटा का विभाजन करने के लिए एक व्यावहारिक गाइड

1Life Sciences Division, Lawrence Berkeley National Laboratory, 2Joint Bioenergy Institute, Physical Biosciences Division, Lawrence Berkeley National Laboratory, 3National Energy Research Scientific Computing Center, Lawrence Berkeley National Laboratory
Bioengineering
 

Summary

सेलुलर 3 डी इलेक्ट्रॉन माइक्रोस्कोपी के लिए टोंटी अत्यधिक जटिल 3 डी घनत्व नक्शे में सुविधा निष्कर्षण (विभाजन) है. हम इस प्रकार प्रभावी विभाजन के लिए एक प्रारंभिक बिंदु प्रदान करने, विभाजन दृष्टिकोण (मैनुअल, अर्द्ध स्वचालित, या स्वचालित) विभिन्न प्रकार के डेटा के लिए सबसे उपयुक्त है जो के बारे में मार्गदर्शन प्रदान करता है जो मापदंड का एक सेट, विकसित किया है.

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

आधुनिक 3 डी इलेक्ट्रॉन माइक्रोस्कोपी दृष्टिकोण हाल ही में इस तरह के आसंजन परिसरों, साथ ही उच्च आदेश संरचनाओं, ऐसे cytoskeleton के रूप में सेलुलर organelles के रूप में बड़े macromolecular मशीनों, के दृश्य को सक्षम करने, कोशिकाओं और ऊतकों के 3 डी ultrastructural संगठन में अभूतपूर्व अंतर्दृष्टि की अनुमति दी है उनके संबंधित सेल और ऊतक संदर्भ. सेलुलर संस्करणों के निहित जटिलता को देखते हुए, यह पहली बार अपने 3 डी संगठन के दृश्य, मात्रा का ठहराव, और इसलिए समझ अनुमति देने के लिए ब्याज की सुविधाओं को निकालने के लिए आवश्यक है. प्रत्येक डेटा सेट डेटा की विशिष्ट विशेषताओं, जैसे, संकेत करने वाली शोर अनुपात, crispness (तीखेपन) द्वारा परिभाषित किया गया है, अपनी सुविधाओं, सुविधाओं, उपस्थिति या आसान पहचान के लिए अनुमति देते हैं कि विशेषता आकार के अभाव के crowdedness, और प्रतिशत की विविधता ब्याज की एक विशिष्ट क्षेत्र में रह रहे हैं कि पूरी मात्रा का. इन सभी विशेषताओं विचार करने की आवश्यकतापर जब तय विभाजन के लिए लेने के लिए दृष्टिकोण है.

तीन अलग अलग इमेजिंग द्वारा प्राप्त किया गया प्रस्तुत छह अलग 3 डी ultrastructural डेटा सेट दृष्टिकोण: राल एम्बेडेड दाग इलेक्ट्रॉन टोमोग्राफी, आयन beam- और धारावाहिक ब्लॉक चेहरे स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोपी (FIB-SEM, एसबीएफ-SEM) केंद्रित हल्का दाग और भारी दाग ​​नमूनों की , क्रमशः. इन डेटा सेट के लिए, चार अलग विभाजन दृष्टिकोण लागू किया गया है: (1) पूरी तरह से मैनुअल मॉडल इमारत (3) अर्द्ध स्वचालित दृष्टिकोण पीछा सतह प्रतिपादन द्वारा पीछा डेटा (2) के मार्गदर्शन त्रुटि विभाजन, मॉडल के दृश्य से पूरी तरह पीछा सतह प्रतिपादन, या सतह प्रतिपादन और मात्रात्मक विश्लेषण के बाद (4) स्वचालित कस्टम डिजाइन विभाजन एल्गोरिदम द्वारा. डेटा सेट विशेषताओं के संयोजन पर निर्भर करता है, यह इन चार स्पष्ट दृष्टिकोण के लिए आम तौर पर एक दूसरों से बेहतर साबित पाया गया कि, लेकिन मापदंड का सही अनुक्रम पर निर्भर करता है, मोपुनः से एक दृष्टिकोण सफल हो सकता है. इन आंकड़ों के आधार पर हमने विभिन्न डेटा सेट के विश्लेषण के लिए उद्देश्य डेटा सेट विशेषताओं और व्यक्तिपरक व्यक्तिगत मापदंड दोनों categorizes कि एक ट्राइएज योजना का प्रस्ताव.

Introduction

परंपरागत रूप से, इलेक्ट्रॉन माइक्रोस्कोपी (ईएम) क्षेत्र 1) उच्च और सुपर उच्च संकल्प मंदिर का उपयोग संरचनात्मक जीव विज्ञान शाखा में विभाजित किया गया है, जो आम तौर पर निहित या स्पष्ट डेटा के साथ macromolecular परिसर के तीन आयामी (3 डी) संरचना की जांच के लिए औसत के साथ संयुक्त एक परिभाषित संरचना और आम तौर पर एक अपेक्षाकृत छोटे आकार 1-4, और पूरे सेलुलर sceneries 1,5,6 कल्पना कर रहे हैं, जिसमें 2) सेलुलर इमेजिंग शाखा. संरचनात्मक जीव विज्ञान शाखा पिछले चार दशकों में एक शानदार विकास आया है जबकि, कोशिका जीव विज्ञान शाखा ज्यादातर अक्सर कम से अधिक बेहतर संरक्षित नमूनों पर, दो आयामों तक ही सीमित था. केवल पिछले दशक में इलेक्ट्रॉन टोमोग्राफी के आगमन के साथ आमतौर पर सेलुलर sceneries, और इस प्रकार ब्याज की सुविधाओं के रूप में नहीं किया जा सकता औसतन जहां तीसरा आयाम 5,7, में विस्तार सेल जैविक ultrastructural इमेजिंग है, आम तौर पर अद्वितीय हैं.

कल्पना सेलुलर दृश्यों आंख को अक्सर शोभायमान कर रहे हैं हालांकि सटीक प्रोटीन संरचना आमतौर पर अज्ञात है, क्योंकि ब्याज और इस तरह के अत्यधिक जटिल सेलुलर संस्करणों के बाद मात्रात्मक विश्लेषण की सुविधाओं के कुशल निकासी इसलिए इन सेलुलर व्याख्या करने के लिए यह चुनौतीपूर्ण बना रही है, भाग में, पीछे 3 डी संस्करणों. इस तिथि करने के लिए, व्यापक जैविक विशेषज्ञता अक्सर जटिल tomograms व्याख्या करने के लिए, या यहां तक ​​कि 3 डी की मात्रा में महत्वपूर्ण क्षेत्रों और आवश्यक घटकों की पहचान करने के क्रम में की जरूरत है. एक और जटिलता के रूप में, 3 डी संस्करणों के दृश्य उल्लेखनीय गैर तुच्छ है. 3 डी संस्करणों के बारे में सोचा है और इस तरह 2 डी छवियों के ढेर के रूप में देखे जा सकते हैं. अनुक्रमिक 2 डी छवियों का टुकड़ा द्वारा टुकड़ा निरीक्षण जटिलता कम कर देता है, लेकिन यह भी सीमा दो आयामों को निष्कर्षण और इस तरह मात्रात्मक विश्लेषण शामिल हैं. हालांकि, सबसे 3 डी वस्तुओं के लिए, 3 डी संस्करणों के चित्रण के रूप में केवल लगातार विमानों के एक ढेर एक अधूरी एक की ओर जाता हैएक विशेष प्रणाली के 3 डी प्रकृति में डी विषम परिप्रेक्ष्य. दृश्य निरीक्षण के वैकल्पिक साधनों एक सेलुलर का अक्सर घने प्रकृति का दिया जो या तो मात्रा प्रतिपादन या सतह प्रतिपादन, आवश्यकता मात्रा सकते हैं, इस प्रकार इंटरैक्टिव पुस्तिका विभाजन मुश्किल बना आसानी से नेस्टेड वस्तुओं की एक बाधित देखने के लिए नेतृत्व या कुल मिलाकर एक उपयोगकर्ता डूब.

इन बाधाओं, स्वचालित सुविधा निकासी की एक बड़ी विविधता उपाय (विभाजन) दृष्टिकोण आमतौर पर density- या ढाल आधारित 8-10 या तो कर रहे हैं कि विकसित किया गया है. हाल के कुछ तरीकों ब्याज की एक विशिष्ट सुविधा लक्षित कर सकते हैं हालांकि, हालांकि इन तरीकों ऐसे एक्टिन तंतु 11 के रूप में, चाहे क्षेत्रों या सुविधाओं विशेषज्ञ करने के लिए ब्याज की हैं जिनमें से खंड को पूरी मात्रा जाते हैं. इसके अलावा, स्वचालित विभाजन क्रियान्वित कार्यक्रमों कभी कभी जैसे, वाटरशेड immersio जब आवेदन (उप संस्करणों की एक बड़ी संख्या का उत्पादन कर सकते हैं परिणामअक्सर ब्याज की पूरी सुविधा शामिल है या आगे विभाजन के अधीन में मैन्युअल वापस मर्ज किए जाने की जरूरत है कि एन विभाजन). यह इस प्रकार सबसे प्रतिपादन कंप्यूटर एल्गोरिदम अक्सर एक वांछित खंडों मात्रा का उत्पादन करने की आवश्यकता है एक विशेषज्ञ द्वारा ही निष्ठा के साथ ब्याज की सुविधाओं, और पर्याप्त curation प्रयासों निकालने में असमर्थ रहे हैं, विशेष रूप से जटिल और भीड़ डेटा सेट के लिए सच है.

इसके अलावा, एक अति विशिष्ट समस्या के लिए कस्टम समाधान अक्सर उन्हें व्यापक बनाने पर कोई जोर लिए थोड़ा के साथ, एक वैज्ञानिक बैठक पत्र के रूप में प्रकाशित किया है और गणित, कंप्यूटर विज्ञान और / या के क्षेत्रों के अंतरंग ज्ञान नहीं है, जो शोधकर्ताओं के लिए व्यापक उपकरण सुलभ हैं कंप्यूटर ग्राफिक्स. छवि विश्लेषण पुस्तकालयों की एक सीमा से युक्त एक अनुकूलन प्रोग्रामिंग सॉफ्टवेयर वातावरण, उपयोगकर्ताओं कुशलता से सही विभाजन के लिए अपने स्वयं के मॉड्यूल लिखने के लिए अनुमति देता है एक शक्तिशाली उपकरण सेट किया जा सकता है. हालांकि, इस दृष्टिकोण ext की आवश्यकताensive प्रशिक्षण और इसकी कई विशेषताएं या छवि विश्लेषण के लिए क्षमताओं का लाभ लेने के क्रम में कंप्यूटर विज्ञान में एक पृष्ठभूमि. एक अपने आसपास 12,13 से ब्याज की वस्तुओं को अलग करने के लिए "टेम्पलेट्स" की अनूठी ज्यामिति पर भरोसा करते हैं, जो शक्तिशाली आकार आधारित दृष्टिकोण का उपयोग करके, जैसे सुविधाओं को और अधिक विरल हैं जहां कुछ डेटा सेट, के लिए इस तरह के एक बहुमुखी सॉफ्टवेयर वातावरण में काम कर सकते हैं .

कंप्यूटर ग्राफिक्स दृश्य संकुल की एक निष्पक्ष किस्म इंटरैक्टिव पुस्तिका विभाजन और मॉडल निर्माण के लिए मौजूद हैं. कैलिफोर्निया के सैन फ्रांसिस्को विश्वविद्यालय कल्पना 14, कोलोराडो IMOD 15 विश्वविद्यालय और टेक्सास विश्वविद्यालय के ऑस्टिन VolumeRover 16: दूसरों शैक्षिक मूल के हैं और इस तरह के रूप में, नि: शुल्क वितरित की, जबकि कुछ संकुल, व्यावसायिक रूप से उपलब्ध हैं. हालांकि, इन कार्यक्रमों के अधिकारी सुविधाओं और क्षमताओं की एक विस्तृत श्रृंखला और जटिलता ईए के लिए सीखने की अवस्था steepensचर्चा. कुछ दृश्य कार्यक्रमों ऐसी गेंदों और जटिल 3 डी की मात्रा का एक सरल मॉडल बनाने के लिए घनत्व नक्शे में रखा जा सकता है जो विभिन्न आकारों की लाठी के रूप में सरल ज्यामितीय मॉडल, प्रदान करते हैं. इन मॉडलों तो सरल ज्यामितीय और बड़ा माप और इसलिए सिर्फ "सुंदर तस्वीर" से परे जाने की अनुमति है. वस्तुओं के इस तरह के मार्गदर्शन त्रुटि वस्तुओं का केवल एक छोटी संख्या का पता लगाया और निकाले जाने की जरूरत है, जहां संस्करणों के लिए अच्छी तरह से काम करता है. हालांकि, का उपयोग बड़ी मात्रा 3 डी ultrastructural इमेजिंग की हाल ही में विकास या तो केंद्रित आयन बीम स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोपी (FIB-SEM) 17-20 या धारावाहिक ब्लॉक चेहरे स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोपी (एसबीएफ-SEM) 21 3 डी डेटा का आकार कि अतिरिक्त जटिलता प्रस्तुत सेट दसियों गीगाबाइट गीगाबाइट के सैकड़ों, और यहां तक ​​कि टेराबाइट्स से लेकर कर सकते हैं. इसलिए, इस तरह के बड़े 3 डी संस्करणों का मार्गदर्शन सुविधा निकासी के लिए लगभग दुर्गम हैं, और इसलिए कुशल उपयोगकर्ता निर्देशित अर्द्ध स्वचालित करतबure निकासी निकट भविष्य में 3 डी संस्करणों के कुशल विश्लेषण के लिए बाधाओं में से एक होगा.

