specimen-preparation-imaging-analysis-protocols-for-knife-edge

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

Major advances in high-throughput, high-resolution, 3D microscopy techniques have enabled the acquisition of large volumes of neuroanatomical data at ...

Texas A&M University

&#x7EBF;&#x7A0B;&#x4E00;&#x6837;&#x7684;&#x7ED3;&#x6784;&#x8D8A;&#x6765;&#x8D8A;&#x666E;&#x904D;&#x5728;&#x73B0;&#x4EE3;&#x5BB9;&#x79EF;&#x6570;&#x636E;&#x96C6;&#x4F5C;&#x4E3A;&#x6211;&#x4EEC;&#x7684;&#x80FD;&#x529B;&#x56FE;&#x50CF;&#x8840;&#x7BA1;&#x548C;&#x795E;&#x7ECF;&#x7EC4;&#x7EC7;&#x5728;&#x66F4;&#x9AD8;&#x7684;&#x5206;&#x8FA8;&#x7387;&#x63D0;&#x9AD8;&#x4E86;&#x3002;&#x7EBF;&#x7A0B;&#x7C7B;&#x4F3C;&#x7ED3;&#x6784;&#x7684;&#x795E;&#x7ECF;&#x5143;&#x548C;&#x5FAE;&#x8239;&#x53EA;&#x6784;&#x6210;&#x53EF;&#x89C6;&#x5316;&#x4E2D;&#x4E00;&#x4E2A;&#x72EC;&#x7279;&#x7684;&#x95EE;&#x9898;&#x56E0;&#x4E3A;&#x4ED6;&#x4EEC;&#x503E;&#x5411;&#x4E8E;&#x5BC6;&#x96C6;&#x5C0F;&#x5377;&#x7684;&#x7EC4;&#x7EC7;&#x4E2D;&#x3002;&#x8FD9;&#x96BE;&#x4EE5;&#x89E3;&#x91CA;&#x6709;&#x7528;&#x6A21;&#x5F0F;&#x7684;&#x6570;&#x636E;&#x6216;&#x8DDF;&#x8E2A;&#x7684;&#x4E2A;&#x522B;&#x7EA4;&#x7EF4;&#x4ECE;&#x4E00;&#x540D;&#x89C2;&#x5BDF;&#x5458;&#x3002;&#x5728;&#x672C;&#x767D;&#x76AE;&#x4E66;&#x4E2D;&#x6211;&#x4EEC;&#x63CF;&#x8FF0;&#x51E0;&#x79CD;&#x65B9;&#x6CD5;&#x6765;&#x5904;&#x7406;&#x5927;&#x91CF;&#x7684;&#x6570;&#x636E;&#x7EBF;&#x4E00;&#x6837;&#xFF0C;&#x5982;&#x4F7F;&#x7528;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C; (KESM) &#x548C;&#x4E32;&#x884C;&#x5757;&#x8138;&#x626B;&#x63CF;&#x7535;&#x5B50;&#x663E;&#x5FAE;&#x955C; &#xFF08;SBF SEM&#xFF09; &#x6536;&#x96C6;&#x7684;&#x6570;&#x636E;&#x96C6;&#x3002;&#x8FD9;&#x4E9B;&#x65B9;&#x6CD5;&#x5141;&#x8BB8;&#x6211;&#x4EEC;&#x4ECE;&#x5D4C;&#x5165;&#x5F0F;&#x5168;&#x8111;&#x7EC4;&#x7EC7;&#x6837;&#x672C;&#x6536;&#x96C6;&#x5BB9;&#x79EF;&#x6570;&#x636E;&#x3002;&#x6211;&#x4EEC;&#x83B7;&#x5F97;&#x7684;&#x795E;&#x7ECF;&#x53CA;&#x5FAE;&#x8840;&#x7BA1;&#x7684;&#x6570;&#x636E;&#x5305;&#x62EC;&#x8584;&#x3001; &#x5206;&#x652F;&#x7ED3;&#x6784;&#x5728;&#x5F88;&#x5927;&#x7684;&#x533A;&#x57DF;&#x6269;&#x5C55;&#x3002;&#x4F20;&#x7EDF;&#x7684;&#x53EF;&#x89C6;&#x5316;&#x65B9;&#x6848;&#x4E0D;&#x662F;&#x8DB3;&#x4EE5;&#x4F7F;&#x9047;&#x5230;&#x7684;&#x5927;&#x578B;&#x3001; &#x5BC6;&#x96C6;&#x3001; &#x590D;&#x6742;&#x7ED3;&#x6784;&#x7684;&#x610F;&#x4E49;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5904;&#x7406;&#x4E86;&#x4E09;&#x79CD;&#x65B9;&#x6CD5;&#xFF0C;&#x4EE5;&#x5141;&#x8BB8;&#x7528;&#x6237;&#x6709;&#x6548;&#x5730;&#x63A2;&#x7D22;&#x4E00;&#x4E2A;&#x5149;&#x7EA4;&#x7F51;&#x7EDC;&#x3002;&#x6211;&#x4EEC;&#x63CF;&#x8FF0;&#x5448;&#x73B0;&#x5927;&#x96C6;&#x7684;&#x4F7F;&#x7528;&#x5728; GPU &#x4E0A;&#x5B9E;&#x73B0; self-orienting &#x66F2;&#x9762;&#x7684;&#x795E;&#x7ECF;&#x5143;&#x7684;&#x4EA4;&#x4E92;&#x6280;&#x672F;&#x3002;&#x6211;&#x4EEC;&#x8FD8;&#x63D0;&#x51FA;&#x6280;&#x672F;&#x7528;&#x4E8E;&#x5149;&#x7EA4;&#x7F51;&#x7EDC;&#x63D0;&#x4F9B;&#x4E86;&#x6709;&#x7528;&#x7684;&#x4FE1;&#x606F;&#x6D41;&#x91CF;&#x548C;&#x65B9;&#x5411;&#x7684;&#x65B9;&#x5F0F;&#x5448;&#x73B0;&#x3002;&#x7B2C;&#x4E09;&#xFF0C;&#x5168;&#x5C40;&#x5149;&#x7167;&#x6846;&#x67B6;&#x7528;&#x4E8E;&#x521B;&#x5EFA;&#x9AD8;&#x8D28;&#x91CF;&#x53EF;&#x89C6;&#x5316;&#x6548;&#x679C;&#xFF0C;&#x5F3A;&#x8C03;&#x7EA4;&#x7EF4;&#x7684;&#x57FA;&#x7840;&#x7ED3;&#x6784;&#x3002;&#x8BA8;&#x8BBA;&#x4E86;&#x6BCF;&#x79CD;&#x65B9;&#x6CD5;&#x7684;&#x5B9E;&#x73B0;&#x7EC6;&#x8282;&#x3001; &#x6027;&#x80FD;&#x3001; &#x548C;&#x5229;&#x5F0A;&#x3002;

