Quantifizierung der Intermembran Strecken mit seriellen Bild Dilatationen

Statistische Methoden: Vergleiche wurden zwischen experimentellen Gruppen mit Student t-Tests vorgenommen. Ein p-Wert < 0,05 gilt als bedeutende und alle Werte sind als Mittelwert ± Standardabweichung dargestellt. Manueller Segmentierung. Die Quantifizierung der GJ-neben Perinexus Nanodomain Breite (W-p) wird in der Regel durch manuelle Segmentierung erreicht. Diese manuelle Segmentierungsprozesses ist in Abbildung 1A gezeigt und war zuvor6beschrieben. Der Beobachter kennzeichnet den Rand des GJ (Abbildung 1, roter Punkt), 5nm entlang der Mittellinie der Perinexus misst und misst den Abstand zwischen den Membranen zu diesem Zeitpunkt. Der Prozess wird wiederholt auf 10, 15, 30 und alle 15 nm bis zu 150 nm. Diese Technik beim effektiven, hat Begrenzungen von Zeit und räumlichen unter Probenahme entlang der Länge der Perinexus. Meine Wp Messungen aus früheren Studien können variieren von ca. 10 bis 202,3,10und 3 nm scheint die mittlere Differenz benötigt, um die statistische Signifikanz zu erkennen, die deutlich über die räumliche Nyquist-Frequenz von 0,7 nm pro Messung basiert eine interpixel Auflösung von 0,34 nm. Während manueller Segmentierung zeitaufwändig ist, ist die Methode daher ausreichen, um Unterschiede in Wp verbunden mit einem Eingriff oder Krankheit Zustand messen. Serielle Bild Streckungen. Um die Perinexus schneller, reproduzierbare Weise mit entsprechenden räumlichen Auflösung zu messen, haben wir eine Programm basierend auf serielle Bild Streckungen der Pixel zwischen zwei manuell verfolgt Membranen, zählen die in Abbildung 1B gesehen werden kann . Die serielle Dilatation-Prozess ist in Abbildung 4dargestellt. Als binäre Bild geweitet ist (Abbildung 4A-4D), dass Dilatation ist dann invertiert und eine Bild – nicht-binären Form der ursprünglichen Gliederung (Abbildung 4E-4 H) hinzugefügt. Der Prozess wird wiederholt, bis die Gliederung (Abbildung 4D) vollständig gefüllt ist. An dieser Stelle ist das fertige Arbeit Bild (Abbildung 4H) eine Zählung der Anzahl der vorkommen, die ein bestimmtes Pixels UN dilatative geblieben ist. Als solche sind die Werte in der Nähe der Umriss der Zellmembranen sehr niedrig, während die Werte in der Mitte am höchsten sind. Durch zählen der Anzahl von Streckungen auf den Bereich an jedem Punkt zu füllen, kann der Abstand zwischen dem Rand der Membran berechnet werden. Die nächste Herausforderung ist es, identifizieren und isolieren die Mittellinie um Perinexal Breite als Funktion des Abstandes von der GJ zu quantifizieren die erfolgt durch die erste Anwendung eine räumliche Ableitung auf das Ergebnisbild arbeiten (Abbildung 2-letzte Bild und Abbildung 5 A). Ein zweites Beispiel für eine unregelmäßig geformte Perinexus finden in zusätzliche Datei S3. Mittellinie Identifikation. Die Steigung des fertigen Bildes arbeiten kann durch eine räumliche Ableitung als Dilatation Graf quantifiziert werden, Werte von Kante zu Kante von hoch zu niedrig zu hoch wieder ändern (Abbildung 5A von links nach rechts). Betrachtet man nur das Ausmaß der räumlichen Ableitung (Abb. 5B) sind die Umrisse und Mittellinie, mit weißen Pfeilen markiert sofort erkennbar als Bereiche der Diskontinuität. An diesen Standorten ändert sich die Steigung Richtung erhöhen, verringern oder umgekehrt. Anwendung einen Schwellenwert (Abbildung 5C) produziert ein binäres Abbild der Mittellinie und Umriss, und subtrahieren die ursprüngliche Gliederung die isolierte Mittellinie (Abbildung 5D) ergibt. Während diese