नियमित रूप से जैविक छवि प्रकार की एक बड़ी रेंज पर उपयोग किया जाता है कि चार अलग विभाजन दृष्टिकोण यहाँ प्रस्तुत कर रहे हैं. इन विधियों तो जीव अपने स्वयं के डेटा की प्रभावी सुविधा निकासी के लिए सबसे अच्छा विभाजन दृष्टिकोण क्या हो सकता है निर्णय लेने में सहायता करने के लिए एक गाइड में एक संकलन की अनुमति, डेटा सेट के विभिन्न प्रकारों के लिए उनकी प्रभावशीलता के लिए तुलना कर रहे हैं. विस्तृत उपयोगकर्ता मैनुअल वर्णित कार्यक्रमों के अधिकांश के लिए उपलब्ध हैं, उद्देश्य इन विशेष पैकेजों में से किसी एक के साथ संभावित उपयोगकर्ताओं को परिचित कराने के लिए नहीं है. इसके बजाय, लक्ष्य विविध विशेषताओं के साथ छह उदाहरण डेटा सेट करने के लिए उन्हें लागू करने के द्वारा इन अलग विभाजन रणनीतियों के संबंधित शक्तियों और सीमाओं का प्रदर्शन है. इस तुलना के माध्यम से, मापदंड का एक सेट या तो के उद्देश्य छवि विशेषताओं के आधार पर कर रहे हैं कि विकसित किया गया हैऐसे में इस तरह के विभाजन के लिए वांछित उद्देश्य के रूप में व्यक्तिपरक कारणों से डेटा विपरीत, crispness, crowdedness, और जटिलता, या स्टेम के रूप में 3 डी डेटा सेट, सुविधाओं की morphologies के अंश, जिसका अर्थ है ब्याज की सुविधाओं का जनसंख्या घनत्व, खंडित किए जाने की ब्याज की सुविधा है, और कैसे एक आय बेहतर ऐसे समय और स्टाफ की उपलब्धता के रूप में सीमित संसाधनों के साथ द्वारा कब्जा मात्रा. ये अलग उदाहरण डेटा सेट इन उद्देश्य और व्यक्तिपरक मापदंड डेटा सेट के कुछ प्रकार के साथ कुछ सुविधा निष्कर्षण तरीकों में से एक बाँधना उपज संयोजन की एक किस्म में क्रमिक रूप से लागू किया जा सकता वर्णन कैसे. उम्मीद है कि novices मदद मिलेगी दिया सिफारिशों विभाजन विकल्प की एक विशाल विविधता के साथ सामना अपने स्वयं के 3 डी की मात्रा के लिए सबसे प्रभावी विभाजन दृष्टिकोण का चयन करें.

इस पत्र का फोकस डेटा संग्रह और पूर्व प्रसंस्करण डेटा को सुविधा निकासी, ध्यान है जबकि कुशल है के लिए महत्वपूर्ण हैegmentation. बार बार नमूने का धुंधला असमान हो सकता है, और इसलिए, संभावित धुंधला कलाकृतियों विभाजन प्रक्रिया में विचार किया जाना चाहिए. हालांकि, दाग आमतौर पर उच्च संकेत करने वाली शोर देता है, और इसलिए कम छानने और संभवतः भी कलाकृतियों में परिणाम सकता है जो सेलुलर संस्करणों के अन्य गणितीय उपचार की आवश्यकता है. संबंधित कच्चे छवि डेटा सेट एक 3 डी मात्रा में, सही विपरीत और कैमरा पिक्सेल सेटिंग्स पर हासिल गठबंधन, और खंगाला जा करने की जरूरत है. Tomograms लिए गठबंधन छवियों भारित वापस प्रक्षेपण का उपयोग आम तौर पर खंगाला जाता है, और फिर डेटा सेट आमतौर पर इस तरह के गैर रेखीय anisotropic प्रसार 22, द्विपक्षीय छानने 23, या 24 छानने पुनरावर्ती मंझला रूप denoising एल्गोरिदम के अधीन है. FIB-SEM और एसबीएफ-SEM इमेजिंग डेटा ऐसे ImageJ रूप में 25 XY उपयोग कार्यक्रमों में पार correlating लगातार स्लाइस से जुड़ रहे हैं. विपरीत वृद्धि और छानने की सुविधाओं को बढ़ावा देने के लिए लागू किया जा सकता हैब्याज और इस प्रकार छवि ढेर शोर डे के लिए. फ़िल्टरिंग दृष्टिकोण computationally महंगा हो सकता है के रूप में छनन, चयन या चयनित subvolumes पर subvolume करने से पहले पूरी मात्रा पर या तो किया जा सकता है. डेटा काफी प्रत्याशित संकल्प की तुलना में oversampled किया गया है अगर नीचे नमूने कभी कभी शोर कम करने और / या फ़ाइल का आकार कम करने के लिए प्रयोग किया जाता है जो डेटा (binning), के, केवल सिफारिश की है.

शोर में कमी के बाद, संसाधित छवियों तो विभिन्न विधियों द्वारा खंडित किया जा सकता है, और इस अध्ययन में ध्यान केंद्रित निम्नलिखित चार पर है, एक गेंद और छड़ी मॉडल बनाने के माध्यम से (1) पुस्तिका abstracted मॉडल पीढ़ी (2) पुस्तिका अनुरेखण परियोजना विशिष्ट विभाजन के लिए एक स्क्रिप्ट के माध्यम से ब्याज, (3) स्वचालित सीमा आधारित घनत्व, और (4) कस्टम सिलवाया स्वचालित विभाजन की सुविधाओं की. सीमा विभाजन 8 और immersive वाटरशेड विभाजन 10 साधारण thresholding के लिए बेहतर विकल्प हैं, लेकिन टीअरे एक ही श्रेणी में हैं और इस चर्चा में स्पष्ट रूप से शामिल नहीं किया गया है.

घनत्व के मैनुअल अनुरेखण टुकड़ा टुकड़ा द्वारा संबंधित उप सेलुलर क्षेत्रों के मूल घनत्व की अवधारण की अनुमति देता है, ब्याज की सुविधाओं रूपरेखा की आवश्यकता है. यह दृष्टिकोण विभाजन की प्रक्रिया का अधिक से अधिक नियंत्रण की अनुमति देता है, लेकिन एक कठिन और श्रम प्रधान प्रक्रिया है.

एक एल्गोरिथ्म उपयोगकर्ता द्वारा निर्धारित मानकों का एक सेट पर आधारित पिक्सल चुनता है जहां स्वचालित सीमा आधारित (और संबंधित) घनत्व विभाजन दृष्टिकोण, अर्द्ध स्वचालित हैं. ऐसे UCSF कल्पना, IMOD, फिजी 26, और VolumeRover के रूप में कई शैक्षिक (मुक्त) दृश्य संकुल, संकुल (भुगतान लाइसेंस की आवश्यकता होती है) उपलब्ध है, साथ ही वाणिज्यिक कर रहे हैं, और दोनों प्रकार के आम तौर पर इन विभाजन तरीकों में से एक या अधिक शामिल हैं. इन विभिन्न तरीकों को वर्णन करने के लिए इस काम में इस्तेमाल किया सॉफ्टवेयर संकुल दोनों वाणिज्यिक कार्यक्रमों और शैक्षिक खुला है शामिलमैन्युअल एक सार मॉडल, साथ ही मैनुअल और स्वचालित घनत्व विभाजन पैदा करने के लिए स्रोत देखें कार्यक्रमों. हालांकि, ओपन सोर्स सॉफ्टवेयर कभी कभी अनुकूलन की संभावना के माध्यम से और अधिक उन्नत विकल्पों की पेशकश कर सकते हैं.

डेटा सेट के विभिन्न प्रकार का उपयोग कर इन तकनीकों की तुलना में हमारे ज्ञान को अभी तक प्रकाशित नहीं किया गया है जो विविध जैविक डेटा 3 डी संस्करणों के विभाजन के दृष्टिकोण के लिए पर निम्नलिखित नियमों की प्रस्तुति और मार्गदर्शन के लिए नेतृत्व किया. इस प्रकार, यह पहला व्यवस्थित अलग अलग दृष्टिकोण की तुलना और विभिन्न उद्देश्यों के साथ उपयोगकर्ताओं के लिए विशेषताओं के साथ अलग डेटा सेट पर उनकी उपयोगिता है.

Protocol

1 मैनुअल abstracted मॉडल जनरेशन

नोट: कार्यप्रणाली का विवरण नीचे वर्णित कल्पना के लिए विशिष्ट हैं, लेकिन अन्य सॉफ्टवेयर संकुल के बजाय इस्तेमाल किया जा सकता है. एकमात्र उद्देश्य नहीं बल्कि वस्तुओं की मात्रा आकार प्रदर्शित की तुलना में, ज्यामितीय माप बनाने के क्रम में एक ज्यामितीय मॉडल (जैसे, एक गेंद और छड़ी मॉडल) बनाने के लिए है जब इस दृष्टिकोण का उपयोग करें.

  1. पुस्तिका abstracted मॉडल पीढ़ी के लिए एक उपयुक्त कार्यक्रम में डेटा की मात्रा आयात करें.
    1. चयन करें फ़ाइल> ओपन नक्शा फ़ाइल खोलें संवाद को खींचने के लिए. वांछित नक्शा फाइल स्थान पर जाएँ.
    2. अलग प्रतिपादन शैलियों के साथ डेटा प्रदर्शित करने के लिए वॉल्यूम दर्शक (उपकरण> मात्रा डेटा> वॉल्यूम दर्शक) और चयन की सुविधाएँ> प्रदर्शन शैली ऊपर खींचो.
    3. वॉल्यूम व्यूअर में हिस्टोग्राम पर खड़ी पट्टी खींचकर प्रदर्शन के लिए सीमा को समायोजित करेंखिड़की.
  2. 3 डी की मात्रा के माध्यम से नेविगेट (जैसे, टुकड़ा द्वारा टुकड़ा) विभाजन के लिए ब्याज की एक क्षेत्र का चयन करें और यदि आवश्यक हो तो एक छोटे उप मात्रा बाहर फसल के लिए.
    1. वॉल्यूम दर्शक संवाद में, एक्सिस क्लिक करें, फिर एक्स, वाई, या जेड का चयन करें.
    2. वॉल्यूम दर्शक संवाद में,> विमान सुविधाएँ चयन करें. बाएं बॉक्स में संख्या को इसी विमान प्रदर्शित करने के लिए गहराई तय करने के लिए एक क्लिक, और सभी विमानों को प्रदर्शित करने के लिए सभी क्लिक करें.
    3. वॉल्यूम दर्शक संवाद में, का चयन विशेषताएँ> उपक्षेत्र चयन.
      1. क्लिक करें और ब्याज के क्षेत्र के चारों ओर एक आयताकार बॉक्स बनाने के लिए खींचें.
  3. ब्याज की सुविधा साथ मार्कर प्लेस और मॉडल पूर्ण होने तक (अक्सर कार्यक्रम द्वारा स्वचालित रूप से किया) जहां उपयुक्त Linkers साथ उन्हें कनेक्ट.
    1. वॉल्यूम दर्शक मेनू पट्टी से, उपकरण>वॉल्यूम अनुरेखक संवाद वॉल्यूम अनुरेखक संवाद खोलने के लिए. वॉल्यूम अनुरेखक संवाद में,> नई मार्कर फ़ाइल सेट का चयन करें.
    2. वॉल्यूम अनुरेखक संवाद में, डेटा विमानों पर माउस> उच्च गुणवत्ता पर जगह मार्करों, जगह मार्करों जाँच ले जाएँ और मार्कर का आकार बदलने, लिंक नई मार्कर चयनित मार्कर के लिए, और लिंक लगातार मार्कर का चयन किया.
    3. मार्कर रंग स्वाच पर क्लिक करें, और एक रंग का चयन करें. लिंक रंग के लिए इस चरण को दोहराएँ.
    4. मार्कर और कड़ी मॉडल निर्माण तत्वों के लिए त्रिज्या लिखें.
    5. वॉल्यूम अनुरेखक विंडो में, [अधिकार] माउस बटन का उपयोग प्लेस मार्कर का चयन करें, और मार्करों और लिंक के लिए त्रिज्या डालें.
    6. राइट मार्करों नीचे बिछाने शुरू करने के लिए मात्रा डेटा पर क्लिक करें. मार्करों स्वतः जोड़ा जाएगा.
    7. वॉल्यूम अनुरेखक संवाद में, फ़ाइल का चयन करें> मौजूदा मार्कर सेट सहेजें, तो> बंद मार्कर सेट करें.
    ब्याज की एक दूसरी यात्रा की सुविधा में एक मॉडल का निर्माण शुरू करने के लिए एक नया मार्कर सेट (चरण 1.3.1) खोलें. सुविधाओं में मतभेद जोर देना मार्कर सेट के बीच रंग विषम का उपयोग.