&#x7EA4;&#x7EF4;&#x548C;&#x7C7B;&#x4F3C;&#x4E8E;&#x7EBF;&#x7A0B;&#x7684;&#x6570;&#x636E;&#x7684;&#x53EF;&#x89C6;&#x5316;&#x3002;

Thread-like structures are becoming more common in modern volumetric data sets as our ability to image vascular and neural tissue at higher resolutions improves. The thread-like structures of neurons and micro-vessels pose a unique problem in visualization since they tend to be densely packed in small volumes of tissue. This makes it difficult for an observer to interpret useful patterns from the data or trace individual fibers. In this paper we describe several methods for dealing with large amounts of thread-like data, such as data sets collected using Knife-Edge Scanning Microscopy (KESM) and Serial Block-Face Scanning Electron Microscopy (SBF-SEM). These methods allow us to collect volumetric data from embedded samples of whole-brain tissue. The neuronal and microvascular data that we acquire consists of thin, branching structures extending over very large regions. Traditional visualization schemes are not sufficient to make sense of the large, dense, complex structures encountered. In this paper, we address three methods to allow a user to explore a fiber network effectively. We describe interactive techniques for rendering large sets of neurons using self-orienting surfaces implemented on the GPU. We also present techniques for rendering fiber networks in a way that provides useful information about flow and orientation. Third, a global illumination framework is used to create high-quality visualizations that emphasize the underlying fiber structure. Implementation details, performance, and advantages and disadvantages of each approach are discussed.

Visualization of fibrous and thread-like data.