Methode zur Isolierung der Mittellinie rechnerisch effizient ist, schafft den Mindestbetrag der räumlichen Ableitung Lücken in der daraus resultierenden Mittellinie. Diese Lücken (Abbildung 5D, insert) müssen ausgefüllt werden, um eine genaue Messung des Abstandes von der GJ zu bieten und um sicherzustellen, dass die Perinexus in seiner Gesamtheit gemessen wird. Erstens ist die Mittellinie zum Ausfüllen von Lücken (Abbildung 5E), gefolgt von einer Erosion (Abbildung 5F) und eine “Bwmorph”-Funktion erweitert (Betrieb = Skel n = inf) um so viele Punkte wie möglich zu beseitigen, wobei eine kontinuierliche Mittellinie, wodurch die rechnerische Effizienz eines nachfolgenden Pathfinding-Algorithmus von Wasit Limprasert entwickelte und auf MATLAB Central9zur Verfügung. Diese Dilatation-Erosion-Funktion erzeugt die abgeschlossene Mittellinie, die mit dem abschließenden Arbeiten Bild (Abbildung 5G) kombiniert wird. Jedoch diese Mittellinie ist oft mehr als ein Pixel dick und ist daher keine genaue Trennung der Mittellinie. Wasit Limprasert Pathfinding Algorithmus dient zur Bestimmung der Perinexus Mittellinie. Der Pathfinding-Algorithmus ist in der Lage, die höchsten Werte – in diesem Fall die Werte am nächsten an der Mitte verfolgen die blieb UN dilatative durch die Iterationen entlang der Mittellinie (Abbildung 5G, einfügen). Das Ergebnis ist eine automatische Spur der Mittellinie, wie in Abbildung 6dargestellt. Durch die Isolierung der Mittellinie, kann Perinexal Breite präsentiert werden, als Funktion des Abstandes vom Ende des GJ, wie in Abbildung 6B (oben) dargestellt oder als die durchschnittliche Breite einer bestimmten Region von Interesse. Kernel Analyse. Es ist wichtig zu beachten, dass digitalisierte Bilder auf quadratischen Arrays basieren und Dilatation Kernel ebenfalls auf Quadrat Matrizen basieren. Dies bedeutet, dass Dilatation Abstand über eine Diagonale größer als orthogonal ist. Daher wollten wir als nächstes zu bestimmen, ob der Kernel das Ergebnis des Algorithmus beeinflusst. Um Kernel-spezifische Variabilität zu quantifizieren, wurden fünf verschiedene Kernel Formen analysiert: “Plus” (die Form in den genannten Analysen verwendet), “X”, “Box” und “Linie”, wie in Abbildung 7Abeschrieben. Der Kernel wird an jedem nicht-NULL-Punkt des ein binäres Bild angewendet. Die Star in jeder Kernel von Abbildung 7A stellt das Zentrum, wo weiß ist ein Wert von 1 und schwarz ist der Wert 0 für die Dilatation-Kernel dar. Jeder Kernel Einfluss auf die mittlere W-p -Messung von einem ungefähr horizontal Perinexal Bild (Abbildung 7B, oben), von einem erfahrenen Benutzer quantifiziert, wurde durch Drehen des Bildes mit Matlab “Imrotate” Befehl bestimmt und Computing Wp in Schritten von 10°. Die W-p -Messwerte (Abb. 7B, unten) schwanken mit Ausrichtung in eine gleichgerichtete sinusförmigen Mode mit einem Plus Kernel geformt. Die niedrigsten Werte auftreten, wenn eine relativ gerade Perinexus vertikal oder horizontal ausgerichtet ist. X, Box, weder die Linie Kerne zur Verfügung gestellt keine Vorteile gegenüber der Plus-förmigen Kern. Die X und Box Kerne produziert identische Ergebnisse, aber die Werte bedeuten Wp aus der Phase mit the Plus Kernel um 45° waren. Der Zeile Kernel nicht vollständig das Bild in einem bestimmten Winkel zu dehnen, wie durch das Fehlen von Daten in der grünen Spur für Bilder gedreht von weniger als 30 oder mehr als 145 ° gesehen werden kann. So überschätzt der orthogonale Plus Dilatation Kernel Membran Trennung bei der Dilatation einer Perinexus mit einer Achse zum