Von Voxel zu Wissen: ein praktischer Leitfaden für die Segmentierung der Elektronenmikroskopie Komplexe 3D-Daten

Abbildung 1 zeigt einen typischen Workflow für 3D-Elektronenmikroskopie zelluläre Bildgebung, darunter Elektronentomographie, FIB-SEM und SBF-SEM. Der Workflow umfasst Roh-Datenerfassung, Datenabgleich und Rekonstruktion in einem 3D-Volumen, Rauschunterdrückung durch Filterung, und wenn notwendig, Zuschneiden in die Region von Interesse, um die Wirksamkeit der gewählten Segmentierung Software zu maximieren. Solche aufbereiteten Daten ist dann für die Merkmalsextraktion / Segmentierung bereit. Figur 2 veranschaulicht den Arbeitsablauf in Figur 1 mit vier verschiedenen Datensätzen (die weiter unten eingeführt wird), von denen zwei in Harz eingebetteten Proben durch Elektronentomographie (2A, 2B) aufgezeichnet gelegt, wobei die beiden anderen die sich aus FIB -SEM und SBF-SEM, bzw. (2C, 2D). Bilder in Abbildung 2 Spalte 1 sind ProjektionsAnsichten (Bilder 2A1, 2B1) und Blockoberflächenbilder (Abbildungen 2C1, 2D1) sind, die auf die Ausrichtung und den Wiederaufbau in ein 3D-Volumen zusammengesetzt. Spalte 2 zeigt Schnitte durch eine solche 3D-Volumen, das beim Filtern (Spalte 3) zeigen eine signifikante Geräuschreduzierung und damit oft erscheinen knackig. Nach Auswahl und das Abschneiden der großen 3D-Volumen in die Region von Interesse (Spalte 4), können 3D-Renderings von segmentierten Merkmale von Interesse (Spalte 5) erhalten und weiter untersucht, farbcodierte und quantitativ analysiert. Insgesamt sechs 3D-Datensätzen, die jeweils einen Stapel von Bildern entweder durch Elektronentomographie (3 Datensätze) erhalten, FIB-SEM (2 Datensätze) oder SBF-SEM (Datensatz 1) verwendet werden, wie jedes der Vergleichs Die vier Segmentierungsverfahren auszuführen (Figur 3). Die Datensätze stammen aus einer Vielzahl von verschiedenen Forschungsprojekte im Labor und somit areasonably vielfältige Reihe von typischen experimentellen Datensätzen. Alle Datensätze wurden von vier unabhängigen Forschern, von denen jeder am meisten vertraut mit einer bestimmten Ansatz untersucht werden, und sie wurden mit der Bereitstellung der bestmögliche Ergebnis für jeden der sechs Datensätzen berechnet. Die Datensätze werden aus Proben wie folgt: 1. Die Zahlen 3A1-3A5: Hochdruck-gefroren, gefrier ersetzt und in Harz eingebetteten Küken inneren Haarzelle Stereozilien 31, 2. Die Zahlen 3B1-3B5: Hochdruck-gefroren, gefrier substituierten und Harz eingebetteten Pflanzenzellwand (unveröffentlicht), 3. Die Zahlen 3C1-3C5: Hochdruck-gefroren, gefrier ersetzt und in Harz eingebetteten inneren Haarzelle Kinozilium (unveröffentlicht), 4. Die Zahlen 3D1-3D5: Hochdruck- eingefroren, gefrier ersetzt und in Harz eingebetteten Blöcken von Mitochondrien in der menschlichen Brustdrüse Epithelzellen HMT-3522 S1 Acini, die in Laminin reiche extra kultiviert wurden entferntdere Matrix 32,33, 5. Figuren 3E1-3E5: unbefleckt Tisch-Entwicklung, in Harz eingebetteten Blöcke einer Sulfatreduzierer bakterielle Biofilme (Manuskript in Vorbereitung) und 6. Die Zahlen 3F1-3F5: Membran Grenze der benachbarten Zellen der HMT -3522 S1 Acini. Wie aus Figur 3 ersichtlich ist, können verschiedene Ansätze zur Segmentierung meist ähnliche Ergebnisse für einige Datensatztypen, aber völlig unterschiedliche Ergebnisse für andere Datentypen führen. Zum Beispiel kann die Haarzelle Stereozilien Datensatz (3A) ergibt angemessenen Segmentierung Bände mit allen vier Ansätze, mit dem manuellen Modell abstrahiert von einem Experten Benutzer in der die klarste zu interpretieren und zu messen erzeugt. In diesem Fall kann ein solches