Structures filiformes sont devenues plus fr&eacute;quentes dans les ensembles de donn&eacute;es volum&eacute;triques modernes comme notre capacit&eacute; &agrave; image vasculaire et am&eacute;liore les tissus nerveux &agrave; des r&eacute;solutions plus &eacute;lev&eacute;es. Les structures filiformes des neurones et des micro-navires posent un probl&egrave;me unique dans la visualisation car ils ont tendance &agrave; &ecirc;tre tr&egrave;s serr&eacute;s dans de petites quantit&eacute;s de tissu. Il est donc difficile pour un observateur d&#39;interpr&eacute;ter des mod&egrave;les utiles de fibres individuelles donn&eacute;es ou trace. Dans cet article, nous d&eacute;crivons plusieurs m&eacute;thodes pour traiter de grandes quantit&eacute;s de donn&eacute;es filiformes, tels que les ensembles de donn&eacute;es recueillies &agrave; l&#39;aide de la lame des couteaux Scanning Microscopy (KESM) et Serial &icirc;lot microscopie &eacute;lectronique (SBF-SEM). Ces m&eacute;thodes permettent de collecter les donn&eacute;es volum&eacute;triques d&#39;&eacute;chantillons embarqu&eacute;s du tissu c&eacute;r&eacute;bral-ensemble. Les donn&eacute;es neuronales et microvasculaires que nous acqu&eacute;rons se comprennent de structures minces et ramifi&eacute;s s&#39;&eacute;tendant sur tr&egrave;s grandes r&eacute;gions. Syst&egrave;mes de visualisation traditionnelles ne suffisent pas comprendre les structures importantes, denses et complexes rencontr&eacute;s. Dans cet article, nous abordons trois m&eacute;thodes pour autoriser un utilisateur &agrave; explorer un r&eacute;seau de fibres optiques efficacement. Les auteurs d&eacute;crivent les techniques interactives pour le rendu des grands ensembles de neurones en utilisant des surfaces PRESENTOIR mis en &oelig;uvre sur le GPU. Nous pr&eacute;sentons aussi des techniques pour rendre les r&eacute;seaux de fibres d&#39;une mani&egrave;re qui fournit des informations utiles sur l&#39;&eacute;coulement et l&#39;orientation. En troisi&egrave;me lieu, un cadre d&#39;illumination globale est utilis&eacute; pour cr&eacute;er des visualisations de haute qualit&eacute; qui mettent l&#39;accent sur la structure sous-jacente de la fibre. On discute des d&eacute;tails de mise en &oelig;uvre, les performances et les avantages et les inconv&eacute;nients de chaque approche.

Visualisation de donn&eacute;es fibreuses et filiformes.

Thread-Strukturen werden immer h&auml;ufiger in modernen volumetrischen Datens&auml;tzen als unsere F&auml;higkeit, gef&Atilde; &curren; Bild und Nervengewebe verbunden mit h&ouml;heren Aufl&ouml;sungen verbessert. Die Thread-Strukturen von Neuronen und Mikro-Schiffe stellen ein einzigartiges Problem in der Visualisierung, da sie neigen dazu, in kleinen Mengen von Gewebe dicht gepackt werden. Dies erschwert es f&uuml;r einen Beobachter, n&uuml;tzliche Muster aus einzelnen Fasern Daten oder Trace zu interpretieren. In diesem Beitrag beschreiben wir verschiedene Methoden f&uuml;r den Umgang mit gro&szlig;en Datenmengen faden&auml;hnliche, wie Datens&auml;tze zusammengestellt mit Messerschneiden-Scanning-Mikroskopie (KESM) und serielle Block-Face Scanning Electron Microscopy (SBF-SEM). Diese Methoden erm&ouml;glichen uns eingebetteten Proben des gesamten Gehirngewebes Volumetrische Daten erfassen. Die neuronalen und mikrovaskul&auml;re Daten, die wir erwerben besteht aus d&uuml;nnen, verzweigte Strukturen, die &uuml;ber sehr gro&szlig;e Regionen. Traditionelle Visualisierung Regelungen reichen nicht aus, um Sinn der gro&szlig;en, dichten, komplexen Strukturen gefunden. In diesem Papier wenden wir uns drei Methoden, um einem Benutzer erlauben, eine Glasfaser-Netzwerk effektiv zu erkunden. Wir beschreiben die interaktive Techniken f&uuml;r das Rendern von gro&szlig;er Gruppen von Neuronen mit self-orienting Oberfl&auml;chen auf der GPU implementiert. Wir pr&auml;sentieren auch Techniken f&uuml;r das Rendern von Glasfaser-Netzwerken in einer Weise, die n&uuml;tzliche Informationen &uuml;ber Fluss und Orientierung bietet. Drittens ist ein globale Illumination-Framework verwendet, um qualitativ hochwertige Visualisierungen erstellen, die die zugrunde liegende Struktur der Faser zu betonen. Implementierungsdetails, Leistung, und vor- und Nachteile der einzelnen Konzepte werden diskutiert.

Visualisierung von faserigen und Thread-wie Daten.