Beispiel bei etwa 45 ° diagonal orientiert, und die X und Box Kerne unterschätzt bedeuten Wp wenn die Längsachse des Perinexus war auch bei 45°. Basierend auf dieser Analyse, entwickelten wir einen Korrekturfaktor angewendet auf die Werte von Dilatation mit dem Plus-förmigen Kernel generiert. Um die Überschätzung der Membran Trennung zugeordnete Bildausrichtung, dieser Korrekturfaktor multipliziert mit dem Breitenwert der gemessenen je nach Ausrichtung des Bildes (Gleichung 1) zu berücksichtigen. Wenn θ < 45°      Wp korrigiert geographische(θ) = * Wp gemessen Wenn θ ≥45 °      Wp korrigiert geographische(θ) = * Wp gemessen (Gleichung 1) In dieser Gleichung ist Wp gemessen, der ursprüngliche W-p -Wert generiert durch die oben genannten Algorithmus und θ ist der berechnete Winkel von der horizontalen in Grad. Θ wird berechnet, indem die umgekehrte Tangente die totale Veränderung in horizontaler Richtung durch die totale Veränderung in vertikaler Richtung der Perinexal Mittellinie geteilt. Die oben genannten Korrektur nähert sich den durchschnittliche Winkel relativ zur horizontalen, von der Perinexus (Abb. 8A, links oben) und führt zu einer Messung, als ob eine horizontale Perinexus entnommen (Abb. 8A, Links unten). Die Logik hinter dieser Gleichung kommt von der Tatsache, dass der Plus-förmigen Kern (Abb. 7A) im Wesentlichen zwei linienförmigen Kerne orthogonal zueinander angeordnet ist. Als solche unter 45° (näher zur horizontalen), die Dilatationen vertikal auftreten und daher mit der Kosinus des Winkels multipliziert gibt die korrekte Messung. Im Gegensatz dazu für Winkel über 45° (näher an vertikalen), Streckungen auftreten horizontal und der Sinus wird verwendet, um die korrekte Messung zu bestimmen. Bei exakt 45° sind die Sinus und Kosinus gleich. Zusätzliche Datei S4 bietet eine Darstellung dieses Konzepts. Beachten Sie, dass diese Korrektur auf der durchschnittlichen Winkel basiert und Vorsicht verwendet werden, sollte Wenn Sie im Wesentlichen nicht-lineare Formen zu analysieren. Dieser Vorgang wiederholte sich auf 20 zufällig ausgewählte Perinexi und die korrigierte Messungen korreliert stark mit Messungen durch manuell drehen und erneut analysiert die Bilder (Abbildung 8A, rechts). Um die genaue Korrektur für Bildausrichtung zu bestätigen, wurden zwei Gruppen von phantom Kanten erzeugt (Abb. 8B, Links) und 180 ° gedreht. Mit der trigonometrischen Korrektur kehrte der Algorithmus genau den richtigen Wert in jeder Ausrichtung unabhängig von räumlicher Auflösung und Bildgröße (Abbildung 8B, rechts). Analytische Applikation und Reproduzierbarkeit mit Richtungskorrektur. Eingedenk dessen, dass frühere Studien mit manueller Segmentierung Bericht statistisch signifikante Wp größer Unterschiede oder gleich 3 nm, war es wichtig, festzustellen, ob der Algorithmus verwendet werden, um die bisherigen Erkenntnisse mit rekapitulieren ein komplette Dataset. Der neue Algorithmus, zwei Beobachter – erfahrenen und unerfahrenen mit Perinexal Analyse (obs. 1 und obs. 2, beziehungsweise)-analysiert die gleichen Bilder von einer früheren Studie6 , die 12 Patienten eingeschlossen, die mit Vorhofflimmern diagnostiziert wurden Vorhofflimmern (AF) vor dem Gewebe Sammlung und 29 Patienten, die keine bereits vorhandenen AF (No-AF). Der erfahrene Anwender fand, dass Wp deutlich breiter ist bei Patienten mit AF als ohne AF (21.9±2.5 und 18.4±2.0 nm bzw. Abbildung 9A). Diese Werte mit dem Korrekturfaktor angewendet sind ähnlich wie die gemeldeten vorher (24.4±2.2 nm und 20.7±2.4 nm, beziehungsweise)6. Wichtig