Modell zur schnellen Messung der Fadenfadenabstände, Zählen der Anzahl der Verbindungen zwischen den länglichen Filamenten gefunden, sowie die Bestimmung von Fehlstellen der Dichtekarte entsprechendezu Orten, an denen die Probe bei der Probenvorbereitung 34 beschädigt. Solche Informationen sind viel schwieriger mit den anderen drei Segmentierungsansätze erwerben, obwohl die maßgeschneiderte automatisierte Segmentierung liefert bessere Ergebnisse als die Schwellendichte rein Basis. Für die Pflanzenzellwand (3B), erschienen Handbuch Modellgeneration zu sein zu den effizientesten vermitteln ein Gefühl der Ordnung in der Zellwand, die keine der anderen Ansätzen zu erzielen. Allerdings ist die abstrahierte Modell nicht das Gedränge der Objekte in der Datenmenge zu erfassen. Manuell Tracing Merkmale von Interesse scheint ein besseres Ergebnis als die Dichte-basierte oder Form-überwacht Ansätze geben. Andererseits ist die manuelle Verfolgung sehr arbeitsintensiv und Identifizieren Grenzen der Merkmale ist etwas subjektiv. Daher kann automatisiert Ansätze zur Segmentierung großen Mengen mit einem möglichen Kompromiss zwischen Genauigkeit und bevorzugtRessourcen aufgewendet manuelle Segmentierung. Für die Kinozilium Datensatz (3C), ergibt manuelle abstrahierten Modellgeneration die sauberste Ergebnis und zeigt eine unerwartete Architektur der drei Mikrotubuli in der Mitte des Kinozilium, ein Detail, das in den abgeschnittenen Daten gut sichtbar ist, aber in allen anderen Ansätzen verloren , vermutlich aufgrund der Heterogenität zu färben. Jedoch sind auch andere potentiell wichtige Merkmale der Dichteverteilung in der manuellen Erzeugung eines abstrakten Modell verfehlt. Dies ist aufgrund der Tatsache, dass die subjektive Natur des manuellen Modellbildung führt zu einer Idealisierung und Abstraktion der tatsächlich beobachteten Dichte und somit zu einer subjektiven Interpretation während der Modellbildung. Daher schön zeigt dieses Beispiel, wie Hand abstrahierten Modellgeneration ermöglicht es, auf einen spezifischen Aspekt des 3D-Volumens zu konzentrieren. Die selektive Wahrnehmung und Vereinfachung fehlt aber eine vollständige Berücksichtigung aller Protein Zusammenarbeit gebenmplexe im Datensatz vorhanden. Daher wird, wenn das Ziel ist, die Komplexität der Daten zeigen, dann ist man besser mit einem der anderen drei Ansätze bedient. In dem Fall der 3D-Matrix kultiviert Brustdrüse Acini (3D), sind die hohen Kontrast Mitochondrien von allen vier Ansätze leicht segmentiert, wobei die manuelle Verfolgung von Merkmalen nicht allzu überraschend ergab die besten Ergebnisse mit der niedrigsten Menge an Verunreinigung ( Abbildung 3D3). Allerdings ist manuelle Rückverfolgung sehr arbeitsintensiv und ist daher nur bedingt für große Volumina. Beide Dichteschwelle-basierte und Form überwachte automatische Segmentierung extrahieren die Mitochondrien ganz gut, und würde in einer nahezu perfekten Segmentierung führen, wenn weitere Tricks für Aufräumarbeiten beschäftigt sind (zB die Beseitigung aller Objekte unter einer bestimmten Schwelle von Voxel-Dichte) als verfügbar in verschiedenen Paketen. In diesem Fall hat Hand abstrahierten Modell Gebäude nicht nachgebenvielversprechende Ergebnisse, zum Teil, weil die Mitochondrien können nicht einfach mit Ball und Stock-Modelle angenähert werden. In Bezug auf die bakterielle Bodengemeinschaft / Biofilm (3E), drei der vier Ansätze ergeben vernünftige Ergebnisse, mit den manuellen Modellgeneration keine gute Leistung auf Grund der Herausforderung, die biologische Objekte, wie zum Beispiel Bakterien, durch geometrische Formen. Extrazelluläre Anhängsel