Thread-come le strutture stanno diventando sempre pi&ugrave; comune in insiemi di dati volumetrici moderne come la nostra capacit&agrave; di immagine vascolare e migliora il tessuto neurale a risoluzioni pi&ugrave; alte. Il filo-come le strutture di neuroni e di micro-vasi pongono un unico problema nella visualizzazione poich&eacute; essi tendono ad essere densamente imballati in piccoli volumi di tessuto. Questo rende difficile per un osservatore di interpretare modelli utili dalle fibre singole dati o traccia. In questo documento descriviamo diversi metodi per trattare grandi quantit&agrave; di dati filiformi, come insiemi di dati raccolti utilizzando il filo del rasoio scansione microscopia (KESM) e Serial Block-Face Scanning Electron Microscopy (SBF-SEM). Questi metodi ci permettono di raccogliere dati volumetrici da embedded campioni di tessuto del intero-cervello. I dati di un neurone e Microvascolari che acquisiamo &egrave; costituito da strutture sottili, ramificate, che si estendono su aree molto grandi. Schemi di visualizzazione tradizionali non sono sufficienti a dare un senso delle strutture grandi, dense e complesse rilevato. In questo articolo, affrontiamo tre metodi per consentire all&#39;utente di esplorare efficacemente una rete in fibra. Descriviamo tecniche interattive per il rendering di grandi insiemi di neuroni utilizzando superfici posizionamento implementate sulla GPU. Siamo presenti anche tecniche per riprodurre le reti di fibra in un modo che fornisce utili informazioni sul flusso e orientamento. In terzo luogo, un quadro di illuminazione globale viene utilizzato per creare effetti grafici di alta qualit&agrave; che sottolineano la struttura sottostante di fibra. Dettagli di implementazione, le prestazioni e vantaggi e svantaggi di ciascun approccio sono discussi.

Visualizzazione dei dati fibrosi e filiformi.