ब्याज की सुविधाओं के 2 मैनुअल अनुरेखण

नोट: कार्यप्रणाली का विवरण नीचे वर्णित अमीरा के लिए विशिष्ट हैं, लेकिन अन्य सॉफ्टवेयर संकुल के बजाय इस्तेमाल किया जा सकता है. जनसंख्या घनत्व अपेक्षाकृत छोटा है और सुविधा निकासी की सटीकता सर्वोपरि है जब, मार्गदर्शन त्रुटि के रूप में एक समय लेने वाली दृष्टिकोण है जब इस दृष्टिकोण का उपयोग करें.

  1. पुस्तिका अनुरेखण विकल्पों के साथ एक कार्यक्रम में आयात की मात्रा डेटा. इस क्षमता के साथ सॉफ्टवेयर आम तौर पर कम से कम एक बुनियादी तूलिका उपकरण प्रदान करते हैं.
    1. बड़ी मात्रा या tomograms के लिए (जैसे, 16 बिट 2,048 x 2,048 या बड़ा .rec या IMOD में .mrc उत्पन्न tomograms): चयन ओपन डाटा> filename.rec> प्रारूप पर राइट क्लिक करें ...> LargeDiskData के रूप में कच्चे चयन करें ठीक> लोड. ठीक> हेडर सूचना से उपयुक्त कच्चे डेटा पैरामीटर का चयन करें. एक नए रूप में टॉगल करें और सहेजें filename.am निम्न चरणों में उपयोग के लिए फ़ाइल.
    2. छोटे 3 डी छवि पर ढेर फ़ाइलें (उदाहरण के लिए, 3 डी .tif या .mrc या .rec): ओपन डाटा> चयन filename.tif या filename.mrc. टॉगल और के रूप में सहेजें राइट क्लिक करें> filename.am . एक त्रुटि उत्पन्न या कार्यक्रम अनुत्तरदायी है, तो फ़ाइल बहुत बड़ी हो सकती है और चरण 2.1.1 का पालन करके खोला जा सकता है.
  2. विभाजन के लिए एक 3 डी उप मात्रा का चयन करने के स्लाइस के माध्यम से नेविगेट करें, और उसके बाद ब्याज की इस क्षेत्र के लिए फसल.
    1. 3 डी व्यूअर विंडो में, छवि फ़ाइल को खोलने के लिए Orthoslice का चयन करें. स्लाइस के माध्यम से नेविगेट करने के लिए नीचे स्थित स्लाइडर का उपयोग करें.
    2. > पूल विंडो में फाइल नाम टॉगल, LargeDiskData के रूप में खोला बड़ा डेटा फसल के लिए सही> LatticeAccess क्लिक करें. Enteआर वांछित बॉक्स आकार> लागू करें. नई फ़ाइल सहेजें.
  3. विभाजन फ़ाइल बनाएँ.
    1. राइट> लेबल> LabelField क्लिक करें> पूल विंडो में फाइल टॉगल करें. एक नई फ़ाइल बनाया है और स्वचालित रूप से विभाजन संपादक टैब में लोड किया जाएगा.
  4. ब्याज की पहली फीचर की सीमा का पता लगाने, तो हाथ से या इस्तेमाल किया सॉफ्टवेयर के लिए विशिष्ट एक आदेश का उपयोग करके ट्रेस भरें. सभी स्लाइस के माध्यम से ब्याज की सुविधा का पालन करें और मार्गदर्शन त्रुटि विभाजन दोहराएँ. अमीरा का उपयोग करते समय निम्न आदेश का उपयोग करें:
    1. तूलिका उपकरण का उपयोग करने के लिए, के रूप में वांछित है, तो ब्याज की सुविधा की सीमा का पता लगाने के लिए माउस सूचक का उपयोग ब्रश का आकार बदल.
    2. शॉर्टकट 'एफ' के साथ पता लगाया क्षेत्र भरें. प्लस प्रतीक, या शॉर्टकट 'ए' के ​​साथ बटन पर क्लिक करके चयन जोड़ें. यदि आवश्यक हो, प्रेस "यू" पूर्ववत करने के लिए, और घटाना या मिटा करने के लिए 'एस'.
    3. दृश्य और बुनियादी गुणात्मक या सॉफ्टवेयर उपयोगकर्ता गाइड अनुदेश प्रति मात्रात्मक विश्लेषण के लिए एक सतह प्रतिपादन उत्पन्न करता है.
      1. वस्तु पूल टैब में, सही> SurfaceGen क्लिक करें> पूल विंडो में फ़ाइल नाम-labels.am टॉगल.
      2. लागू करें> वांछित सतह गुण का चयन करें. एक नई फ़ाइल filename.surf पूल में बनाया जाएगा.
      3. > ठीक क्लिक करें> पूल खिड़की में filename.surf टॉगल, SurfaceView खंडों मात्रा कल्पना करने के लिए.
      4. , ले जाने के लिए बारी बारी से, और 3 डी मात्रा में ज़ूम करने के लिए 3dviewer खिड़की में उपकरणों का उपयोग करें.
    4. सटीक घनत्व निकालें और ऐसी मात्रा या सतह क्षेत्र के रूप में माप का निर्धारण. अधिक उन्नत प्रदर्शन, विश्लेषण और अनुकरण के लिए अन्य कार्यक्रमों के लिए निर्यात.
      1. 3dviewer खिड़की पर, उपयुक्त विकल्प (2 डी लंबाई और 2 डी कोण मापन के लिए एक भी 2 डी विमान पर, 3 डी लंबाई और 3 डी कोण का चयन> उपाय उपकरण क्लिक करेंएक 3 डी की मात्रा पर माप के लिए).
      2. इच्छित लंबाई, दूरी, और कोण को मापने के लिए जाल सतह पर क्लिक करें. मूल्यों गुण विंडो में सूचीबद्ध किया जाएगा.

    3 स्वचालित घनत्व के आधार पर विभाजन

    नोट: कार्यप्रणाली का विवरण नीचे वर्णित अमीरा के लिए विशिष्ट हैं, लेकिन अन्य सॉफ्टवेयर संकुल के बजाय इस्तेमाल किया जा सकता है.

    1. ब्याज के घनत्व को वापस लेने के विपरीत, crispness, या crowdedness के किसी भी किस्म के साथ डेटा सेट पर इस दृष्टिकोण का उपयोग करें.
    2. स्वचालित विभाजन के लिए thresholding, जादू की छड़ी, या अन्य घनत्व आधारित उपकरणों से लैस एक कार्यक्रम में आयात की मात्रा डेटा. पुस्तिका पता लगाने के लिए दिशाओं में 2.1-2.1.2 में उल्लिखित चरणों का पालन करें.
    3. स्लाइस के माध्यम से नेविगेट और विभाजन के लिए क्षेत्र का चयन करें. यदि आवश्यक हो, विभाजन के लिए एक छोटे 3 डी उप मात्रा बाहर फसल. पुस्तिका पता लगाने के लिए दिशाओं में 2.2-2.2.2 में उल्लिखित चरणों का पालन करें.
    4. के घनत्व का चयन करेंएक ब्याज की सुविधा है, आमतौर पर क्लिक करने या सुविधा पर एक निशान या लंगर बिंदु रखकर. सॉफ्टवेयर में अनुमति दी, तो सुविधा के पिक्सेल तीव्रता शामिल एक संख्या सीमा में प्रवेश और वांछित के रूप में इस सहिष्णुता को समायोजित. सुविधा से संबंधित घनत्व लंगर के पिक्सेल या सहिष्णुता मूल्य की तीव्रता के अनुसार उठाया जाएगा. अमीरा का उपयोग करते समय निम्न आदेश का उपयोग करें.
      1. साफ़ मार्जिन के साथ सुविधाओं के लिए जादू की छड़ी का उपयोग करें.
        1. रुचि के क्षेत्र पर क्लिक करें, फिर सुविधा पूरी तरह से प्रकाश डाला है कि इतनी मूल्यों की सही सीमा पर कब्जा करने के लिए प्रदर्शन और मास्किंग में स्लाइडर्स समायोजित. शॉर्टकट 'ए' के ​​साथ चयन जोड़ें.
      2. स्पष्ट रूप से पहचाने मार्जिन के बिना सुविधाओं के लिए सीमा न करें.
      3. थ्रेसहोल्ड आइकन का चयन करें. ब्याज की ही सुविधाओं नकाबपोश कर रहे हैं कि इतनी वांछनीय सीमा के भीतर घनत्व को समायोजित करने के लिए स्लाइडर को समायोजित करें. चयन करें बटन क्लिक करें, तो शॉर्टकट के साथ चयन को जोड़ने220, एक ".
      4. खंड पूरी मात्रा के लिए, चयन जोड़ने से पहले सभी स्लाइस का चयन करें.
      5. द्वीप और / या विभाजन> चिकना लेबल> शोर, चुनें विभाजन को दूर करने के लिए निकालें.
    5. मार्गदर्शन त्रुटि खंड 2.6-2.6.2 में वर्णित के रूप में दृश्य और गुणात्मक विश्लेषण के लिए एक सतह उत्पन्न करता है. अगर वांछित, पर्याप्त 3 डी प्रदर्शन, मात्रात्मक विश्लेषण और सिमुलेशन के लिए अन्य कार्यक्रमों के लिए निर्यात.

    4 कस्टम सिलवाया स्वचालित विभाजन

    नोट: एक बड़ी मात्रा से एक सटीक घनत्व मॉडल बनाने की क्षमता कंप्यूटर विज्ञान में पृष्ठभूमि अनुभव की आवश्यकता है, लेकिन अनुमति देता है जो स्वचालित विभाजन के लिए अनुकूलित स्क्रिप्ट बनाने के लिए इस दृष्टिकोण का उपयोग करें.

