Volume de Segmentation et analyse des matériaux biologiques à l’aide de Workbench SuRVoS (Super-région Volume Segmentation)

Trois ensembles de volume prélevé trois techniques différentes (microCT, cryoET et cryoSXT) ont été utilisés pour démontrer les trois caractéristiques importantes de SuRVoS Workbench : formation, segmentation Super-région et séparation d’étiquette de modèle. Les ensembles de données représentent un groupe diversifié de résultats expérimentaux, dont chacun des paramètres de traitement complet sont fournis (tableau 1). Pour justifier d’une formation modèle aide SuRVoS Workbench, un dataset relativement contrastées avec définition des limites de la région a été choisi. Cet ensemble de données du fruit de Galium aparine, ou goosegrass, ont été recueillie à l’aide de la tomographie aux rayons x de contraste phase sur le I13-2 Diamond-Manchester Imaging Beamline au Diamond Light Source, Chilton, Oxfordshire, Royaume-Uni. Le nouvel échantillon a été monté en l’air sur un goniomètre base sur le dessus de la platine de rotation, à une échantillon-détecteur distance de 30 mm. exposition temps étaient 0,10 s avec le spectre de la rose de faisceau qui possède une énergie moyenne d’environ 22 keV. Les projections ont été recueillies par 180° avec une taille d’étape de 0,1 °. Reconstruction tomographique ont été effectuées à l’aide de Savu30,,31 , avec le filtre de Paganin pour contraste de phase axée sur la propagation des images32 suivie de reconstruction de projection arrière filtrés dans la boîte à outils ASTRA33 , 34. ces données fut ensuite réduites à 2 x 2 x 2 binning afin de réduire la taille du fichier avant d’être entrés dans le SuRVoS Workbench. Tout d’abord, les données d’entrée (Figure 3 a) a été filtrées et serrées (pour supprimer les valeurs d’intensité supérieure et inférieure dans les données) (Figure 3 b). De cette façon, l’arrière-plan et premier plan ont été faites plus faciles à distinguer, et la texture de la structure interne du fruit s’est accentuée. Ensuite, les supervoxels ont été construits sur le dessus de l’ensemble de données filtré (Figure 3). Pour évaluer la qualité de le supervoxels, ils ont été affichés sans les données afin de vérifier que les détails pertinents de l’objet dataset sont bien représentées par le supervoxels (Figure 3D). Ensuite, manuelles des annotations à l’aide de supervoxels ont été fournies comme données d’entraînement sur trois tranches du volume (Figure 3E, les couleurs foncées). Ces données d’entraînement étaient suffisantes pour former le classificateur à prévoir (couleurs claires) les zones correspondant au fond (vert), les soies de fruits (rouge), les semences (violet) et qui entoure la chair (bleu). Raffinements morphologiques ont été utilisés pour nettoyer les segmentations par trous de remplissage, augmente ou diminue comme nécessaire (Figure 3F). Le temps total passé pour déterminer les paramètres appropriés et des segments de cet ensemble de données était de 2 h. Pour démontrer la segmentation Super-région aide SuRVoS Workbench, un ensemble de données complexe et bruyant a choisi15. Cet ensemble de données ont été recueillie à l’aide de cryoET au Centre National d’imagerie macromoléculaires au Baylor College of Medicine, Houston, TX, USA. Brièvement, les plaquettes étaient plongeante figée à la lueur déchargé et les grilles TEM or carbone holey imprégnées d’alignement. Série d’inclinaison provenaient de ±65 ° avec un incrément de 2°. La série tilt a été reconstruite puis à l’aide de projection arrière pondérée l’IMOD35. Après le chargement des données dans SuRVoS (Figure 4 a), une région d’intérêt a été sélectionnée et un ensemble de filtre approprié a été appliqué. Dans