&#x30B9;&#x30EC;&#x30C3;&#x30C9;&#x306E;&#x3088;&#x3046;&#x306A;&#x69CB;&#x9020;&#x8840;&#x7BA1;&#x3092;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x3055;&#x305B;&#x308B;&#x5F53;&#x793E;&#x306E;&#x80FD;&#x529B;&#x3068;&#x3057;&#x3066;&#x306F;&#x73FE;&#x4EE3;&#x306E;&#x4F53;&#x7A4D;&#x30C7;&#x30FC;&#x30BF;&#x96C6;&#x5408;&#x3067;&#x3088;&#x308A;&#x4E00;&#x822C;&#x7684;&#x306B;&#x306A;&#x3063;&#x3066;&#x3044;&#x308B;&#x3057;&#x3001;&#x795E;&#x7D4C;&#x7D44;&#x7E54;&#x306E;&#x9AD8;&#x5206;&#x89E3;&#x80FD;&#x304C;&#x5411;&#x4E0A;&#x3057;&#x307E;&#x3059;&#x3002;&#x5F7C;&#x3089;&#x306F;&#x7D44;&#x7E54;&#x306E;&#x5C0F;&#x3055;&#x306A;&#x30DC;&#x30EA;&#x30E5;&#x30FC;&#x30E0;&#x306B;&#x5BC6;&#x96C6;&#x3059;&#x308B;&#x50BE;&#x5411;&#x304C;&#x3042;&#x308B;&#x306E;&#x3067;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x3068;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x30B9;&#x30EC;&#x30C3;&#x30C9;&#x306E;&#x3088;&#x3046;&#x306A;&#x69CB;&#x9020;&#x306E;&#x53EF;&#x8996;&#x5316;&#x306E;&#x30E6;&#x30CB;&#x30FC;&#x30AF;&#x306A;&#x554F;&#x984C;&#x3092;&#x5F15;&#x304D;&#x8D77;&#x3053;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x306F;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x3001;&#x307E;&#x305F;&#x306F;&#x30C8;&#x30EC;&#x30FC;&#x30B9;&#x306E;&#x500B;&#x3005; &#x306E;&#x7E4A;&#x7DAD;&#x304B;&#x3089;&#x6709;&#x76CA;&#x306A;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x3092;&#x89E3;&#x91C8;&#x3059;&#x308B;&#x30AA;&#x30D6;&#x30B6;&#x30FC;&#x30D0;&#x30FC;&#x306E;&#x305F;&#x3081;&#x56F0;&#x96E3;&#x3067;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x8D70;&#x67FB;&#x9855;&#x5FAE;&#x93E1; (KESM) &#x304A;&#x3088;&#x3073;&#x30B7;&#x30EA;&#x30A2;&#x30EB; &#x30D6;&#x30ED;&#x30C3;&#x30AF;&#x9854;&#x8D70;&#x67FB;&#x96FB;&#x5B50;&#x9855;&#x5FAE;&#x93E1;&#x89B3;&#x5BDF; (SBF SEM) &#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3092;&#x53CE;&#x96C6;&#x306A;&#x3069;&#x3001;&#x5927;&#x91CF;&#x306E;&#x30B9;&#x30EC;&#x30C3;&#x30C9;&#x306E;&#x3088;&#x3046;&#x306A;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x6271;&#x3046;&#x306E;&#x305F;&#x3081;&#x306E;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x65B9;&#x6CD5;&#x3092;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x306F;&#x79C1;&#x305F;&#x3061;&#x5168;&#x4F53;&#x8133;&#x7D44;&#x7E54;&#x304B;&#x3089;&#x57CB;&#x3081;&#x8FBC;&#x307F;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x4F53;&#x7A4D;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x53CE;&#x96C6;&#x3059;&#x308B;&#x3053;&#x3068;&#x3002;&#x8584;&#x3044;&#x5206;&#x5C90;&#x69CB;&#x9020;&#x4E0A;&#x975E;&#x5E38;&#x306B;&#x5927;&#x304D;&#x306A;&#x9818;&#x57DF;&#x3092;&#x62E1;&#x5F35;&#x3059;&#x308B;&#x6211;&#x3005; &#x304C;&#x7372;&#x5F97;&#x795E;&#x7D4C;&#x7D30;&#x80DE;&#x3068;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x3067;&#x69CB;&#x6210;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x4F1D;&#x7D71;&#x7684;&#x306A;&#x53EF;&#x8996;&#x5316;&#x30B9;&#x30AD;&#x30FC;&#x30E0;&#x304C;&#x906D;&#x9047;&#x5927;&#x3001;&#x5BC6;&#x306A;&#x8907;&#x96D1;&#x306A;&#x69CB;&#x9020;&#x306E;&#x610F;&#x5473;&#x3059;&#x308B;&#x4E0D;&#x5341;&#x5206;&#x3067;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x30D5;&#x30A1;&#x30A4;&#x30D0;&#x30FC; &#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x52B9;&#x7387;&#x7684;&#x306B;&#x63A2;&#x7D22;&#x3059;&#x308B;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x3092;&#x8A31;&#x53EF;&#x3059;&#x308B; 3 &#x3064;&#x306E;&#x65B9;&#x6CD5;&#x3092;&#x30A2;&#x30C9;&#x30EC;&#x30B9;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F; GPU &#x306B;&#x5B9F;&#x88C5; self-orienting &#x30B5;&#x30FC;&#x30D5;&#x30A7;&#x30B9;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x5927;&#x898F;&#x6A21;&#x306A;&#x30BB;&#x30C3;&#x30C8;&#x3092;&#x30EC;&#x30F3;&#x30C0;&#x30EA;&#x30F3;&#x30B0;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30A4;&#x30F3;&#x30BF;&#x30E9;&#x30AF;&#x30C6;&#x30A3;&#x30D6;&#x306A;&#x30C6;&#x30AF;&#x30CB;&#x30C3;&#x30AF;&#x306B;&#x3064;&#x3044;&#x3066;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x3082;&#x30D5;&#x30ED;&#x30FC;&#x3068;&#x5411;&#x304D;&#x306B;&#x95A2;&#x3059;&#x308B;&#x6709;&#x7528;&#x306A;&#x60C5;&#x5831;&#x3092;&#x63D0;&#x4F9B;&#x3059;&#x308B;&#x65B9;&#x6CD5;&#x3067;&#x306E;&#x5149;&#x30D5;&#x30A1;&#x30A4;&#x30D0;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x30EC;&#x30F3;&#x30C0;&#x30EA;&#x30F3;&#x30B0;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30C6;&#x30AF;&#x30CB;&#x30C3;&#x30AF;&#x3092;&#x7D39;&#x4ECB;&#x3057;&#x307E;&#x3059;&#x3002;&#x7B2C;&#x4E09;&#x306B;&#x3001;&#x30B0;&#x30ED;&#x30FC;&#x30D0;&#x30EB; &#x30A4;&#x30EB;&#x30DF;&#x30CD;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x57FA;&#x306B;&#x306A;&#x308B;&#x7E4A;&#x7DAD;&#x69CB;&#x9020;&#x3092;&#x5F37;&#x8ABF;&#x3059;&#x308B;&#x9AD8;&#x54C1;&#x8CEA;&#x306E;&#x30D3;&#x30B8;&#x30E5;&#x30A2;&#x30E9;&#x30A4;&#x30BC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x4F5C;&#x6210;&#x3059;&#x308B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x88C5;&#x306E;&#x8A73;&#x7D30;&#x3001;&#x30D1;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30F3;&#x30B9;&#x3068;&#x9577;&#x6240;&#x3068;&#x77ED;&#x6240;&#x306E;&#x305D;&#x308C;&#x305E;&#x308C;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;

&#x7E4A;&#x7DAD;&#x304A;&#x3088;&#x3073;&#x7CF8;&#x306E;&#x3088;&#x3046;&#x306A;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x53EF;&#x8996;&#x5316;&#x3002;