    1. उपकरण (MATLAB 27 में आकार की देखरेख विभाजन का विशिष्ट उदाहरण)
      1. छवि पूर्व प्रसंस्करण: प्रदर्शन करना de-noising, पृष्ठभूमि हटाने और छवि सुधारनेनिम्नलिखित पाइपलाइन का उपयोग करें:
        1. Imread आदेश का उपयोग कर छवि लोड करें.
          1. कमांड लाइन में, दर्ज करें: >> आईएम = imread $ image_path विश्लेषण किया जा करने के लिए छवि का स्थान है जहां ($ image_path),.
        2. छवि प्रसंस्करण उपकरण से एक अनुमान के अनुसार या ज्ञात शोर शक्ति को संकेत अनुपात (एनएसआर) का उपयोग वीनर फ़िल्टर कहते हैं.
        3. पहले से संसाधित छवि पर, फिर, पृष्ठभूमि परत अनुमान लगाने के लिए imopen छवि उद्घाटन समारोह कॉल एक अलग मुखौटा के रूप में परिणाम का आवंटन.
          1. कमांड लाइन में, दर्ज करें:. >> पृष्ठभूमि = imopen (आईएम, strel ($ shape_string, $ आकार)), इस विधि में, $ shape_string आकार विश्लेषक द्वारा दिया जाता है चर $ 'डिस्क' के बराबर है यानी >> पृष्ठभूमि = imopen (आईएम, strel ('डिस्क', 15)).
        4. पृष्ठभूमि के साथ फ़िल्टर्ड छवि घटाएँ.
          1. >> IM2 = आईएम -: कमांड लाइन में, दर्जपृष्ठभूमि
        5. परिणामों की गुणवत्ता पर निर्भर करता है, के साथ या छवि प्रसंस्करण उपकरण बॉक्स से समारोह imadjust का उपयोग कर कहा जा सकता है जो अनुकूली Otsu की विधि 28, बिना छवि सामान्यीकरण प्रदर्शन करते हैं.
          1. कमांड लाइन में, दर्ज करें: >> IM3 = imadjust (IM2)
        6. सामान्यीकृत छवि फसल से ब्याज के क्षेत्रों को सीमित करने, विभाजन के लिए ब्याज की सुविधाओं तैयार करें.
          1. Imtool आदेश का प्रयोग, फसली जा रहा है कि ब्याज के क्षेत्र का पता लगाने और आदेश के लिए निर्देशांक प्रदान: वेक्टर [X1 y1 X2 y2] से मेल खाती है जहां >> im3_crop = imcrop (IM3, [X1 y1 X2 y2]), वर्ग क्षेत्र फसली होंगे.
      2. (ब्याज की सुविधाओं भर में एक 2 डी छवि में रैखिक निशान) वस्तुओं का एक अलग वर्ग के लिए विशिष्ट उदाहरण प्रदान करके एल्गोरिथ्म ट्रेन: मान्यता / निगरानीयुक्त आकार वर्गीकरण आकृति.
        1. VLFEAT 29 एपीआई सफलतापूर्वक स्थापित किया गया है कि जाँच करें और अधिक गहराई प्रलेखन के लिए VLFEAT की वेबसाइट पर जाएँ.
        2. कमांड लाइन में, दर्ज करें: >> [पेड, ASGN] = VL_HIKMEANS (im3_crop, $ कश्मीर, $ NLEAVES) $ कश्मीर इस्तेमाल किया जाएगा क्लस्टर की संख्या या पर्यवेक्षक में डेटा की व्यवस्था करना चाहता है वर्गों की संख्या है, और $ NLEAVES पत्ती समूहों की वांछित संख्या यानी >> [पेड, ASGN] = VL_HIKMEANS (im3_crop, 4100)
        3. VLFeat के लिए निवेश के रूप में मैन्युअल खंडों सुविधाओं का उपयोग करें.
          नोट: यह खुला स्रोत सी आधारित पुस्तकालय डेटासेट के लिए सबसे अच्छा काम करने के लिए चुना विधि के प्रकार पर निर्भर करता है पिक्सेल पट्टी, पैच क्लस्टरिंग, और क्लस्टर केंद्र पोजीशनिंग प्रदर्शन करेंगे. उपलब्ध विकल्पों के आधार पर texton को कश्मीर मतलब क्लस्टरिंग से लेकर 30 दृष्टिकोण है, और उत्पादन सुविधाओं दी मिसाल के आधार पर वांछित वर्णन करता है कि एक संख्यात्मक सरणी है.
    2. विभाजन: इस फू का प्रयोग करेंlly हालांकि computationally महंगा, स्वचालित, आगे दृश्य और विश्लेषण के लिए अलग नक्शे के रूप में बाहर लिखा जाएगा, जो एक साथ वस्तुओं के क्षेत्र कई वर्गों, के लिए दृष्टिकोण.
      1. पहले से उत्पन्न अंक सरणी (मॉडल) लोड.
      2. एक निवेश के रूप में खंडित किए जाने की मॉडल और छवि का उपयोग करते हुए, VLFeat में समर्थन वेक्टर मशीन (SVM) समारोह कॉल.
        1. कमांड लाइन में, दर्ज करें: >> X मूल छवि im2_crop फसली और वाई उद्देश्य छवि, मैन्युअल खंडित कर दिया गया है कि छवि है जहां = vl_svmtrain (एक्स, वाई, 0.1), [बी, डब्ल्यू]. क्लस्टरिंग द्वारा उत्पन्न लेबल के अनुसार परिणामों रंग करने के लिए >> ISEG = VL_IMSEG (मैं, लेबल) का प्रयोग करें.
          नोट: मॉडल की विशेषताओं के आधार पर, VLFeat कक्षाओं की संख्या पर शुरू से ही सौंपा (ब्याज की सुविधाओं) छवि वर्गीकृत होगा. वांछित सटीकता के ग्रेड पर निर्भर करता है, यह अन्य तरीकों या अनुमान clust साथ इस विधि गठबंधन करने के लिए संभव हैऐसे पतवार और क्लस्टर केन्द्रों के रूप में एर मापदंडों. SVM एल्गोरिथ्म के उत्पादन में एक संभाव्य मॉडल और नए डेटासेट में वांछित वर्गों के कई द्विआधारी मास्क है.
      3. >> $ प्रारूप 'झगड़ा' है जहां imwrite (आईएम, $ प्रारूप, $ फ़ाइल नाम) और $ फ़ाइल नाम आउटपुट फ़ाइल के लिए पथ है: कमांड दर्ज करके परिणामों को बचाने के.
      4. >> Imshow (आईएम): छवियों दृश्यमान करने के लिए, कमांड डालें.

Representative Results

चित्रा 1 इलेक्ट्रॉन टोमोग्राफी, FIB-SEM, और एसबीएफ-SEM सहित 3 डी इलेक्ट्रॉन माइक्रोस्कोपी सेलुलर इमेजिंग, के लिए एक विशिष्ट कार्यप्रवाह से पता चलता है. कार्यप्रवाह चुना विभाजन सॉफ्टवेयर की प्रभावशीलता को अधिकतम करने के लिए ब्याज की क्षेत्र के लिए फसल, कच्चे डेटा संग्रह, एक 3 डी मात्रा में डेटा संरेखण और पुनर्निर्माण, छानने के माध्यम से शोर कम करने, और जब आवश्यक भी शामिल है. इस तरह preprocessed डेटा सुविधा निकासी / विभाजन के लिए तो तैयार है.

चित्रा 2 अन्य दो FIB से stemming के साथ इलेक्ट्रॉन टोमोग्राफी (आंकड़े 2A, 2 बी) द्वारा दर्ज राल एम्बेडेड नमूने हैं जिनमें से दो (आगे नीचे पेश किया जाएगा जो) चार अलग अलग सेट डेटा, साथ चित्रा 1 में रखी कार्यप्रवाह, दिखाता है क्रमशः -SEM और एसबीएफ-SEM, (आंकड़े -2 सी, 2 डी). चित्रा 2 कॉलम 1 में छवियां प्रक्षेपण हैंसंरेखण और पुनर्निर्माण पर एक 3 डी मात्रा में इकट्ठा कर रहे हैं जो दृश्य क्रमशः (आंकड़े 2A1, 2B1) और ब्लॉक सतह छवियों (आंकड़े 2C1, 2D1),. कॉलम 2 फ़िल्टरिंग (कॉलम 3) पर शोर में एक महत्वपूर्ण कमी दिखाने के लिए और इस प्रकार अक्सर अधिक कुरकुरा दिखाई देते है जो इस तरह के 3 डी संस्करणों के माध्यम से स्लाइस से पता चलता है. (स्तंभ 4) का चयन और ब्याज के क्षेत्र के लिए बड़ी 3 डी की मात्रा फसल के बाद, ब्याज (स्तंभ 5) की खंडों सुविधाओं की 3 डी renderings का विश्लेषण मात्रात्मक प्राप्त की है और आगे का निरीक्षण किया, रंग कोडित किया जा सकता है.

छह 3D डेटा सेट की कुल, या तो इलेक्ट्रॉन टोमोग्राफी (3 डेटा सेट) के माध्यम से प्राप्त चित्रों के एक ढेर युक्त प्रत्येक, FIB-SEM (2 डेटा सेट), या एसबीएफ-SEM (1 डेटा सेट) के लिए प्रत्येक तुलना करने के लिए उपयोग किया जाता है चार विभाजन के तरीकों (चित्रा 3) प्रदर्शन करते हैं. डेटा सेट प्रयोगशाला में विभिन्न अनुसंधान परियोजनाओं की एक किस्म से स्टेम और इस तरह की गिरफ्तारी प्रदानठेठ प्रयोगात्मक डेटा सेट के easonably विविध सेट. सभी डेटा सेट एक विशेष दृष्टिकोण के साथ सबसे परिचित हैं जिनमें से प्रत्येक चार स्वतंत्र शोधकर्ताओं द्वारा जांच की गई है, और वे छह डेटा सेट्स में से प्रत्येक के लिए सबसे अच्छा संभव परिणाम उपलब्ध कराने का आरोप लगाया गया.

निम्नानुसार डेटा सेट के नमूनों से हैं: 1 आंकड़े 3A1-3A5: उच्च दबाव जमी, एवजी फ्रीज और राल एम्बेडेड लड़की भीतरी कान बाल सेल stereocilia 31, 2 आंकड़े 3B1-3B5: उच्च दबाव जमी, freeze- , एवजी और राल एम्बेडेड संयंत्र सेल दीवार (अप्रकाशित) 3 आंकड़े 3C1-3C5: उच्च दबाव जमी, फ्रीज एवजी, और राल एम्बेडेड भीतरी कान बाल सेल kinocilium (अप्रकाशित) 4 आंकड़े 3D1-3D5: उच्च दबाव जमे हुए, फ्रीज एवजी और मानव स्तन ग्रंथि उपकला कोशिकाओं laminin अमीर extracell में सुसंस्कृत किया गया है जो एचएमटी-3522 S1 acini, में स्थित माइटोकॉन्ड्रिया की राल एम्बेडेड ब्लॉकular मैट्रिक्स 32,33, 5 आंकड़े 3E1-3E5: बेदाग benchtop संसाधित, एक सल्फेट reducer जीवाणु biofilms के राल एम्बेडेड ब्लॉक (तैयारी में पांडुलिपि), और 6 आंकड़े 3F1-3F5: एचएमटी के पड़ोसी कोशिकाओं की झिल्ली सीमा -3522 S1 acini.

चित्रा 3 से देखा जा सकता है, अलग विभाजन दृष्टिकोण अन्य डेटा प्रकार के लिए कुछ डेटा सेट प्रकार के लिए ज्यादातर इसी तरह के परिणाम, लेकिन पूरी तरह से अलग परिणाम हो सकते हैं. उदाहरण के लिए, बाल सेल stereocilia डेटा सेट (चित्रा 3 ए) की व्याख्या और उपाय करने के लिए स्पष्ट किया जा रहा है एक विशेषज्ञ उपयोगकर्ता द्वारा उत्पन्न पुस्तिका abstracted मॉडल के साथ सभी चार दृष्टिकोण से उचित विभाजन संस्करणों, पैदावार. इस मामले में, इस तरह के एक मॉडल इसी घनत्व नक्शे के लापता भागों की लम्बी तंतुओं के बीच पाया लिंक की संख्या है, साथ ही दृढ़ संकल्प की गिनती, रेशा रेशा दूरी की त्वरित माप के लिए अनुमति देता हैनमूना नमूना तैयार 34 के दौरान क्षतिग्रस्त हो गया था, जहां स्थानों के लिए. इस तरह की जानकारी कस्टम सिलवाया स्वचालित विभाजन विशुद्ध घनत्व आधारित thresholding की तुलना में बेहतर परिणाम प्रदान करता है, हालांकि, अन्य तीन विभाजन दृष्टिकोण का उपयोग करके प्राप्त करने के लिए और अधिक कठिन है.

संयंत्र सेल दीवार (3B चित्रा) के लिए, पुस्तिका मॉडल पीढ़ी दूसरे दृष्टिकोण से कोई भी हासिल है जो कोशिका दीवार, में आदेश की भावना संदेश में सबसे कुशल होना को दिखाई दिया. हालांकि, पृथक मॉडल डेटा सेट में वस्तुओं की crowdedness कब्जा नहीं है. मैन्युअल ब्याज की सुविधाओं अनुरेखण घनत्व के आधार पर या आकार की देखरेख के दृष्टिकोण से बेहतर परिणाम देने लगता है. दूसरी ओर, पुस्तिका अनुरेखण बहुत श्रम प्रधान है और सुविधाओं की पहचान सीमाओं कुछ हद तक व्यक्तिपरक है. इसलिए, स्वचालित दृष्टिकोण परिशुद्धता और बीच में एक संभावित व्यापार बंद के साथ बड़ी मात्रा में segmenting के लिए पसंद किया जा सकतासंसाधनों का मार्गदर्शन विभाजन पर बिताया.

