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.
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.
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.
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.
The authors have nothing to disclose.
We would like to acknowledge and thank Tom Goddard at University of California San Francisco for his endless help with Chimera, Joel Mancuso and Chris Booth at Gatan, Inc. for their help with SBF-SEM data collection of bacteria dataset, Doug Wei at Zeiss, Inc. for his help with the FIB-SEM data collection of epithelial cell dataset, Kent McDonald at University of California Berkeley Electron Microscopy Lab for advice on sample preparation, TEM imaging and tomography, Roseann Csencsits at Lawrence Berkeley National Laboratory for her help taking the cryo-TEM image, Elena Bosneaga for cryo-sectioning of the plant dataset, Jocelyn Krey at Oregon Health and Science University for the dissection of utricle tissue, David Skinner at National Energy Research Scientific Computing Center (NERSC) and Jitendra Malik at University of California Berkeley for their advice in software infrastructure, and Pablo Arbelaez at University of California Berkeley for his codes contributions to the custom-tailored script presented in this article.
Research was supported by the U.S. Department of Energy, Office of Science under contract No. DE-AC02-05CH11231 [David Skinner], as well as U.S. National Institutes of Health (NIH) grant No. P01 GM051487 [M.A.] for the inner ear hair cell project and microscopy instrumentation use.
Material Name | Company | 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/ |