ist, der unerfahrene Benutzer fanden die gleichen signifikanten Unterschied (22.1±2.8 nm und 20.1±2.6 nm, beziehungsweise) zwischen Krankheitszuständen mit dem automatisierten Programm. Darüber hinaus ändern die Standardabweichung der W-p -Werte nicht mit der Korrekturfaktor, darauf hinweist, dass die Standardabweichung von 2-3 nm ist kein Artefakt des Algorithmus, sondern die Struktur selbst und Gewebe Verarbeitung. Diese Ergebnisse zeigen, dass die vorgeschlagene automatisierte Methode zusammenfassend die Ergebnisse früherer Studien kann. Wichtig ist, die Perinexus ist eine vor kurzem definiert Struktur und kein Konsens erreicht wurde, auf den Bereich der absoluten Werte der Membran Trennung neben der GJ-2,-3. Da-Membran-zu-äußeren-Außenmembran GJ Breite bereits bei 20 nm13geschätzt wurde, suchten wir den Algorithmus Wirksamkeit durch Messung auch GJ Breite zu bestimmen. Beide Beobachter fanden keinen signifikanten Unterschied zwischen Kreuzung Spaltweiten (GJW) von Patienten mit oder ohne vorbestehende AF (Abbildung 9B). Absolute GJW Werte für AF und nicht-AF-Patienten waren 20,5 ± 2,5 nm und 20,3 ± 1,9 nm, für den erfahrenen Beobachter und 21,0 nm ± 3,1 und 20,0 ± 2,2 nm für unerfahrene Beobachter, ähnlich wie zuvor berichtet. Um festzustellen, ob der automatisierten Algorithmus weniger Zeit benötigt für die Datenanalyse als manuelle Segmentierung, erfasst sowohl der erfahrene und unerfahrene Benutzer die Zeit, ein Bild 10-Training zu quantifizieren (ergänzende Datei S5) set benötigt. Tabelle 1 zeigt, dass der erfahrene und unerfahrene Benutzer Analysenzeit von 4,7 – und 8.3 – fache bzw. mit dem automatisierten Algorithmus im Vergleich zu der manuellen Segmentierung-Ansatz mit ca. 43-fold Zunahme der räumlichen abgenommen Auflösung entlang der Perinexus. Algorithmus zur Fehlerbehebung. Der häufigste Fehler beim Ausführen des Algorithmus tritt auf, wenn die letzte Mittellinie nicht an den Rand des Bildes endet. In solchen Fällen wurden nicht genügend Punkte von der räumliche Derivative Map, verursacht das Programm fehlschlägt und eine Fehlermeldung, die den Benutzer wählen eine größere Anbaufläche oder erhöhen den räumlichen derivativen Schwellenwert Beratung ausgewählt. Zeichnung eine größere Ernte Box verbessert die Zuverlässigkeit des Programms in einigen Fällen als die räumliche derivativen Änderungen drastisch am Rand der Figur, die die Pfadfindung oder Kante Erkennungsalgorithmen stören können. Es ist auch möglich, dass der Pathfinding-Algorithmus nicht zu die Mittellinie richtig identifizieren, auch wenn die Mittellinie der Rand des Bildes erreicht, insbesondere dann, wenn der gradient Schwellenwert ist zu niedrig (Abb. 2A). Wenn die Steigung Schwelle zu hoch eingestellt ist, werden weitere unnötige Punkte eingearbeitet der Pathfinding-Algorithmus (Abbildung 2B), abnehmender rechnerische Effizienz. Wenn der Benutzer einen entsprechende Schwellenwert, das Bild Array bestimmen kann “GMag” (Abbildung 2C), die entsteht durch das Programm und finden Sie im Arbeitsbereich kann Hilfe der Benutzer bestimmen die Schwelle. Finden Sie Punkte entlang der Mittellinie zu und setzen Sie den Schwellenwert leicht über ihre Index-Wert, um sicherzustellen, dass diese Punkte ausgewählt sind. In diesem Beispiel wäre eine geeignete Schwelle über ~5.1 (Abbildung 2C, einfügen). Der Startpunkt kann auch fehlschlagen, Beginn des Perinexus (Abb. 2D) zu erreichen. In diesem Fall führen Sie das Programm erneut aus, und Handbuch Startwert auf 1 gesetzt. Nach die Mittellinie isoliert wurde, der Benutzer