aus den Bakterien stamm im automatisierten Segmentierungsansätze ermittelt werden, aber nicht so gut in der Handmerkmalsverfolgung. Shape-Aufsicht maßgeschneiderte automatisierte Segmentierung weiter trennen die extrazelluläre Funktionen aus den Bakterien trotz ähnlicher Dichten (Daten nicht gezeigt), was eine einfache Quantifizierung sogar von extrem großen Datenmengen. Denn das ist ursprünglich eine sehr große Datenmenge, die maßgeschneiderte automatisierte Segmentierung deutlich outcompeted alle anderen Ansätze, kann aber von der geringen Komplexität profitiert habenund die relativ spärliche Verteilung der Objekte von Interesse (niedrig Gedränge). Bei der Prüfung der Schnittstelle zwischen zwei eukaryotischen Zellen in einer gewebeähnlichen Rahmen (3F), nur das manuelle Verfolgung der Merkmale von Interesse erzeugt gute Ergebnisse. Automatisierte Dichte-basierte Segmentierungsansätze versagen, um die Membran Grenze zwischen benachbarten Zellen überhaupt zu erkennen, und auch die maßgeschneiderte Ansätze scheitert, zum Teil, weil die Form einer Zelle wird nicht leicht angenähert oder mit Formen gleichgesetzt, trotz ihrer klaren Erfolg für die Bakterien im Biofilm (Abbildung 3E5). Die Beobachtung von Abbildung 3, dass die Segmentierungsansätze tun gut auf einigen Datensätzen, aber nicht auf andere führte zu der Frage, was kennzeichnet jede dieser Datensätzen, und ob es möglich sei, die Arten von Dateneigenschaften oder persönliche Ziele, die zu kategorisieren erschienen gut überein mit ihren JEWEILIGENe-Ansatz. Systematische Studie zu diesem Thema wurde bisher nicht durchgeführt worden ist, und damit in einem ersten Schritt eine Einrichtung einer empirischen Liste der Bildeigenschaften und persönlichen Ziele kann ein Anfänger in ihrem Versuch, den besten Ansatz zur Merkmalsextraktion der jeweiligen Datensatzes zu finden führen. Acht Kriterien identifiziert wurden als signifikant sind in Abbildung 4 dargestellt ist, und sie können in zwei Hauptkategorien unterteilt werden: (1) die Merkmale, die die sich aus der Datenmenge sind, und (2) persönliche Ziele der Forscher und andere Überlegungen, die etwas mehr sind subjektive, wenn auch gleichermaßen wichtig. Die gezeigten überwiegend aus den sechs Datensätzen in Abbildung 3 gezogen, mit drei zusätzlichen Datensätzen eingeführt Beispiele: ein (Abbildung 4A1) ist ein Kryo-Tomogramm eines Kryo-Abschnitt von Arabidopsis thaliana Pflanzenzellwand, die zweite (Abbildungen 4A2 , 4B1, 4D1 </strong>) ist ein FIB / SEM Datensatz des Innenohrs Stria vascularis, die eine sehr komplexe und wechselhafte Gewebe, das in der Kategorie in den Abbildungen dargestellt 3F1-3F5 passen könnte, ist aber noch wesentlich komplexer ist, und die dritte (Abbildungen 4B2 , 4D2) ist ein Harz-Abschnitt Tomogramm von Innenohr-Haarzellen Stereozilien in Querschnittsansicht, ähnlich der in Längsansicht in Figuress 2A1-2A5 und 3A1-3A5 gezeigt Sample-Content. Für die Kategorie der objektiven Kriterien wie die Bildeigenschaften, vier Züge inhärent in den Datensätzen werden vorgeschlagen, um von Bedeutung zu sein: Die Daten Kontrast (1) gering (Abbildung 4A1) sein, wie es typisch für Kryo-EM-Schnittbilder, (2) Zwischenstufe (Abbildung 4A2), wie in der Zell-Szenerien ohne klare Organelle oder andere prominente Funktion stehend, oder (3) Hoch (Abbildung 4A3), wie es der Fall für die kinociLiary Tomogramm oder Stereozilien im Querschnitt aufgrund der Ausrichtung deutlich getrennt Fadenelemente in z-Richtung. Die Daten können Fuzzy (Abbildung 4B1), ohne sichtbare klare Grenzen zwischen zwei eng positionierte Objekte sein, wie Zellen in einem Gewebe oder knackig (Abbildung 4B2), mit scharf definierten Grenzen. Dies ist zum Teil eine Funktion des Datensatzes Auflösung, die um einen Faktor von etwa 2-4 für die Elektronen Tomogramme Vergleich zu FIB-SEM inhärent höher ist. Natürlich sind schärfere Grenzen wünschenswert für die manuelle als auch automatisierte Segmentierungsansätze, aber entscheidend für die letztgenannte Ansatz. Die Dichtekarten können entweder überfüllt (Abbildung 4C1), wie von den eng aufeinanderPflanzenZellWandBestandTeilen reflektiert wird, oder dünn besiedelten (Abbildung 4C2) sein, ebenso wie die Bakterien in einer Kolonie, die die Trennung, die automatisiert Putze Bildsegmentierung wesentlich leichter veranschaulicht. Dichtekarten kann sehr komplex mit sehr unterschiedlichen Eigenschaften oft mit unregelmäßigen Formen, wie der Stria vascularis Gewebe um ein Blutgefäß (Figur 4D1) oder gut definierte Organell artigen Gegenständen mit einer ähnlichen Organisation wie der Stereozilien im Querschnitt sein ( Abbildung 4D2). Beachten Sie auch die sehr unterschiedlichen Skalen in den verschiedenen Beispielen, so dass der Vergleich etwas schwierig. Neben den mehr objektive Kriterien wie die Bildeigenschaften, vier sehr subjektiven Kriterien, die die Auswahl des geeigneten Weg führen wird ebenfalls vorgeschlagen: Wunschziel: Das Ziel kann sein, die Haarbündel Stereoziliums in seiner Komplexität zu visualisieren und zu bestimmen und zu untersuchen, die die Form des Objekts (Abbildung 4E1) oder eine vereinfachte und abstrahierte Ball und Stick-Modell, das in die Dichtekarte erstellen und gebaut wird ermöglicht ein schnelles Zählen einnd Messung der geometrischen Objekte (Fadenlänge, Entfernung und Anzahl der Verbindungen) (Abbildung 4E2). Das Merkmal kann stark unregelmäßige Morphologie und komplexen wie Zellen, wie Zell-Zell-Wechselwirkungszonen (Abbildung 4F1), etwas ähnlich mit einigen Variationen geformt, wie Mitochondrien (Abbildung 4F2) oder überwiegend identisch geformt wie Aktinfilamente und Flanke Links in einem Haarbündel in Längsausrichtung (Abbildung 4F3). Der Anteil der Funktion von Interesse (Bevölkerungsdichte) ist wichtig, da man Segment alle Funktionen in einem 3D-Datensatz möchten Sie vielleicht, wie es der Fall für die Pflanzenzellwände (Abbildung 4G1) oder nur einen winzigen Bruchteil des Zellvolumens wie im Fall von Mitochondrien in einer heterogenen Zell Szene (Bild 4G2). Abhängig von der Größe des Datensatzes und des Prozentsatzes der Volumen, Segmentierung erfordert, kann es am effizientesten zu verwendenmanuelle Ansätze. In anderen Fällen, beispielsweise wenn man sich für eine Vielzahl von Funktionen ist, gibt es keine Alternative zur Verwendung von halbautomatischen Segmentierungsansätze. Ein weiteres Schlüsselkriterium ist die subjektive Menge an Ressourcen man bereit ist, in den Segmentierungsprozess zu investieren, ist und in welcher Höhe der Treue erforderlich ist, um eine biologische Frage zu beantworten. Man kann wollen und brauchen, um volumetrische Parameter einer Funktion (wie Größe, Volumen, Oberfläche, Länge, Abstand zu anderen Funktionen, etc.) zu quantifizieren, in welchem ​​Fall mehr Sorgfalt erforderlich, um eine genaue quantitative Informationen (Abbildung 4H1) zu erhalten, oder der Zweck auch sein mag, lediglich ein Bild von seinem 3D-Form (Abbildung 4H2) einrasten. In einer idealen Welt, in der Ressourcen unbegrenzt sind, eine deutlich würde nicht wollen, keine Kompromisse zu machen, aber für die genaueste Weg der benutzergeführten manuellen Merkmalsextraktion nicht entscheiden. Während dies für viele Datensätze arbeiten, in naher Zukunft 3D-Volumen wil l in der