&#xC2A4;&#xB808;&#xB4DC; &#xAC19;&#xC740; &#xAD6C;&#xC870; &#xD608;&#xAD00;&#xC758; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xC6B0;&#xB9AC;&#xC758; &#xB2A5;&#xB825;&#xC73C;&#xB85C; &#xD604;&#xB300; &#xCCB4;&#xC801; &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xC5D0;&#xC11C; &#xC77C;&#xBC18;&#xC801; &#xB418; &#xACE0; &#xC788;&#xB2E4; &#xADF8;&#xB9AC;&#xACE0; &#xB354; &#xB192;&#xC740; &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC2E0;&#xACBD; &#xC870;&#xC9C1;&#xC744; &#xD5A5;&#xC0C1; &#xC2DC;&#xD0B5;&#xB2C8;&#xB2E4;. &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC640; &#xB9C8;&#xC774;&#xD06C;&#xB85C;-&#xD608;&#xAD00;&#xC758; &#xC2A4;&#xB808;&#xB4DC; &#xAC19;&#xC740; &#xAD6C;&#xC870; &#xC870;&#xC9C1;&#xC758; &#xC791;&#xC740; &#xBCFC;&#xB968; &#xBC00;&#xB3C4;&#xAC00; &#xD3EC;&#xC7A5; &#xACBD;&#xD5A5;&#xC774; &#xADF8;&#xB4E4;&#xC5D0; &#xC774;&#xD6C4; &#xC2DC;&#xAC01;&#xD654;&#xC5D0;&#xC11C; &#xB3C5;&#xD2B9;&#xD55C; &#xBB38;&#xC81C;&#xAC00; &#xD3EC;&#xC988;. &#xC774;&#xAC83;&#xC740; &#xB370;&#xC774;&#xD130; &#xB610;&#xB294; &#xCD94;&#xC801; &#xAC1C;&#xBCC4; &#xC12C;&#xC720;&#xC5D0;&#xC11C; &#xC720;&#xC6A9;&#xD55C; &#xD328;&#xD134;&#xC744; &#xD574;&#xC11D; &#xD558;&#xB294; &#xAD00;&#xCC30;&#xC790;&#xC5D0; &#xB300; &#xD55C; &#xC5B4;&#xB824;&#xC6CC;&#xC9D1;&#xB2C8;&#xB2E4;. &#xC774; &#xC885;&#xC774;&#xC5D0; &#xC6B0;&#xB9AC; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xC218;&#xC9D1; Knife-Edge &#xC2A4;&#xCE90;&#xB2DD; &#xD604;&#xBBF8;&#xACBD; &#xAC80;&#xC0AC; &#xBC95; (KESM) &#xBC0F; &#xC9C1;&#xB82C; &#xBE14;&#xB85D; &#xC5BC;&#xAD74; &#xC2A4;&#xCE90;&#xB2DD; &#xC804;&#xC790; &#xD604;&#xBBF8;&#xACBD; (SBF-SEM)&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;&#xC640; &#xAC19;&#xC740; &#xB300;&#xB7C9;&#xC758; &#xC2A4;&#xB808;&#xB4DC; &#xAC19;&#xC740; &#xB370;&#xC774;&#xD130;&#xB97C; &#xCC98;&#xB9AC; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xC5EC;&#xB7EC; &#xAC00;&#xC9C0; &#xBC29;&#xBC95;&#xC744; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xBC29;&#xBC95;&#xC740; &#xC804;&#xCCB4; &#xB1CC; &#xC870;&#xC9C1;&#xC758; &#xD3EC;&#xD568; &#xB41C; &#xC0D8;&#xD50C;&#xC5D0;&#xC11C; &#xCCB4;&#xC801; &#xB370;&#xC774;&#xD130;&#xB97C; &#xC218;&#xC9D1;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC2E0;&#xACBD; &#xBC0F; microvascular &#xB370;&#xC774;&#xD130;&#xB97C; &#xC6B0;&#xB9AC;&#xAC00; &#xC778;&#xC218; &#xC587;&#xC740;, &#xBD84;&#xAE30; &#xAD6C;&#xC870; &#xB9E4;&#xC6B0; &#xD070; &#xC601;&#xC5ED; &#xD655;&#xC7A5;&#xC73C;&#xB85C; &#xAD6C;&#xC131; &#xB429;&#xB2C8;&#xB2E4;. &#xC804;&#xD1B5;&#xC801;&#xC778; &#xC2DC;&#xAC01;&#xD654; &#xAD6C;&#xC131;&#xD45C; &#xBC1C;&#xC0DD; &#xD558;&#xB294; &#xB300;&#xD615;, &#xBC00;&#xB3C4;, &#xBCF5;&#xC7A1; &#xD55C; &#xAD6C;&#xC870;&#xB97C; &#xC774;&#xD574; &#xD558;&#xB294; &#xB370; &#xCDA9;&#xBD84; &#xD558;&#xC9C0; &#xC54A;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xB294; &#xC12C;&#xC720; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xB97C; &#xD6A8;&#xACFC;&#xC801;&#xC73C;&#xB85C; &#xD0D0;&#xC0C9;&#xD560; &#xC218; &#xC788;&#xAC8C; &#xD558;&#xB824;&#xBA74; &#xC138; &#xAC00;&#xC9C0; &#xBC29;&#xBC95; &#xC8FC;&#xC18C;. GPU&#xC5D0;&#xC11C; &#xAD6C;&#xD604; &#xB41C; self-orienting &#xC11C;&#xD53C;&#xC2A4;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC758; &#xD070; &#xC9D1;&#xD569;&#xC744; &#xB80C;&#xB354;&#xB9C1; &#xD558;&#xB294; &#xC778;&#xD130;&#xB799;&#xD2F0;&#xBE0C; &#xAE30;&#xC220;&#xC744; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xB610;&#xD55C; &#xC12C;&#xC720; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xD750;&#xB984; &#xBC29;&#xD5A5;&#xC5D0; &#xB300; &#xD55C; &#xC720;&#xC6A9;&#xD55C; &#xC815;&#xBCF4;&#xB97C; &#xC81C;&#xACF5; &#xD558;&#xB294; &#xBC29;&#xC2DD;&#xC73C;&#xB85C; &#xB80C;&#xB354;&#xB9C1; &#xD558;&#xB294; &#xBC29;&#xBC95; &#xC81C;&#xC2DC;. &#xC14B;&#xC9F8;, &#xAE00;&#xB85C;&#xBC8C; &#xC77C; &#xB8E8;&#xBBF8; &#xB124;&#xC774;&#xC158; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C; &#xAE30;&#xBCF8; &#xC12C;&#xC720; &#xAD6C;&#xC870;&#xB97C; &#xAC15;&#xC870; &#xD558;&#xB294; &#xC218;&#xC900; &#xB192;&#xC740; &#xC2DC;&#xAC01;&#xD654;&#xB97C; &#xB9CC;&#xB4DC;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xAD6C;&#xD604; &#xC138;&#xBD80; &#xC0AC;&#xD56D;, &#xC131;&#xB2A5;, &#xADF8;&#xB9AC;&#xACE0; &#xC7A5;&#xC810;&#xACFC; &#xAC01; &#xBC29;&#xC2DD;&#xC758; &#xB2E8;&#xC810;&#xC744; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;.