Kinocilium डेटा सेट (चित्रा -3 सी) के लिए, पुस्तिका abstracted मॉडल पीढ़ी साफ परिणाम पैदावार और kinocilium, फसली डेटा में आसानी से दिख रहा है कि एक विस्तार के केंद्र में तीन सूक्ष्मनलिकाएं की एक अप्रत्याशित वास्तुकला का पता चलता है, लेकिन अन्य सभी दृष्टिकोण में खो , विविधता दाग शायद कारण. हालांकि, घनत्व नक्शे के अन्य संभावित महत्वपूर्ण सुविधाओं एक सार मॉडल की पुस्तिका पीढ़ी में याद किया जाता है. इस वजह से मार्गदर्शन मॉडल गठन के व्यक्तिपरक प्रकृति एक आदर्श बनाना और मनाया वास्तविक घनत्व की अमूर्त की ओर जाता है, और इसलिए मॉडल गठन के दौरान एक व्यक्तिपरक व्याख्या करने के लिए तथ्य यह है कि है. इसलिए, इस उदाहरण अच्छी तरह से पृथक मॉडल पीढ़ी एक 3 डी की मात्रा का एक विशिष्ट पहलू पर ध्यान केंद्रित करने की अनुमति देता है कि कैसे पुस्तिका को दर्शाता है. हालांकि, चयनात्मक धारणा और सरलीकरण सभी प्रोटीन सह का पूरा लेखा जोखा देने में विफल रहता हैडेटा सेट में उपस्थित mplexes. उद्देश्य डेटा की जटिलता को दिखाने के लिए है, इसलिए, तो एक बेहतर अन्य तीन तरीकों में से किसी के साथ परोसा जाता है.

3 डी मैट्रिक्स सुसंस्कृत स्तन ग्रंथि acini (चित्रा 3 डी) के मामले में, उच्च विपरीत माइटोकॉन्ड्रिया भी आश्चर्यजनक रूप से संदूषण की न्यूनतम राशि के साथ सबसे अच्छा परिणाम उपज नहीं सुविधाओं के मार्गदर्शन ट्रेसिंग (साथ, आसानी से सभी चार दृष्टिकोण से खंडित कर रहे हैं चित्रा 3D3). हालांकि, पुस्तिका अनुरेखण बहुत श्रम प्रधान है और बड़ी मात्रा के लिए इसलिए सीमित उपयोग की है. सफाई के लिए आगे गुर कार्यरत हैं अगर घनत्व दहलीज पर आधारित है और आकार की देखरेख स्वचालित विभाजन दोनों काफी अच्छी तरह से माइटोकॉन्ड्रिया निकालने, और एक के पास सही विभाजन में नतीजा होगा (जैसे, voxel घनत्व की एक विशेष सीमा से नीचे सभी वस्तुओं को नष्ट करने) के रूप में उपलब्ध विभिन्न संकुल में. इस मामले में, पुस्तिका abstracted मॉडल इमारत उपज नहीं थाभाग में आशाजनक परिणाम, माइटोकॉन्ड्रिया आसानी से गेंद और छड़ी मॉडल के साथ approximated नहीं किया जा सकता है.

जीवाणु मिट्टी समुदाय / biofilm (चित्रा 3E) के संबंध में, चार तरीकों में से तीन मैनुअल मॉडल पीढ़ी कारण ज्यामितीय आकृतियों से बैक्टीरिया जैसे जैविक वस्तुओं, का प्रतिनिधित्व करने की चुनौती के लिए अच्छा प्रदर्शन नहीं कर के साथ, उचित परिणाम. बैक्टीरिया से होने वाले कोशिकी उपांग लेकिन नहीं के रूप में अच्छी तरह से मार्गदर्शन सुविधा लगाने में स्वचालित विभाजन दृष्टिकोण में पता लगाया जा सकता है. आकार की देखरेख कस्टम सिलवाया स्वचालित विभाजन आगे भी बहुत बड़े डेटा सेट के लिए आसान मात्रा का ठहराव की अनुमति, (नहीं दिखाया डेटा) उनके समान घनत्व के बावजूद बैक्टीरिया से कोशिकी सुविधाओं अलग नहीं कर सकता. यह मूलतः एक बहुत बड़े डेटा सेट है, क्योंकि कस्टम सिलवाया स्वचालित विभाजन स्पष्ट रूप से अन्य सभी दृष्टिकोण outcompeted, लेकिन कम जटिलता से लाभ हो सकता हैऔर ब्याज की वस्तुओं की अपेक्षाकृत विरल वितरण (कम crowdedness).

एक ऊतक की तरह संदर्भ (चित्रा 3F) में दो कोशिकाओं के बीच इंटरफेस की जांच करते हैं, तो ब्याज की सुविधाओं में से केवल मार्गदर्शन त्रुटि अच्छे परिणाम का उत्पादन किया. स्वचालित घनत्व के आधार पर विभाजन दृष्टिकोण पूरी तरह आसन्न कोशिकाओं के बीच झिल्ली सीमा का पता लगाने में असफल हो, और एक सेल का आकार आसानी से approximated या आकार के बराबर नहीं है क्योंकि यहां तक ​​कि कस्टम सिलवाया दृष्टिकोण बैक्टीरिया के लिए अपनी स्पष्ट सफलता के बावजूद, भाग में विफल रहता है, biofilm में (चित्रा 3E5).

विभाजन दृष्टिकोण कुछ डेटा सेट पर नहीं बल्कि दूसरों पर अच्छी तरह से करते हैं कि चित्रा 3 से अवलोकन इन डेटा सेट में से प्रत्येक की विशेषता क्या है के सवाल का नेतृत्व किया, और यह डेटा विशेषताओं या करने के लिए दिखाई दिया कि निजी उद्देश्य के प्रकार वर्गीकृत करने के लिए संभव था कि क्या उनके respectiv के साथ अच्छी तरह से मैचई दृष्टिकोण. इस विषय का व्यवस्थित अध्ययन पहले से आयोजित नहीं किया गया है, और इस तरह एक पहला कदम के रूप में छवि विशेषताओं और व्यक्तिगत लक्ष्यों की एक अनुभवजन्य सूची के एक प्रतिष्ठान उनके संबंधित डेटा सेट की सुविधा निकासी के लिए सबसे अच्छा तरीका खोजने के लिए अपने प्रयास में एक नौसिखिया मार्गदर्शन कर सकते हैं.

महत्वपूर्ण चित्रा 4 में दिखाया जाता है के रूप में आठ मापदंड की पहचान की गई है, और वे दो मुख्य श्रेणियों में बांटा जा सकता है: (1) डेटा सेट में निहित हैं, और सुविधाओं है कि (2) शोधकर्ता की व्यक्तिगत उद्देश्यों और अन्य कारणों से कुछ अधिक कर रहे हैं कि व्यक्तिपरक, उतना ही महत्वपूर्ण यद्यपि. मुख्य रूप से तीन अतिरिक्त डेटा सेट शुरू होने के साथ, चित्रा 3 में छह डेटा सेट से तैयार कर रहे हैं दिखाया उदाहरण: एक (चित्रा 4A1) Arabidopsis thaliana संयंत्र सेल दीवार का एक क्रायो खंड के एक क्रायो रण है, दूसरा (आंकड़े 4A2 , 4B1, 4D1 आंकड़े 3F1-3F5 में दर्शाया श्रेणी में फिट लेकिन और भी काफी जटिल है हो सकता है कि एक अत्यधिक जटिल और जटिल ऊतक है जो भीतरी कान हलकी लीक vascularis की एक FIB / SEM डेटा सेट, और तीसरा है (आंकड़े 4B2 , 4D2) Figuress 2A1-2A5 और 3A1-3A5 में अनुदैर्ध्य दृश्य में दिखाया गया नमूना सामग्री के समान पार के अनुभागीय दृश्य में भीतरी कान बाल सेल stereocilia की एक राल खंड रण है.

छवि विशेषताओं, जैसे उद्देश्य मानदंडों की श्रेणी के लिए डेटा सेट में निहित चार लक्षण महत्व के जाने का प्रस्ताव है:

  1. , ऐसी कोई स्पष्ट organelle या अन्य प्रमुख विशेषता खड़ा है, या (3) के साथ उच्च सेलुलर sceneries में के रूप में (2) मध्यवर्ती (चित्रा 4A2) क्रायो ईएम tomograms के लिए विशिष्ट है के रूप में डेटा विपरीत (1) कम (चित्रा 4A1) हो सकता है (चित्रा 4A3), kinoci के लिए मामला हैZ-दिशा के भीतर स्पष्ट रूप से अलग हो filamentous तत्वों के संरेखण के कारण liary रण या पार अनुभाग में stereocilia,.
  2. डेटा इस तरह तेजी से परिभाषित सीमाओं के साथ एक ऊतक, या कुरकुरा (चित्रा 4B2), में कोशिकाओं के रूप में दो निकट तैनात वस्तुओं, दोनों के बीच कोई दिख स्पष्ट सीमाओं के साथ फजी (चित्रा 4B1), हो सकता है. यह आंशिक रूप से के बारे में 2-4 FIB-SEM की तुलना में इलेक्ट्रॉन tomograms के लिए एक कारक के द्वारा स्वाभाविक अधिक है जो डेटा सेट संकल्प, के एक समारोह है. स्वाभाविक रूप से, तेज सीमाओं बाद के दृष्टिकोण के लिए दोनों पुस्तिका के रूप में अच्छी तरह से स्वचालित विभाजन के दृष्टिकोण के लिए वांछनीय है, लेकिन जरूरी है.
  3. काफी आसान छवि विभाजन स्वचालित प्रस्तुत करने वाले जुदाई मिसाल है जो एक कॉलोनी में बैक्टीरिया के रूप में घनत्व नक्शे, आबादी कम कसकर दूरी पर संयंत्र सेल दीवार घटकों से परिलक्षित, या के रूप में या तो भीड़ (चित्रा 4C1) (चित्रा 4C2) हो सकता है.
  4. घनत्व नक्शे ऐसी हलकी लीक vascularis एक रक्त वाहिका के आसपास ऊतक (चित्रा 4D1) या इस तरह के क्रॉस सेक्शन में stereocilia रूप में एक समान संगठन के साथ अच्छी तरह से परिभाषित organelle तरह की वस्तुओं, (जैसा कि अक्सर अनियमित आकार के साथ बेहद अलग सुविधाओं के साथ अत्यधिक जटिल हो सकता है चित्रा 4D2).

इसके अलावा तुलना में कुछ हद तक मुश्किल बनाने, सभी विभिन्न उदाहरणों में एकदम अलग तराजू ध्यान दें.

इसके अलावा इस तरह के उचित मार्ग का चयन मार्गदर्शन करेंगे कि छवि विशेषताओं, चार अत्यधिक व्यक्तिपरक मापदंड के रूप में अधिक उद्देश्य मापदंड से भी प्रस्तावित कर रहे हैं:

  1. वांछित उद्देश्य: उद्देश्य इसकी जटिलता में बाल बंडल stereocilium कल्पना करने के लिए और निर्धारित करने के लिए और वस्तु (चित्रा 4E1) के आकार की जांच, या घनत्व के नक्शे में बनाया गया है कि एक सरल और abstracted गेंद और छड़ी मॉडल बनाने के लिए किया जा सकता है और अनुमति देता है एक तेजी से गिनती एकज्यामितीय वस्तुओं की एन डी मापने (रेशा लंबाई, दूरी और कनेक्शन की संख्या) (चित्रा 4E2).
  2. सुविधा आकारिकी अत्यधिक अनियमित और ऐसे में इस तरह के एक्टिन तंतु और पार के रूप में ज्यादातर सेल सेल बातचीत ऐसे माइटोकांड्रिया (चित्रा 4F2) के रूप में कुछ हद तक इसी तरह कुछ बदलाव के साथ आकार का क्षेत्र (चित्रा 4F1),,, या हूबहू आकार, के रूप में कोशिकाओं की तरह जटिल हो सकता है अनुदैर्ध्य अभिविन्यास (चित्रा 4F3) में एक बाल बंडल में लिंक.
  3. एक खंड के लिए एक 3 डी डेटा सेट में सभी सुविधाओं चाहते हो सकता है के रूप में संयंत्र सेल दीवारों (चित्रा 4G1), या सेलुलर मात्रा का केवल एक छोटे से अंश के लिए मामला है के रूप में ब्याज (जनसंख्या घनत्व) की सुविधा का अनुपात, महत्वपूर्ण है के रूप में एक विषम सेलुलर दृश्य (चित्रा 4G2) में माइटोकॉन्ड्रिया का मामला है. डेटा सेट के आकार और विभाजन की आवश्यकता है कि मात्रा के प्रतिशत पर निर्भर करता है, यह उपयोग करने के लिए सबसे कारगर हो सकता हैपुस्तिका दृष्टिकोण. इस तरह के एक सुविधाओं की एक किस्म में रुचि रखता है के रूप में जब अन्य मामलों में, बस अर्द्ध स्वचालित विभाजन दृष्टिकोण का उपयोग करने के लिए कोई विकल्प नहीं है.
  4. एक और महत्वपूर्ण व्यक्तिपरक मापदंड एक विभाजन की प्रक्रिया में निवेश करने को तैयार है संसाधनों की राशि है और सत्य के प्रति निष्ठा का स्तर क्या एक जैविक सवाल का जवाब देने की आवश्यकता है. अधिक देखभाल सही मात्रात्मक जानकारी (चित्रा 4H1) प्राप्त करने के लिए आवश्यक हो सकता है, जो मामले में एक, चाहते हैं और (जैसे आदि अन्य सुविधाओं से आकार, मात्रा, सतह क्षेत्र, लंबाई, दूरी, के रूप में) एक सुविधा का बड़ा मापदंडों यों करना पड़ सकता है या उद्देश्य केवल अपने 3 डी आकार (चित्रा 4H2) की एक तस्वीर तस्वीर के लिए हो सकता है. संसाधन असीमित हैं जहां एक आदर्श दुनिया में, एक स्पष्ट रूप से किसी भी समझौते करने बल्कि उपयोगकर्ता की मदद से मार्गदर्शन सुविधा निकासी के लिए सबसे सही पथ के लिए चुनते करने के लिए नहीं करना चाहती. यह कई डेटा सेट के लिए काम कर सकते हैं, निकट भविष्य में 3 डी संस्करणों wil एल 10k या उच्चतर द्वारा 10k द्वारा 10k के क्रम में हो सकता है, और मैनुअल विभाजन अब इस तरह के एक विशाल अंतरिक्ष segmenting में एक प्रमुख भूमिका निभाने के लिए सक्षम हो जाएगा. डेटा और अन्य डेटा विशेषताओं की जटिलता पर निर्भर करता है, अर्द्ध स्वचालित विभाजन एक आवश्यकता बन सकता है.