ce cas, un filtre gaussien lissage, suivi d’un filtre de la variation totale du contraste serré a été utilisé pour accentuer les bords et les textures des données (Figure 4 b). Ensuite, formation de modèle avec la participation minimale de l’utilisateur basée sur supervoxel a été utilisée pour segmenter les plaquettes de la glace de fond et de carbone. Puis, segmentation semi-manuel avec megavoxels et supervoxels a été utilisée pour segmenter les organites. Enfin, le paramètre source de supervoxel a été changé pour un filtre de débruitage plus faible, et le supervoxel forme a été effectuée plus petit (voir tableau 1) afin de mieux préserver les limites de microtubules de segmentation (Figure 4). Pour les organites et les microtubules, rapides annotations manuelles ont été utilisées chaque tranches de 5-10 pour sélectionner le supervoxels qui décrivent la fonction de l’intérêt (Figure 4 & 4E). Le temps total passé à déterminer les paramètres appropriés et des segments de la région d’intérêt présenté était de 6 h. Pour illustrer l’étiquette fractionnement à l’aide de SuRVoS Workbench, un dataset à l’aide de nombreuses et variées des organites a été choisi. Cet ensemble de données ont été recueillie à l’aide de cryoSXT sur beamline B24 à Diamond Light Source, Chilton, Oxfordshire, Royaume-Uni36. Brièvement, cellules HEK293 ont été cultivés sur des grilles or finder, Fluxsol fiducials or ajoutés, et la grille était plongée gelée à l’aide d’un EM avec face arrière buvard. Inclinaison série a ensuite recueilli un microscope de ±65 ° avec un incrément de 0,5 °. La série tilt a été reconstruite puis à l’aide de projection arrière pondérée l’IMOD35. Après le chargement des données dans SuRVoS (Figure 5 a), une région d’intérêt a été sélectionnée et un filtre approprié variation totale a été utilisé pour renforcer les frontières des organites dans toute la masse (Figure 5 b). Ensuite, les organites sont semi manually segmenté à l’aide de megavoxels et supervoxels et puis affiné avec trous de remplissage, de fermeture et de dilatation pour lisser les bords (Figure 5). Le temps total pour déterminer les paramètres appropriés et des segments de la région d’intérêt présenté était de 4 h. Une fois que la segmentation a été finalisée, le séparateur d’étiquette a été employé pour visualiser chaque organite comme un objet dans l’objet dataset (Figure 5) et diverses caractéristiques relatives à chaque objet dans le graphique de données (Figure 5E). L’interface de séparateur d’étiquette est mise à jour de la couleur associée à chaque nouvelle classe d’étiquette dans la visualisation et l’intrigue de données, interactive. Cela permet la création de diverses règles basées sur les caractéristiques inhérentes dans les données qui peuvent servir à séparer les objets en classes utiles (Figure 5F). La figure 1. La mise en page et les caractéristiques générales de SuRVoS Workbench.L’interface utilisateur graphique est sur la gauche, tandis que le volet de visualisation est sur la droite. Ces deux zones sont séparées par une colonne d’outils et les raccourcis. Le GUI est disposé à marcher l’utilisateur à travers les principales étapes de prétraitement des données, choisir les paramètres supervoxel et megavoxel, à segmenter les données et si nécessaire à l’aide de la formation de modèle, avant d’exporter les segmentations. Le volet de visualisation peut être utilisé dans trois modes : visualisation de base et de la segmentation pour afficher les donnéeset toute appliqué des filtres et pour segmenter les données, séparateur pour classer des objets dans les nouvelles étiquettes issus des aspects inhérents aux données de l’étiquette et enfin l’étiquette statistiques pour mesurer et visualiser les caractéristiques des objets segmentés. Pour chacun de ces modes, le menu déroulant en haut à gauche coin commandes de données qui sont, et le curseur en haut contrôle l’axe z. Les raccourcis de l’outil fournit un accès facile contrôle sur contraste, transparence des couches, zoom, panoramique et son retour à la « maison » dans le volet de visualisation et d’outils d’ouverture pour l’annotation comme décrit dans le protocole. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. La figure 2. Super-région hiérarchie réduit la complexité de la Segmentation de l’Image.Une image du Berkeley Segmentation Dataset (BSDS50037) a été utilisée pour démontrer les propriétés et les effets des super-régions. L’image originale (gauche) est composé de milliers de voxels, qui sont ensuite réunis en groupes adjacents, semblables à créer quelques centaines supervoxels (Centre). Supervoxels peuvent aussi être rassemblés en groupes adjacents, semblables à créer quelques dizaines de megavoxels (à droite). Avec chaque regroupement, la complexité de la tâche de segmentation est réduite, pour les ressources informatiques et manuels. Ce qui est important, un exemple 2D est montré ici, cependant, les supervoxels et les megavoxels sont en 3D. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. La figure 3. Traitement d’une gamme de Dataset à l’aide d’une stratégie de Segmentation de formation de modèle.A. une seule tranche 2D des données brutes. B. application d’un filtre de variation totale fixée aux données brutes amélioré les frontières entre les différents aspects de la fructification. C. paramètres de supervoxel appropriées ont été choisis. D. une région d’intérêt (boîte rouge en ut) est montrée pour démontrer que les limites des données sont présentes dans les supervoxels eux-mêmes. E. trois tranches du volume avec des annotations manuelles de diverses régions du dataset affichent dans des couleurs sombres (verts, rouges, bleus et violets) et prédictions après l’exécution de formation modèle affichent dans les mêmes couleurs de lumière. F. les mêmes trois tranches avec la segmentation finale après que les prédictions de formation du modèle ont été acceptées. Barreaux de l’échelle est mm 1. s’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. La figure 4. Traitement d’un Dataset à l’aide d’une stratégie de Segmentation Super-région de cryoET.A. une seule tranche 2D des données brutes. B. une région d’intérêt (zone rouge à A) avec un ensemble de couches filtre appliqué pour accentuer les limites des organites. C. exemple d’annoter un organite utilisant des super-régions. Un organite unique est montré avec supervoxels recouvert de l’annotation de manuel utilisateur affichée en noir (à gauche) et le supervoxels choisis avec cette annotation en bleu (à droite). D. exemple d’annoter un microtubule en utilisant des super-régions. Une seule région du microtubule est montrée avec l’annotation de manuel utilisateur affichée en noir (à gauche) et le supervoxels choisis avec cette annotation en vert (à droite). E. la segmentation finale mettant en vedette les plaquettes segmentées de l’arrière-plan à l’aide du modèle de formation (pour plus de détails, voir tableau 1) et divers organites et les microtubules segmentés en utilisant une stratégie de segmentation Super-région. Couleurs n’indiquent pas les types d’organites spécifiques tel qu’ils apparaissent ici avant de classification. Bars à l’échelle A, B et E sont 1 μm et en C et D sont 0,5 μm. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. La figure 5. Analyse d’un Dataset à l’aide de l’outil de séparateur d’étiquette de cryoSXT.A. une seule tranche 2D des données brutes. B. une région d’intérêt (zone rouge à A) avec un variation totale filtre appliqué pour accentuer les organites. C. la segmentation finale avec supervoxels superposées. D. La partie visualisation du séparateur d’étiquette avec les organites classés en utilisant les règles affichées dans F. E. la partie de terrain entre le séparateur d’étiquette affichant l’intensité moyenne à l’intérieur de chaque objet, avec les règles affichées dans F appliquée. Chaque ligne verticale le long de l’axe x représente un objet unique et est codé par couleur pour correspondre à la classe, à qu’il a été affecté. F. exemple des règles de classification pour séparer les divers objets selon leurs propriétés inhérentes. Barreaux de l’échelle est de 1 μm. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. Nom / Dataset Source P1 P2 P3 P4 Filtre gaussien Sigma Gamme / par défaut – [0.5, 10] / 1 CryoET (G1) Données brutes 1 CryoET (G2) Données brutes 2 Variation totale Lambda Espacement des # Iter Pince Gamme / par défaut – [0.1, 30] / 10 [0.1, 10] / 1 [50, 500] / 100 – MicroCT (TV1) Données brutes 10 1 100 (1,-) CryoET (TV2) G1 7 1 200 – CryoET (TV3) G2 10 1 100 – CryoSXR (TV4) Données brutes 7 1 100 – Seuillage Vmin Vmax Gamme / par défaut CryoET (TH1) TV3 0 – Centrage gaussien Sigma Gamme / par défaut – [0.5, 10] / 2 MicroCT (GC1) TV1 2 Normalisation gaussienne Sigma Gamme / par défaut – [0.5, 10] / 2 MicroCT (GN1) TV1 2 Laplacien de Gauss Sigma Battre le Réponse Gamme / par défaut – [0.5, 10] / 2 [Oui/non] / non [Bright/Dark] / lumineux MicroCT (LG1) TV1 2 N° Brillant Différence de gaussiennes Sigma Init Ratio de Sigma Gamme / par défaut – [0.5, 10] / 2 [1.1, 3] / 1.6 MicroCT (DG1) TV1 2 1.6 CryoET (DG2) TV3 2 1.6 Tenseur de Structure dét. Sigma1 Zone de Sigma Gamme / par défaut – [0.5, 10] / 2 [0.5, 10] / 2 CryoET (ST1) TV3 2 2 Supervoxels Forme Espacement des Compacité Gamme / par défaut – [1, 10] / 10 [0.1, 5] / 1 [1, 200] / 20 MicroCT (SV1) TV1 (10, 10, 10) (1, 1, 1) 30 CryoET (SV2) TV3 (10, 10, 10) (1, 1, 1) 50 CryoET (SV3) TV2 (3, 5, 5) (1, 1, 1) 50 CryoSXT (SV4) TV4 (10, 10, 10) (1, 1, 1) 30 Megavoxels Lambda # Bacs Gamma Gamme / par défaut – [0.01, 1] 0,1 [10, 200] / 20 Aucun, auto ou [0, 1] / None CryoET (MV1) SV2 0,1 50 Auto TV1 CryoSXT (MV2) SV4 0,4 50 Aucun TV4 Formation de modèle Région Classificateur Raffinement Disponible / par défaut [voxel / supervoxel] [Modèles linéaires en ligne ensembles, SVM,] / [Aucun, Potts, aspect] / apparence Ensemble – RF microCT TV3 SV1 Forêt au hasard : Apparence TH1 GC1 -Arbre # : -Lambda : GN1 [10, 100] / 100 [1, 500] / 10 LG1 100 50 DG1 cryoET TV2 DG2 ST1 SV2 Forêt au hasard : Apparence -Arbre # : -Lambda : [10, 100] / 100 [1, 500] / 10 100 50 Raffinement de l’annotation Rayon Gamme / par défaut [1, 20] / 1 microCT Ouverture 5 Remplissage-trous 1 Dilatation 2 cryoET Ouverture 3 Remplissage-trous 1 Dilatation 2 cryoSXT Ouverture 3 Remplissage-trous 1 Dilatation 2 Le tableau 1. Paramètres optimisés permettant de traiter chacun des trois ensembles de données (microCT, cryoET et cryoSXT).>Pour chaque paramètre, une gamme polyvalente et par défaut sont donnés. Dans de nombreux cas, les données filtrées sont utilisées comme source pour le traitement en aval. Dans ces cas, une abréviation est utilisée pour désigner le nouveau dataset source. Par exemple, G1 (données brutes cryoET filtré gaussien) a été utilisées comme entrée au cours d’un filtre de variation totale pour créer TV2. Informations sont présentées uniquement pour les aspects de l’établi qui servaient à traiter chaque dataset. Par exemple, modèle de formation n’était pas utilisée lors du traitement du dataset cryoSXT présenté ici, donc aucuns paramètres ne sont donnés pour cela.