&#xC12C;&#xC720; &#xBC0F; &#xC2A4;&#xB808;&#xB4DC; &#xAC19;&#xC740; &#xB370;&#xC774;&#xD130;&#xC758; &#xC2DC;&#xAC01;&#xD654;&#xC785;&#xB2C8;&#xB2E4;.

Estructuras filiformes son cada vez m&aacute;s comunes en conjuntos de datos volum&eacute;tricos modernos como nuestra capacidad de imagen vascular y mejora el tejido neural en resoluciones m&aacute;s altas. Las estructuras filiformes de neuronas y micro-vasos representan un &uacute;nico problema en la visualizaci&oacute;n ya que tienden a ser atestada en vol&uacute;menes peque&ntilde;os de tejido. Esto hace dif&iacute;cil para un observador interpretar patrones &uacute;tiles de las fibras individuales de datos o rastro. En este trabajo se describen varios m&eacute;todos para tratar con grandes cantidades de datos filiforme, tales como conjuntos de datos recogidos mediante microscop&iacute;a de escaneo de filo (KESM) y serie bloque cara microscop&iacute;a electr&oacute;nica (SBF-SEM). Estos m&eacute;todos permiten recopilar datos volum&eacute;tricos de encajado muestras de tejido de todo el cerebro. Los datos neuronales y microvasculares que adquirimos consiste en estructuras delgadas, de ramificaciones en regiones muy grandes. Esquemas de visualizaci&oacute;n tradicionales no son suficientes para dar sentido a las estructuras grandes, densas y complejas que encontr&oacute;. En este art&iacute;culo abordamos tres m&eacute;todos para que un usuario pueda explorar una red de fibra con eficacia. Describimos t&eacute;cnicas interactivas para la representaci&oacute;n de grandes conjuntos de neuronas con superficies self-orienting implementadas en la GPU. Tambi&eacute;n presentamos t&eacute;cnicas para la representaci&oacute;n de redes de fibra de una manera que proporciona informaci&oacute;n &uacute;til sobre el flujo y orientaci&oacute;n. En tercer lugar, un marco global de iluminaci&oacute;n se utiliza para crear visualizaciones de alta calidad que hacen hincapi&eacute; en la estructura subyacente de la fibra. Se discuten los detalles de implementaci&oacute;n, rendimiento y ventajas y desventajas de cada enfoque.