चित्रा 5 में, शक्तियों और सीमाओं संक्षेप में चार विभाजन दृष्टिकोण के लिए सूचीबद्ध हैं. प्रत्येक दृष्टिकोण के साथ जोड़ी कर सकते हैं कि चित्रा 4 में पहचान व्यक्तिगत लक्ष्य और छवि विशेषताओं के रूप में अच्छी तरह से रेखांकित कर रहे हैं. चित्रा 6 में, व्यक्तिगत लक्ष्य और छह डेटासेट की छवि विशेषताओं डेटा ट्राइएज और सबसे अच्छा दृष्टिकोण के बारे में फैसला करने के लिए कैसे उदाहरण देना. दोनों 5 और 6 चर्चा में पर विस्तार कर रहे हैं आंकड़े.

लोड / 51673 / 51673fig1highres.jpg "चौड़ाई =" 500px "/>
जैविक इमेजिंग पुनर्निर्माण और विश्लेषण के लिए चित्रा 1 कार्यप्रवाह. इस चार्ट टोमोग्राफी द्वारा एकत्र विभिन्न एकत्र करने के लिए उठाए गए कदमों और प्रक्रिया छवियों के एक सिंहावलोकन देता है, आयन बीम SEM, और धारावाहिक ब्लॉक चेहरा SEM जोर दिया. 2 डी झुकाव श्रृंखला या धारावाहिक वर्गों में कच्चे डेटा संग्रह का परिणाम है. इन 2 डी छवि सेट तो शोर को कम करने और ब्याज की सुविधाओं के विपरीत बढ़ाने के लिए फ़िल्टर किया, 3 डी में गठबंधन और खंगाला जाना चाहिए. अंत में, डेटा खंडित किया जा सकता है और अंत में एक 3 डी मॉडल, जिसके परिणामस्वरूप विश्लेषण किया. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 2
चित्रा 2.. टोमोग्राफी और मिथ्या-SEM डेटा संग्रह के बाद कार्यप्रवाह के हर कदम से विभिन्न प्रकार के डेटा के लिए कार्यप्रवाह के उदाहरण चार डेटा सेट (पंक्तियों ई) के माध्यम से दिखाया गया है: longitudinally sectioned stereocilia के दाग टोमोग्राफी एम्बेडेड राल, राल संयंत्र सेल दीवार के दाग टोमोग्राफी एम्बेडेड की सेल्यूलोज, स्तन उपकला सेल माइटोकॉन्ड्रिया की FIB-SEM, और एसबीएफ-SEM कोलाई बैक्टीरिया. कच्चे डेटा के माध्यम से एक 2 डी टुकड़ा स्तंभ 1 में दिखाया गया है, और संरेखण और 3 डी पुनर्निर्माण के बाद डेटा से एक छवि का अनुसरण कर रहे स्तंभ 2 कॉलम 3 में लागू फिल्टरिंग तकनीक शामिल हैं: मंझला फिल्टर (ए 3), गैर anisotropic प्रसार फिल्टर (बी 3), गाऊसी कलंक (C3), और MATLAB के imadjust फिल्टर (डी 3). ब्याज (स्तंभ 4) का फसल क्षेत्र से सेट प्रत्येक डेटा के लिए सबसे अच्छा विभाजन का एक उदाहरण एक 3 डी स्तंभ 5 स्केल सलाखों में समर्पण के रूप में प्रदर्शित किया जाता है: A1-A3 = 200 एनएम, ए 4 = 150 एनएम, A5 = 50 एनएम, बी 1-बी 3 = 200 एनएम, बी 4-B5 = 100 एनएम, C1-C3 = 1 मिमी, C4-C5 = 500 एनएम,डी 1 डी 3 = 2 मिमी, D4-D5 = 200 एनएम. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 3
चार विभाजन की चित्रा 3 आवेदन उदाहरण डेटा सेट करने के लिए दृष्टिकोण छह उदाहरण डेटा सेट में सभी चार दृष्टिकोण से खंडित गया:. पुस्तिका abstracted मॉडल पीढ़ी, पुस्तिका ट्रेसिंग, स्वचालित घनत्व आधारित विभाजन, और कस्टम सिलवाया स्वचालित विभाजन. उद्देश्य मात्रात्मक प्रयोजनों के लिए एक मॉडल तैयार करने के बजाय घनत्व निकालने के लिए किया गया था के रूप में मैनुअल abstracted मॉडल पीढ़ी, stereocilia (ए) के दाग टोमोग्राफी एम्बेडेड राल के लिए प्रभावी था. राल के लिए संयंत्र सेल दीवार (बी), स्वचालित घनत्व आधारित segmentà के दाग टोमोग्राफी एम्बेडेडtion जल्दी मैनुअल तरीके डेटा के कुछ ही स्लाइस पर बहुत अधिक प्रयास ले लिया जहां कई स्लाइस, के माध्यम से सेलूलोज़ निकालने के लिए सबसे प्रभावी तरीका था. अन्य विभाजन के तरीकों नहीं किया था, जबकि मैनुअल abstracted मॉडल पीढ़ी kinocilium (सी) के दाग टोमोग्राफी में microtubule त्रिक उत्पन्न, अभी तक दो स्वचालित दृष्टिकोण अधिक जल्दी घनत्व निकाला जाता है और इसलिए पसंद किया गया. कारण स्तन उपकला कोशिकाओं की FIB-SEM (डी) से माइटोकॉन्ड्रिया के आकार के, मार्गदर्शन त्रुटि साफ परिणाम, और त्वरित विभाजन के लिए अनुमति दी प्रक्षेप विधियों के उपयोग के साथ संयुक्त कम जनसंख्या घनत्व प्रदान की. खंडित किए जाने की आवश्यकता है कि बड़ी मात्रा को देखते हुए कस्टम सिलवाया स्वचालित विभाजन एसबीएफ-SEM बैक्टीरिया डेटा (ई), लेकिन दोनों स्वचालित दृष्टिकोण तुलनीय थे खंड के लिए सबसे कारगर साबित हुई. समय लेने वाली है, स्तन उपकला कोशिका झिल्ली की FIB-SEM (एफ) को निकालने के लिए केवल विधि का मार्गदर्शन त्रुटि थी स्केल सलाखों.:A1-A5 = 100 एनएम, बी 1, बी 5 = 100 एनएम, सी 1-C5 = 50 एनएम, डी 1-D5 = 500 एनएम, E1-E5 = 200 एनएम, F1-F5, सलाखों = 500 एनएम. देखने के लिए यहां क्लिक करें एक इस आंकड़े का बड़ा संस्करण.

चित्रा 4
चित्रा 4 उद्देश्य छवि विशेषताओं और डेटा सेट के triaging के लिए व्यक्तिपरक व्यक्तिगत करना है. डेटा के उदाहरणों का प्रयोग मापदंड जो विभाजन दृष्टिकोण का उपयोग करने के लिए के रूप में एक निर्णय को सूचित करने के लिए प्रस्तावित कर रहे हैं, विशेषताओं सेट. उद्देश्य विशेषताओं के संबंध में, डेटा स्वाभाविक कम, मध्यम, या उच्च (A1-A3), फजी या कुरकुरा (B1-B2) होना है कि विपरीत हो सकता है, बाहर स्थान या (सी 1-C2) भीड़, और जटिल या बस संगठित विशेषताएं (डी 1 डी 2). व्यक्तिपरक व्यक्तिगत उद्देश्य वांछित ओ शामिल bjective ब्याज की सुविधा के लिए एक उच्च या कम जनसंख्या घनत्व को चुनने, ब्याज (F1-F3) की सुविधा के रूप में एक जटिल चादर, जटिल मात्रा या रेखीय आकृति विज्ञान की पहचान करने, सटीक घनत्व (E1-E2) एक सरल मॉडल को लक्षित या निकालने (G1-G2), और ऐसे समय (एच 1-एच 2) स्केल सलाखों के रूप में निवेश पर एक ह्रासमान वापसी के लिए उच्च निष्ठा और उच्च संसाधन आवंटन के बीच व्यापार बंद पर निर्णय लेने:. A1 = 50 एनएम, A2 = 1500 एनएम , ए 3 = 100 एनएम, बी 1 = 1500 एनएम, बी 2 = 200 एनएम, सी 1 = 100 एनएम, सी 2 = 200 एनएम, डी 1 = 10 मिमी, डी 2 = 200 एनएम, E1 = 100 एनएम, E2 = 50 एनएम, F1-F2 = 500 एनएम, F3 = 50 एनएम, G1 = 100 एनएम, G2 = 1 मिमी, H1-एच 2 = 100 एनएम. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

px "/>
चित्रा 5 तुलना डेटा विशेषताओं की मेज और व्यक्तिपरक अलग विभाजन दृष्टिकोण के लिए उपयुक्त करना है. इस तालिका में प्रत्येक विभाजन दृष्टिकोण की शक्तियों और सीमाओं का सार. चित्रा 4 से मापदंड जो विभाजन विधि के लिए उपयुक्त हैं जो डेटासेट की पहचान कर सकते हैं. ये उद्देश्य छवि विशेषताओं और व्यक्तिपरक व्यक्तिगत उद्देश्य प्रत्येक दृष्टिकोण के इष्टतम उपयोग के लिए चुना है, लेकिन बाधा या विभाजन की दक्षता सहायता कर सकते हैं विभिन्न संयोजनों. गया यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 6
कुशल टी के लिए 6 चित्रा निर्णय फ़्लोचार्टविभाजन की riage अलग विशेषताओं के साथ डेटा सेट के लिए दृष्टिकोण. विशेषताओं चित्रा 4 में प्रकाश डाला के आधार पर, इस चित्र चार मापदंड सबसे चित्रा 3 से सेट प्रत्येक डेटा के लिए सबसे अच्छा विभाजन दृष्टिकोण पर अंतिम निर्णय करने के लिए योगदान दिया है, जो दिखाता है. प्रत्येक डेटा सेट है रंग जल्दी या एक ही दृष्टिकोण को जन्म दे सकता है और नहीं है कि एक वैकल्पिक मार्ग को प्रतिबिंबित कि प्राथमिक निर्णय लेने की प्रक्रिया का प्रतिनिधित्व बोल्ड लाइनों, साथ ही बिंदीदार रेखा का पालन करने के लिए कोडित. kinocilium, बैक्टीरिया, और संयंत्र सेल दीवार डेटा सेट सबसे अच्छा दो स्वचालित दृष्टिकोण के साथ खंडों गया. इसके विपरीत, कोशिका झिल्ली और माइटोकांड्रिया रास्तों हमेशा की वजह से उनकी मुश्किल विशेषताओं के मार्गदर्शन त्रुटि पैदा होती हैं. यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