wählt einen Punkt außerhalb der Perinexus und der Mittellinie Punkt am nächsten an das ausgewählte Pixel (Abbildung 2E, rotes Quadrat) wird als Startpunkt festgelegt werden. Das Ergebnis ist die gesamte Mittellinie (Abbildung 2F). Abbildung 1 : TEM-Bilder mit Quantifizierung Prozesse. Die manuelle Segmentierungsprozesses (A) muss der Benutzer 12 intermembran Einzelmessungen durchführen, während die Schätzung der Mittellinie. Der automatische Prozess (B) erfordert eine manuelle, kontinuierliche Spur der Gliederung der Perinexus. Der rote Punkt in jedem Bild steht der Benutzer identifiziert Ende des GJ und Anfang der Perinexus. Bitte klicken Sie hier für eine größere Version dieser Figur.  Abbildung 2 : Mittellinie Fehlerbehebung. Zwei primäre Modi des Scheiterns für die Mittellinie Identifikation und deren Lösungen: jedes Bild ist mit dem Array-Namen in Matlab gekennzeichnet. Ist die gradient Schwelle zu niedrig (A, Schwelle 0,2) der Mittellinie Algorithmus kann fehlschlagen. Einstellung die Schwelle zu hoch (B, Schwelle 70) reduzieren die rechnerische Effizienz des Pathfinding-Algorithmus. Eine entsprechende Gradienten Schwelle ermittelt werden, aus dem Array GMag (C, einfügen). Unterlässt die Mittellinie den Anfang-Rand des Perinexus (D) erreichen, kann der Benutzer entscheiden, manuell den Startpunkt auszuwählen. Nach der “Start Point” Option 1 in der Eröffnung GUI, der Benutzer soll dann wählt einen Punkt außerhalb der Perinexus des Interesses (E). Das Endergebnis sollte eine Mittellinie, die die Gesamtheit der Perinexus (F) genau schildert. Alle Beschriftungen in Zitaten (A-F) entsprechen den Variablennamen in Matlab. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 3 : Auswahl der Perinexus. Zum Zuschneiden der Perinexus, Klick-und-halten, ziehen einen Auswahlrahmen um es (das Freistellen-Werkzeug wird automatisch ausgewählt) wie gezeigt durch den blauen Pfeil. Dieses Feld kann eingestellt werden, mithilfe der Quadrate an den Seiten und Ecken es größer oder kleiner machen. Der grüne Pfeil stellt das Ende des Perinexus, wobei der Nutzer gewährleistet sein sollte bleibt “offen.” Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 4 : Serielle Bild Streckungen. Binäre Umriss ist wiederholt in 1-Pixel-Schritten (A-D) aufgedehnt und hinzugefügt, um das Bild (nicht-binären Form des Bildes, E-H) nach jeder Dilatation. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 5: Mittellinie Isolation und Wegfindung. Eine räumliche Ableitung errechnet sich aus dem fertigen Bild arbeiten (A) und das Ausmaß der die räumliche Ableitung (B) wird verwendet, um die Gliederung und die Mittellinie (weisse Pfeile) zu isolieren. Eine Benutzer-definierte Schwelle identifiziert den Umriss und Mittellinie und den ursprünglichen Umriss Subtraktion ergibt die Mittellinie (D). Jedoch Lücken in der Mittellinie durch den Schwellenwert (D – einfügen). Um eine kontinuierliche Mittellinie zu produzieren, wird eine sekundäre Dilatation auf der isolierten Mittellinie (E), gefolgt von einer sekundären Erosion, die rechnerische Effizienz eines nachfolgenden Pathfinding-Algorithmus durchgeführt. Dieses erodierte Bild (F) wird dann mit das Ergebnisbild zu arbeiten, ermöglicht die Identifizierung von eine kontinuierliche, ein Pixel Dicke Mittellinie kombiniert (G – einfügen). Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 6 : Letzte Datenpräsentation. Das Programm gibt den endgültigen Umriss auf das Originalbild TEM (A). Die Linie ist farbcodiert, grün für 0-150 nm, blau für die benutzerdefinierte Region von Interesse und rot für den Bereich über 150 nm. Darüber hinaus gibt das Programm ein ähnlich farbcodierte Diagramm vertreten Wp als Funktion des Abstandes von Anfang an von den Perinexus und für die Region von Interesse (B), sowie die durchschnittliche Wp (Einschub im jeweiligen Diagramm). Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 7 : Dilatation Kernel Form Analyse. Formen für Dilatation Kernel (A): der Stern in der Mitte symbolisiert die dilatative Pixel. Weiße Felder sind Pixel Dilatation, in Form von ein Plus, X, Box oder Zeile betroffen. Eine etwa horizontale Perinexus (B, oben, mit einer roten Linie auf 0°) gedreht wurde im Uhrzeigersinn von 0 bis 180° in Schritten von 10° und wiederholt dilatative mit unterschiedlichen Kernel-Formen (B, unten). Plus und linienförmigen Kerne produzieren ähnliche Ergebnisse, obwohl die Kernel Zeile an bestimmte Ausrichtungen fehlschlägt, während die kastenförmige und X-Kerne um 45° phasenverschoben sind. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 8 : Bild Richtungskorrektur. Um korrekt für die Ausrichtung des Bildes, der durchschnittlichen Winkel von der Perinexus die Positionen von der Start – und end – points (A, Links, Beginn und Ende der schwarzen Linie) errechnet sich aus. Die umgekehrte Tangente der Veränderung in y-Richtung (A, linke, grüne Linie) geteilt durch die Änderung in der X-Richtung (A, Links, rote Linie) ergibt den Korrekturwinkel θ (A, Links, gelb). Ziel ist es, Wp den Durchschnittswert den Mindestabstand zwischen den Kanten geben dann zu korrigieren, als ob die Perinexus etwa horizontal abgebildet worden war (A, Links unten). Die Anwendung der Korrekturfaktor von Gleichung 1 beschrieben wurde gegenüber der berechneten θ vor der Analyse manuell drehen alle 15 zufällig ausgewählte Bilder. Die korrigierten Werte stark korreliert mit der gedreht-Image-Werte (R2 = 0.991, A, rechts), Angabe der Gleichung 1 ist eine gültige Korrekturfaktor für Bildausrichtung. Um zu bestätigen, dass der Korrekturfaktor angemessen ist, wurden zwei Phantome perfekt parallele Kanten mit einem bekannten Abstand zwischen ihnen (B, Links) erzeugt. Phantom 1 und Phantom 2 haben räumliche Auflösungen von 2,833 Pixel / mm. und 71,6 Pixel/Zoll, beziehungsweise. Wie gezeigt durch die blauen Diamanten und roten Quadraten in B berechnet der Algorithmus in Ordnung, genau ihre breiten über 180° Bilddrehung. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 9 : Algorithmus Reproduzierbarkeit. Mit den automatischen Ablauf mit Ausrichtung Bildkorrektur, beide erfahrener und unerfahrener Beobachter gefunden signifikante Unterschiede zwischen AF und No-AF Gruppen (A), mit einer früheren Studie erkennen eine minimale Differenz von 2,6 nm. Darüber hinaus fanden weder Beobachter einen signifikanten Unterschied im GJW (B). Bitte klicken Sie hier für eine größere Version dieser Figur. Manuell Automatisch Zeit – obs. 1 (s) 205±11 44±14 Zeit – obs. 2 (s) 248±18 30±5 Räumliche Auflösung (Messungen/nm) 0,08 3.45 Tabelle 1: Vergleich der manuellen und automatischen Prozesse. Beide Beobachter benötigt weniger Zeit pro Bild die Gliederung als zu führen die manuelle Segmentierungsprozesses für ein Bild 10 Trainingssatz zu verfolgen. Darüber hinaus hat der automatische Prozess eine höhere Abtastfrequenz, Aufnahme 3,45 Messungen pro nm, verglichen mit einem Durchschnitt von 1 Messung jedes 12,5 nm für den manuellen Prozess. Die Ausbildung eingestellten Bilder in ergänzende Datei S5 zusammen mit Konturen und Messungen finden Sie wie ein erfahrener Benutzer durchgeführt.