Größenordnung von 10k sein von 10k von 10k oder höher und manuelle Segmentierung nicht mehr in der Lage, eine herausragende Rolle bei der Segmentierung eine so große Raum zu spielen. Abhängig von der Komplexität der Daten und andere Daten Merkmale können halbautomatischen Segmentierung einer Notwendigkeit geworden. In Figur 5 sind Stärken und Schwächen kurz für die vier Segmentierungsansätze aufgeführt. Die persönlichen Ziele und die Bildeigenschaften in Abbildung 4 identifiziert, die mit jedem Ansatz koppeln können, werden als gut beschrieben. In Abbildung 6 sind die persönlichen Ziele und die Bildeigenschaften der sechs Datensätze exemplarisch, wie die Daten zu sichten und zu entscheiden, über die beste Vorgehensweise. Beide Figuren 5 und 6 werden auf in der Diskussion erweitert. Last / 51673 / 51673fig1highres.jpg "width =" 500px "/> Abbildung 1. Workflow für biologische Bildgebung Rekonstruktion und Analyse. Diese Tabelle gibt einen Überblick über die verschiedenen Schritte zur Erfassung und Verarbeitung von Bildern durch Tomographie gesammelt, Focused Ion Beam SEM und Serienblockfläche SEM. Rohdatenerhebung Ergebnisse in 2D Kippserie oder Serienschnitte. Diese 2D-Bildsätzen ausgerichtet werden muss und rekonstruiert in 3D, dann um das Rauschen zu reduzieren und den Kontrast von interessierenden Merkmalen gefiltert. Schließlich können die Daten segmentiert und analysiert, was letztlich zu einem 3D-Modell werden. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen. Figur 2.. Beispiele für Workflow für verschiedene Datentypen aus Tomografie und FIB-SEM jedem Schritt der Workflow nach der Datenerfassung wird durch vier Datensätzen (Zeilen AD) gezeigt: Harz eingebettet Bunt Tomographie von Längsschnitt Stereozilien, Harz eingebettet Bunt Tomographie von Pflanzenzellwand Zellulose, FIB-SEM von Brust-Epithelzellen Mitochondrien und SBF-SEM von E. coli-Bakterien. Ein 2D-Schnitt durch den Rohdaten ist in Spalte 1 gezeigt, und ein Bild von den Daten nach der Ausrichtung und 3D-Rekonstruktion umfasst Spalte 2. Die Filtertechniken in der Spalte 3 angewendet, sind die folgenden: Medianfilter (A3), nicht-anisotropen Diffusionsfilter (B3), Gaußsche Unschärfe (C3) und MATLAB imadjust Filter (D3). Ein Beispiel für die beste Segmentierung für alle Daten aus der zugeschnittene Bereich von Interesse (Spalte 4) festgelegt ist, wie ein 3D-Rendering in Spalte 5 Maßstabsbalken angezeigt: A1-A3 = 200 nm, 150 nm = A4, 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. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen. Abbildung 3. Anwendung der vier Segmentierungsansätze beispielsweise Datensätze Sechs beispielsweise Datensätze wurden von allen vier Ansätze segmentiert. Manuelle abstrahierten Modellgeneration, manuelle Rückverfolgung, automatische Segmentierung Dichte-basiert und maßgeschneiderte automatisierte Segmentierung. Hand abstrahierten Modellgeneration war wirksam für den Embedded-Bunt Tomographie Stereozilien (A)-Harz, in dem der Zweck war es, ein Modell für quantitative Zwecke nicht zu schaffen, um Dichten zu extrahieren. Für das Harz eingebettet gefärbten Tomographie von Pflanzenzellwand (B), automatisierte segmenta dichtebasiertetion war die effektivste Methode, um die Cellulose schnell extrahieren durch viele Scheiben, wo, wie die manuellen Methoden nahm viel mehr Aufwand auf nur ein paar Scheiben von Daten. Hand abstrahierten Modellgeneration erzeugt die Mikrotubuli-Triplett im gefärbten Tomographie Kinozilium (C), während andere Segmentierungsverfahren nicht taten, doch die zwei automatisierte Ansätze extrahiert die Dichten schneller und wurden daher bevorzugt. Aufgrund