Discussion

3 डी एम संस्करणों से प्रासंगिक सुविधाओं की निकासी के लिए प्रभावी रणनीति तत्काल हाल ही में जैविक इमेजिंग लगा है कि डेटा सूनामी के साथ रखने के क्रम में की जरूरत है. डेटा घंटों या दिनों में उत्पन्न किया जा सकता है, यह गहराई में 3 डी संस्करणों का विश्लेषण करने के लिए कई महीने लग जाते हैं. इसलिए, यह छवि विश्लेषण वैज्ञानिक खोजों के लिए अड़चन बन गया है कि स्पष्ट है; इन समस्याओं के लिए पर्याप्त समाधान के बिना, इमेजिंग वैज्ञानिकों को अपनी सफलता का शिकार हो जाते हैं. इस वजह से भी उच्च डेटा की जटिलता और आम तौर पर प्रोटीन और प्रोटीन परिसरों सीमा एक दूसरे से और अनिवार्य रूप से स्केल घनत्व की एक सतत ढाल के रूप में दिखाई देते हैं, जहां जैविक कोशिकाओं में पाया macromolecular भीड़ के हिस्से में है. समस्या नमूना तैयार करने और इमेजिंग खामियों से जटिल है, और कुछ मामलों छवि पुनर्निर्माण कलाकृतियों में, प्रमुख पूरी तरह से स्वचालित दृष्टिकोण के लिए चुनौतियां खड़ी कर सकते हैं कि सही से कम बड़ा डेटा को हैतों. सबसे महत्वपूर्ण है, तथापि, नमूना तैयार करने, इमेजिंग, और जैविक व्याख्या में विशेषज्ञों शायद ही कभी अच्छी तरह से कम्प्यूटेशनल विज्ञान में निपुण, और इसलिए प्रभावी रूप से सुविधा निष्कर्षण और विश्लेषण दृष्टिकोण करने के बारे में मार्गदर्शन की आवश्यकता है कि तथ्य यह है. इसलिए, विभिन्न उदाहरणों के माध्यम से उपयोग, प्रोटोकॉल विभाजन के लिए डेटा, साथ ही मार्गदर्शन abstracted मॉडल पीढ़ी, स्वचालित घनत्व आधारित विभाजन, ब्याज की सुविधाओं का मार्गदर्शन अनुरेखण, और कस्टम सिलवाया स्वचालित विभाजन के लिए कदम तैयार करने के लिए कैसे करें. प्रक्रिया में उल्लिखित मैनुअल और स्वत: दृष्टिकोण यहाँ उल्लेख कर रहे हैं, जिनमें से कुछ विभाजन सॉफ्टवेयर, की एक विशाल विविधता में पाया जा सकता है, लेकिन दूसरों को भी इसी तरह का कार्य करते हैं और समान रूप से अच्छी तरह से अनुकूल हैं.

परिणाम 3 डी विभाजन दृष्टिकोण से प्रत्येक की प्रभावशीलता डेटा सेट का एक अलग प्रकार के लिए भिन्न होता है कि प्रदर्शित करता है. यहां तक ​​कि विभिन्न दृष्टिकोण गुणात्मक उत्पादन हालांकिimilar 3 डी renderings अंत उत्पाद के रूप में, समय और प्रयास की राशि काफी विविध विभाजन की प्रक्रिया के दौरान प्रत्येक पर खर्च. उपयुक्त छवि विशेषताओं और विभाजन दृष्टिकोण प्रति व्यक्तिगत उद्देश्यों के लिए सिफारिशें आगे निम्नलिखित चार उपखंड में समझाया गया है जो चित्रा 5 में संक्षेप हैं. इन मानदंडों चित्रा 6 का निर्णय प्रवाह चार्ट के रूप में दिखाया आंकड़े 5 यद्यपि., छह डेटासेट के लिए लागू किया गया और 6 महज सेट प्रत्येक डेटा के लिए एक औचित्य प्रदान करने के लिए होती हैं और मापदंड के प्रत्येक निर्णय लेने की प्रक्रिया में भारित थे, वे एक आसान मार्गदर्शन, बल्कि एक प्रारंभिक बिंदु प्रदान नहीं करते हैं. निर्णय लेने की प्रक्रिया को प्रभावित करने वाले भी कई मापदंड बस रहे हैं: दूसरों के ऐसे वांछित उद्देश्य के रूप में अधिक व्यक्तिपरक मापदंड हैं, जबकि कुछ, इस तरह के डेटा सेट विशेषताओं के रूप में उद्देश्य मापदंड हैं. यह एक उच्च लेव दिखते हैं कि डेटा सेट कहने के लिए सुरक्षित हैतेज कुरकुरा सीमाओं के साथ इसके विपरीत के एल, अच्छी तरह से अलग और (भी विविध नहीं) अपेक्षाकृत सजातीय हैं, और वस्तुओं की एक बड़ी संख्या के लिए एक घनत्व मॉडल प्रदर्शित करने के उद्देश्य से कार्रवाई कर रहे हैं कि फीचर हैं, स्वचालित दृष्टिकोण, बेहतर होगा नहीं करने के लिए अगर पुस्तिका दृष्टिकोण बस संसाधन (समय) -prohibitive होगा कि तथ्य यह है. इसके विपरीत कम है तो दूसरी ओर, डेटा अस्पष्ट है और इस प्रकार, वस्तुओं भीड़ है, और सुविधाओं एक उच्च विविधता दिखाने के लिए और इस प्रकार विषम हैं एक विशेषज्ञ के ज्ञान की आवश्यकता है, एक पुस्तिका सुविधा निष्कर्षण के अलावा कोई अन्य विकल्प नहीं हो सकता है / विभाजन.

मैनुअल abstracted मॉडल जनरेशन

मैनुअल abstracted मॉडल ट्रेसिंग, रैखिक तत्वों segmenting स्वतः (लाठी) से जोड़ा जा सकता है कि बीज अंक (गेंदों) प्रदान करने में विशेष रूप से प्रभावी है. इस तरह की गेंदों और लाठी मॉडल की लंबाई एक को मापने के लिए बहुत शक्तिशाली हो सकता हैND इस तरह के मॉडल के उन्मुखीकरण और गुणात्मक निरीक्षण और मात्रात्मक विश्लेषण दोनों के लिए एक पर्याप्त रूप से abstracted मॉडल प्रदान करते हैं. विश्लेषण पर खर्च संसाधनों को न्यूनतम जब आमतौर पर इस्तेमाल किया जाता है मैनुअल abstracted मॉडल पीढ़ी मूल डेटा के आकार को पूर्ण निष्ठा से ज्यादा महत्वपूर्ण है. यह ब्याज की रैखिक और समरूप सुविधाओं (जैसे, तंतु, ट्यूब) के साथ सबसे सफल है. डाटा विपरीत, crispness, और crowdedness जब तक मानव आँख ब्याज की वस्तु को पहचान सकते हैं, इस विधि की सफलता का निर्धारण करने में एक प्रमुख भूमिका निभा नहीं है. कभी कभी ऐसे मॉडल भी क्षेत्र के लिए एक कंकाल कंकाल के चारों ओर एक क्षेत्र में 3 डी नक्शे के रूप में उपयोग किया जा सकता है. मॉडल सार बजाय सटीक घनत्व का एक प्रतिबिंब है, यह 3 डी घनत्व की एक skeletonized संस्करण का प्रतिनिधित्व करता है और इस तरह अव्यवस्था से मुक्त दृश्य और गुणात्मक विश्लेषण के लिए अनुमति देता है. इस तरह की लंबाई के रूप में मात्रात्मक माप भी लगभग मॉडल से निर्धारित किया जा सकता है. एक के लिएपुस्तिका abstracted मॉडल पीढ़ी के साथ सॉफ्टवेयर का उदाहरण, पर ऑनलाइन कल्पना की विस्तृत उपयोगकर्ता गाइड कृपया देखें http://www.cgl.ucsf.edu/chimera/current/docs/UsersGuide/index.html .

ब्याज की सुविधाओं के मैनुअल अनुरेखण

मैनुअल तूलिका अनुरेखण लगभग सभी डेटा विशेषताओं के साथ अच्छी तरह से काम करता है, लेकिन यह भी विधि सबसे अधिक समय लेने है. समय में, यह इस तरह पतली और जटिल कोशिका झिल्ली के रूप में सुविधाओं की एक विशाल विविधता युक्त एक जटिल छवि सेट से ब्याज की एक विशेषता निकालने के लिए केवल तकनीक है. ब्याज की सुविधा सुचारू रूप से बदलता है जब कुछ कार्यक्रमों में उपलब्ध एक उपयोगी उपकरण रहकर खंडों स्लाइस के बीच प्रक्षेप के लिए अनुमति देता है. डेटा कुरकुरा है और उच्च विपरीत करने के लिए माध्यम है अगर मैनुअल अनुरेखण सबसे अधिक कुशलता से लागू किया जा सकता है, लेकिन यह भी उपयोग किया जा सकता हैउपयोगकर्ता के रूप में लंबे समय के रूप में अधिक चुनौतीपूर्ण डेटा सेट, के लिए ब्याज की वस्तु से परिचित है. डेटा जटिलता वस्तुओं बारीकी से भरे होते हैं, जहां जटिल और भीड़ डेटा सेट, असतत वस्तुओं से लेकर कर सकते हैं. स्वचालित दृष्टिकोण अक्सर खंड के लिए वांछित मात्रा संघर्ष और बहुत अधिक या बहुत कम निकालने के रूप में उत्तरार्द्ध मामले में, मैनुअल विभाजन, केवल विकल्प हो सकता है. ऐसे जटिल चादरें या संस्करणों के रूप में मुश्किल सुविधा morphologies,, भी इस विधि से निकाला जा सकता है. ब्याज की सुविधाओं के उच्च जनसंख्या घनत्व के विभाजन के समय निषेधात्मक हो जाता है के रूप में ब्याज की सुविधाओं का जनसंख्या घनत्व कम है, हालांकि, अगर उपयोगकर्ता कई मुश्किल विशेषताओं के साथ एक डाटासेट ही खंडित किया जा सकता है कि दिमाग में रखना चाहिए. मार्गदर्शन त्रुटि के साथ सॉफ्टवेयर का एक उदाहरण के लिए, पर ऑनलाइन अमीरा की विस्तृत उपयोगकर्ता गाइड कृपया देखें http://www.vsg3d.com/sites/default/files/Amira_Users_Guide.pdf.

स्वचालित घनत्व के आधार पर विभाजन

मैनुअल तकनीकों के विपरीत, स्वचालित दृष्टिकोण आम तौर पर छवियों का एक बड़ा ढेर segmenting जब विचार करने के लिए एक महत्वपूर्ण कारक है जो कम समय लेने वाली हैं. हालांकि, सरल thresholding के रूप में सही नहीं हो सकता है, और भी बहुत कुछ समय स्वतः खंडों मात्रा के शोधन और curation पर खर्च किया जा सकता है. स्वचालित घनत्व के आधार पर विभाजन सभी विभाजन की आवश्यकता है कि ब्याज की इसी तरह की सुविधाओं की एक बड़ी संख्या है कि प्रदर्शन डेटा सेट पर सबसे अच्छा काम करता है. डेटा और अधिक जटिल है, इन स्वचालित तकनीक अभी भी एक प्रारंभिक कदम के रूप में सेवा कर सकते हैं, लेकिन संभावना ब्याज की सुविधा से युक्त एक subvolume निर्दिष्ट करने के क्रम में रेखा के नीचे कुछ मैनुअल हस्तक्षेप की आवश्यकता होगी. इस रणनीति आमतौर पर रैखिक morphologies या जटिल संस्करणों पर अच्छी तरह से काम करता है, लेकिन यह इस तरह के रूप में पतली जटिल शीट के साथ शायद ही कभी सफल होता हैकोशिका झिल्ली. उच्च निष्ठा के बदले में ऐसे समय में कुछ उपयोगकर्ता संसाधनों खपा जबकि स्वचालित दृष्टिकोण के साथ न्यूनतम उपयोगकर्ता के हस्तक्षेप, बड़े या छोटे संस्करणों के माध्यम से विभाजन सक्षम बनाता है. स्वचालित घनत्व के आधार पर विभाजन के साथ सॉफ्टवेयर का एक उदाहरण के लिए, पर ऑनलाइन अमीरा की विस्तृत उपयोगकर्ता गाइड कृपया देखें http://www.vsg3d.com/sites/default/files/Amira_Users_Guide.pdf .