der Form der Mitochondrien von FIB-SEM von Brust-Epithelzellen (D), vorausgesetzt, manuelle Rückverfolgung die sauberste Ergebnis und der geringen Bevölkerungsdichte in Verbindung mit der Nutzung der Interpolationsverfahren für die schnelle Segmentierung erlaubt. Angesichts des großen Volumens, das segmentiert werden benötigt, erwies maßgeschneiderte automatisierte Segmentierung als am wirksamsten zur Segmentierung des SBF-SEM Bakterien Daten (E), aber beide automatische Ansätze waren vergleichbar. Obwohl zeitaufwendig, war die einzige Methode, um die FIB-SEM von Brust-Epithelzellen Membran (F) zu extrahieren Handverfolgung Maßstabsbalken.:A1-A5 = 100 nm, B1-B5 = 100 nm, C1-C5 = 50 nm, D1-D5 = 500 nm, E1-E5 = 200 nm, F1-F5, Balken = 500 nm. Bitte klicken Sie hier, um eine Größere Version der Figur. Abbildung 4. Ziel die Bildeigenschaften und subjektiven persönlichen Ziele für die Selektierung von Datensätzen. Anhand von Beispielen des Datensatzes Merkmale, Kriterien vorgeschlagen, eine Entscheidung, welche Segmentierungsansatz zu verwenden, zu informieren. In Bezug auf die objektiven Merkmale, können die Daten, die von Natur aus dagegen niedrig, mittel oder hoch (A1-A3), werden unscharf oder knackig (B1-B2), heraus gesperrt oder überfüllt (C1-C2) und haben komplexe oder einfach organisierten Funktionen (D1-D2). Subjektive persönliche Ziele sind die gewünschten o IEL-Targeting ein vereinfachtes Modell oder Extraktion der genauen Dichten (E1-E2), Identifizierung eines gewundenen Blatt, gewundenen Volumen oder lineare Morphologie als Merkmal von Interesse (F1-F3), die Wahl eines hohen oder niedrigen Bevölkerungsdichte des Merkmals von Interesse (G1-G2) und der Entscheidung über die Trade-off zwischen High-Fidelity-und High-Ressourcenzuweisung für eine abnehmende Rendite auf Investitionen wie Zeit (H1-H2) Skala Bars:. A1 = 50 nm, 1500 nm = A2 , A3 = 100 nm, B1 = 1500 nm, B2 = 200 nm, 100 nm = C1, C2 = 200 nm, D1 = 10 mm, D2 = 200 nm, E1 = 100 nm, E2 = 50 nm, F1-F2 = 500 nm, 50 nm F3 =, G1 = 100 nm, G2 = 1 mm, H1-H2 = 100 nm. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen. px "/> Abbildung 5. Vergleichstabelle der Dateneigenschaften und subjektiv für verschiedene Segmentierungsansätze geeignete Ziel. Dieser Tabelle sind die Stärken und Schwächen der einzelnen Segmentierungsansatz. Die Kriterien von Abbildung 4 kann helfen, festzustellen, welche Datensätze für die Segmentierungsverfahren sind. Diese objektiven und subjektiven Bildeigenschaften persönlichen Ziele wurden für die optimale Nutzung der einzelnen Ansätze gewählt, aber verschiedene Kombinationen behindern oder unterstützen die Effizienz der Segmentierung. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen. Abbildung 6. Entscheidung Flussdiagramm für eine effiziente triage von Segmentierungsansätze für Datensätze mit unterschiedlichen Eigenschaften. Basierend auf die Merkmale in Abbildung 4 hervorgehoben, zeigt dieses Diagramm die vier Kriterien am meisten zur endgültigen Entscheidung über die besten Segmentierungsansatz für alle Daten aus Abbildung 3 beigetragen. Jeder Datensatz wird farbkodiert, um schnell folgen die kühnen Linien, die die primäre Entscheidungsprozess, sowie die gestrichelten Linien, die einen alternativen Weg, das kann oder nicht im gleichen Ansatz führen kann reflektieren. Die Kinozilium, Bakterien und Pflanzenzellwand-Daten wurden am besten mit den beiden automatischen Ansätze unterteilt. Im Gegensatz dazu die Zellmembran und Mitochondrien Wege immer auf manuelle Verfolgung führen aufgrund ihrer schwierigen Eigenschaften. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.