कस्टम सिलवाया स्वचालित विभाजन

कस्टम सिलवाया स्वचालित विभाजन एक विशिष्ट डेटा सेट के लिए एल्गोरिदम की शक्ति अनुकूलन की अनुमति देता है, लेकिन अक्सर यह सुविधा विशेषताओं की सीमित संख्या के लिए उपयुक्त सेट डेटा या डेटा प्रकार, के लिए विशिष्ट है, और आसानी से सामान्यीकृत नहीं किया जा सकता. यहां प्रदर्शन किया प्रक्रिया इस तरह जल विसर्जन और अन्य स्तर के रूप में सामान्य स्वचालित विभाजन दृष्टिकोण से अलग है इन बीज अंक से तेजी से अग्रसर घन विस्तार के बाद महत्वपूर्ण बीज अंक की एक प्रोग्राम दृढ़ संकल्प पर भरोसा करते हैं जो सेट के तरीकों,,. इस विषय पर एक परिवर्तन ढाल वेक्टर जानकारी सुविधा सीमाओं को सूचित जहां सीमा विभाजन है. इसके विपरीत, यहां इस्तेमाल अनुकूलित स्क्रिप्ट उपयोगकर्ता मैन्युअल कुछ उदाहरण बताते हैं जहां एक प्रशिक्षण मंच पर निर्भर करता है. मशीन सीखने के माध्यम से, विशिष्ट एल्गोरिदम का पता लगाने और फिर स्वतंत्र रूप से लगातार निशान में पाया गुण और डेटा विशेषताओं को पहचान करने के लिए सीखना होगा. एल्गोरिदम फिर से सिखाना और अधिक उदाहरण शामिल करके विभाजन की सटीकता में सुधार कर सकते हैं एक विशेषज्ञ उपयोगकर्ता सुविधा मापदंड का एक बड़ा सेट प्रदान करने के लिए बताते हैं. Curation सिर्फ मार्गदर्शन त्रुटि के रूप में गहन परिश्रम के रूप में हो सकता है के रूप में कुल मिलाकर, thresholding और संबंधित दृष्टिकोण, या भी कस्टम सिलवाया दृष्टिकोण, organelles या आकार के जटिल विविधता के साथ एक छवि से ब्याज की एक भी सुविधा निकालने के रूप में उपयोगी नहीं हो सकता है.

">

डाटा Triaging और विखंडन दृष्टिकोण को चुनने के लिए रणनीति

चित्रा 5 में चित्रा 4 और उपयुक्त डेटासेट के सारांश में प्रस्तुत व्यक्तिपरक और उद्देश्य मानदंडों को देखते हुए, चित्रा 6 में दर्शाया निर्णय लेने स्कीम डेटा सेट की एक विशाल विविधता के लिए सुविधा निकासी रणनीतियों का एक प्रभावी मूल्यांकन सहायता कर सकते हैं. डेटा सेट चित्रा 4 में शुरू की चार संबंधित उद्देश्यों के साथ ही चार व्यक्तिपरक मापदंड में से किसी एक में शामिल हो सकते, जिनमें से प्रत्येक लगातार चार फैसलों में triaged कर रहे हैं. एक उदाहरण के रूप में, चित्रा 6 छह डेटा के प्रत्येक triaging के लिए तर्कसंगत है सेट 3 चित्र में दिखाया गया है. निस्संदेह, वहाँ एक भी अद्वितीय पथ नहीं है, लेकिन प्रत्येक डेटा सेट के लिए टी नेतृत्व कर सकते हैं कि निर्णय लेने के लिए अलग मापदंड निम्नलिखित इस मैट्रिक्स के माध्यम से नहीं बल्कि अलग अलग रास्तोंडेटा विभाजन के लिए एक ही है या अलग सिफारिश ओ. हर डेटा सेट प्रत्याशित नहीं किया जा सकता जो गुण, का अपना सेट होगा, छह उदाहरण प्रत्येक वरीय सुविधा निकासी / विभाजन दृष्टिकोण के पीछे तर्क का एक विवरण के साथ रखा, दिया जाता है. अधिकांश भी एक विकल्प के निर्णय मार्ग एक ही है कि या एक अलग विभाजन दृष्टिकोण के उपयोग में या तो परिणाम (चित्रा 6) के लिए एक प्रस्ताव शामिल हैं.

kinocilium स्वचालित दृष्टिकोण अधिक सफल होने की संभावना बनाता है, जो स्पष्ट रूप से परिभाषित सीमाओं के साथ सेट एक कुरकुरा डेटा है. ब्याज की सभी सुविधाओं को अच्छी तरह से फिर से एक स्वचालित दृष्टिकोण के पक्ष में, अलग हो रहे हैं. इसके अलावा, ब्याज की सुविधाओं यह कस्टम अनुरूप विभाजन के लिए एक अपेक्षाकृत सजातीय डेटा सेट आदर्श बना, एक दूसरे के समान हैं. अन्त में, उद्देश्य एक अर्द्ध स्वचालित दृष्टिकोण के पक्ष में, पूरे सुविधा को निकालने के लिए किया गया था. एक परिणाम के रूप में, यह निष्कर्ष निकाला गया था कि एक स्वचालित thresholding (ठोस ग्रीन लाइन) के रूप में एक कस्टम डिजाइन (जैसे,) की देखरेख के विभाजन को आकार दृष्टिकोण (बिंदीदार ग्रीन लाइन) दोनों इस डेटा सेट पर अच्छा प्रदर्शन करने की संभावना है.

निर्णय लेने के नेटवर्क में एक अलग क्रम में रखा गया है, हालांकि इसी तरह के मापदंड,, बैक्टीरिया के मामले को लागू होते हैं. इस डेटा सेट बहुत बड़ी थी क्योंकि एक कस्टम सिलवाया दृष्टिकोण भाग में सिफारिश की है; इसलिए, सीमित संसाधनों के एक श्रम प्रधान पुस्तिका हस्तक्षेप / विभाजन दृष्टिकोण निषेध. Thresholding स्वीकार्य परिणाम सामने आए होगा, कस्टम डिजाइन दृष्टिकोण बैक्टीरिया के बीच या सही अगले बैक्टीरिया या तो स्थित कोशिकी धातु जमा, से गोलाकार बैक्टीरियल आकार अलग करने के लिए अध्ययन का मुख्य उद्देश्य निष्पादित करने में सक्षम था, और इसलिए कस्टम सिलवाया दृष्टिकोण पसंद किया गया था.

Stereocilia डेटा सेट के लिए, पहले से विचार वांछित उद्देश्य था: लक्ष्य पूरे घनत्व को दिखाने के लिए किया जा सकता है या तोया ज्यामितीय मॉडल बनाने के लिए. ब्याज की मात्रा एक भीड़ भरे क्षेत्र था, और उद्देश्य खंड को बाद में आदि यह मददगार थे लंबाई, संख्या, दूरी, अभिविन्यास, सहित मात्रात्मक बड़ा विश्लेषण, निष्पादित करने के लिए आदेश में अलग वस्तुओं के रूप में वस्तुओं की एक बड़ी संख्या थी कि की वस्तुओं ब्याज मुख्य रूप से रेखीय थे, और इस चुनाव की विधि अनुरेखण ज्यामितीय मॉडल बनाया. हालांकि, बजाय उद्देश्य एक स्वचालित thresholding प्रोटोकॉल संभव बनाना होगा तेजी से परिभाषित सीमाओं के साथ पूरे घनत्व, तो रैखिक सुविधा आकृति विज्ञान के साथ ही अपेक्षाकृत उच्च विपरीत दिखाने के लिए किया गया है.

कोशिका झिल्ली और माइटोकांड्रिया डेटा मामलों के कारण सुविधा आकृति विज्ञान की अपनी श्रेणियों को स्वचालित दृष्टिकोण के लिए चुनौती दे रहे हैं: जटिल चादरें और मात्रा, क्रमशः. लक्ष्य को सटीकता से सेल या माइटोकांड्रिया रूपरेखा का पता लगाने के लिए है, लेकिन ऐसा करने के लिए केवल सीमित संसाधन हैं. इंटर के अलावा, सुविधाओंस्था जटिल हैं और माइटोकांड्रिया डेटा संभवतः आगे अनुकूलन के साथ लागू किया जा सकता है बैक्टीरिया के लिए ले जाया अनुकूलित पटकथा दृष्टिकोण सेट के लिए हालांकि, आसानी से स्वचालित रूप से पता लगाया या आकार इनकोडिंग नहीं किया जा सकता. सौभाग्य से, झिल्ली और माइटोकांड्रिया खुद ही पूरी मात्रा का एक छोटा सा अंश का प्रतिनिधित्व करते हैं और इसलिए, पुस्तिका अनुरेखण समय लेने वाली दृष्टिकोण यद्यपि एक सीधा है. इसके विपरीत जगह कम है और सीमाओं बल्कि फजी हैं जब मैनुअल अनुरेखण भी इस तरह के डेटा सेट के लिए पसंद की विधि है. वे डेटा सेट के एक महत्वपूर्ण हिस्से का गठन भले ही एक परिणाम के रूप में, इस तरह के जटिल पत्रक मैन्युअल बस की वजह से एक बेहतर विकल्प के अभाव में, पता लगाया जाना चाहिए.

लक्ष्य खंड घनी स्थान दिया गया है और एक भीड़ भरे दृश्यों को बनाने के जो सभी वस्तुओं, के लिए गया था क्योंकि संयंत्र डेटा सेट अपनी चुनौतियों के समक्ष रखी. घनत्व प्रदर्शित के रूप में है आकार और वस्तुओं का संगठन है, लेकिन ख के बारे में माप सक्षम होगाecause स्वयं प्रत्येक filamentous वस्तु, स्वत thresholding बजाय बहुत महंगा नियोजित किया गया था है segmenting.

एक 3 डी मॉडल बनाने में विभिन्न चरणों और इसी के परिणाम यहाँ प्रदर्शित किया गया है, लेकिन अधिक महत्वपूर्ण बात, पाया डेटा विशेषताओं और व्यक्तिगत मापदंड विभाजन का सबसे अच्छा रास्ता भी स्पष्ट किया गया है निर्धारित करने में महत्वपूर्ण हो. छवि डेटा खुद की महत्वपूर्ण विशेषताओं विपरीत, crowdedness, crispness, और अलग अलग आकार या (जैसे organelles, तंतु, झिल्ली) के रूप में सुविधाओं की संख्या के रूप में वर्णित है यहाँ क्या शामिल है. व्यक्तिपरक मापदंड (मापने / गिनती, skeletonized प्रतिनिधित्व डेटा का / 3 डी renderings में संस्करणों प्रदर्शित), ब्याज की सुविधा के लक्षण (रैखिक, लम्बी नेटवर्क, जटिल, जटिल), के घनत्व विभाजन के वांछित उद्देश्य को शामिल करने पर विचार करने के लिए पूरी मात्रा (हैं कि वस्तुओं के अंश के संबंध में ब्याज की सुविधाओंमहत्वपूर्ण और) निकाले जाने की जरूरत है, और मूल डेटा के विभाजन की निष्ठा को संसाधनों खपा की tradeoffs और संसाधनों की काफी अधिक आवंटन के लिए वृद्धिशील सुधार में जिसके परिणामस्वरूप निवेश पर कम रिटर्न संतुलन.

छवि विभाजन के क्षेत्र में काफी हाल के वर्षों में परिपक्व हो गया है, अभी तक कोई चांदी गोली, यह सब कर सकते हैं कि कोई एल्गोरिथ्म या कार्यक्रम नहीं है. डेटा सेट आकार के लिए नियमित तौर पर दसियों गीगाबाइट की मेगाबाइट के सैकड़ों से बड़े हो गए हैं, और वे अब असंभव के पास पुस्तिका विभाजन बनाने, टेराबाइट्स से अधिक करने के लिए शुरू कर रहे हैं. इस प्रकार, अधिक संसाधनों मानव निर्णय लेने की प्रक्रिया की नकल है कि चालाक और समय प्रभावी सुविधा निकासी दृष्टिकोण में निवेश करने की आवश्यकता है. इस तरह के प्रयासों (Google धरती के समान) अर्थ श्रेणीबद्ध डाटा बेस, (2) डेटा अमूर्त तकनीक (यानी, संक्रमण आधारित (1) भौगोलिक सूचना प्रणाली (जीआईएस) के साथ जोड़ा जा करने की आवश्यकता होगीकंप्यूटर असिस्टेड डिजाइन (सीएडी) सॉफ्टवेयर वे अक्सर में उपयोग किया जाता है, (3) सिमुलेशन तकनीक, काफी डेटा की मात्रा को कम करने और इस प्रकार बड़ी मात्रा 35 के प्रदर्शन को सक्षम करने के क्रम में साथ संगत ज्यामितीय / बड़ा प्रतिनिधित्व करने के लिए एक voxel) से इंजीनियरिंग विषयों, साथ ही (गेमिंग उद्योग के लिए विकसित की है क्या करने के लिए इसी तरह की) फ्लाई के माध्यम से एनिमेशन सहित (4) उन्नत एनीमेशन और फिल्म बनाने की क्षमता है,.

जाहिर है, कुशल सुविधा निष्कर्षण और विभाजन अलग डेटा प्रकार के लिए लिया गया था सेलुलर उच्च संकल्प इमेजिंग में यह आ रही क्रांति के दिल में बेहतर दृष्टिकोण हमेशा की जरूरत होगी, जबकि और, सिद्धांतों यहाँ प्रस्तुत है, साथ ही क्या दृष्टिकोण के उदाहरण झूठ , लेने के लिए दृष्टिकोण है जिस पर एक निर्णय करने के लिए कुछ बहुमूल्य जानकारी प्रदान करेगा.

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