Visualizaci&oacute;n de datos fibrosos y filiforme.

&#x69CB;&#x9020;&#x306E;&#x5FAE;&#x7D30;&#x69CB;&#x9020;&#x3068;&#x751F;&#x4F53;&#x7D44;&#x7E54;&#x7D30;&#x80DE;&#x306E;&#x95A2;&#x4FC2;&#x306B;&#x3064;&#x3044;&#x3066;&#x306E;&#x91CD;&#x8981;&#x304B;&#x3064;&#x8907;&#x96D1;&#x306A;&#x554F;&#x984C;&#x3067;&#x3059;&#x3002;&#x8133;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x5909;&#x5316;&#x306F;&#x3001;&#x7279;&#x306B;&#x6162;&#x6027;&#x75BE;&#x60A3;&#x3067;&#x91CD;&#x8981;&#x306A;&#x5F79;&#x5272;&#x3092;&#x518D;&#x751F;&#x3059;&#x308B;&#x77E5;&#x3089;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x3053;&#x308C;&#x3089;&#x306E;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306F;&#x3001;&#x9855;&#x5FAE;&#x93E1;&#x30EC;&#x30D9;&#x30EB;&#x3067;&#x306E;&#x307F;&#x8868;&#x793A;&#x3055;&#x308C;&#x3001;&#x7D44;&#x7E54;&#x306E;&#x5927;&#x30DC;&#x30EA;&#x30E5;&#x30FC;&#x30E0;&#x306B;&#x307E;&#x305F;&#x304C;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x9855;&#x5FAE;&#x93E1;&#x306E;&#x6700;&#x8FD1;&#x306E;&#x9032;&#x6B69;&#x306B;&#x3088;&#x308A;&#x3001;&#x5927;&#x91CF;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x3053;&#x308C;&#x3089;&#x306E;&#x69CB;&#x9020;&#x3092;&#x518D;&#x69CB;&#x7BC9;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x306E;&#x89E3;&#x50CF;&#x5EA6;&#x3067;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x3092;&#x4F5C;&#x6210;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x9855;&#x5FAE;&#x93E1;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x306E;&#x5BC6;&#x306A;&#x8907;&#x96D1;&#x306A;&#x6027;&#x8CEA;&#x4E0A;&#x3001;&#x8868;&#x793A;&#x3055;&#x308C;&#x308B;&#x60C5;&#x5831;&#x306E;&#x91CF;&#x3092;&#x5236;&#x9650;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x91CD;&#x8981;&#x3067;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x7814;&#x7A76;&#x8005;&#x306F;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x89E3;&#x5256;&#x5B66;&#x3092;&#x9078;&#x629E;&#x7684;&#x306B;&#x63A2;&#x7D22;&#x3067;&#x304D;&#x308B;&#x30E6;&#x30CB;&#x30FC;&#x30AF;&#x306A;&#x69CB;&#x9020;&#x306E;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x30A8;&#x30F3;&#x30B3;&#x30FC;&#x30C9;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x306B;&#x3064;&#x3044;&#x3066;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x3082;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x3068;&#x7D30;&#x80DE;&#x306E;&#x95A2;&#x4FC2;&#x3092;&#x52C9;&#x5F37;&#x7814;&#x7A76;&#x8005;&#x306B;&#x6700;&#x3082;&#x4FBF;&#x5229;&#x306A;&#x30AF;&#x30A8;&#x30EA;&#x3092;&#x8B58;&#x5225;&#x3057;&#x307E;&#x3059;&#x3002;&#x7D30;&#x80DE;&#x69CB;&#x9020;&#x3068;&#x3044;&#x3046;&#x5FAE;&#x7D30;&#x8840;&#x7BA1;&#x69CB;&#x7BC9;&#x306E;&#x67A0;&#x7D44;&#x307F;&#x3092;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x308A;&#x3001;&#x7DFB;&#x5BC6;&#x3067;&#x8907;&#x96D1;&#x306A;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3067;&#x8208;&#x5473;&#x6DF1;&#x3044;&#x306E;&#x89E3;&#x5256;&#x5B66;&#x7684;&#x95A2;&#x4FC2;&#x3092;&#x63A2;&#x6C42;&#x3059;&#x308B;&#x7814;&#x7A76;&#x8005;&#x3092;&#x8A31;&#x53EF;&#x3057;&#x307E;&#x3059;&#x3002;

&#x7D30;&#x80DE;&#x3068;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x95A2;&#x4FC2;&#x306E;&#x53EF;&#x8996;&#x5316;&#x3002;

Microvasculature &#xAD6C;&#xC870;&#xC640;&#xC758; &#xAD00;&#xACC4;&#xB97C; &#xC0DD;&#xCCB4; &#xC870;&#xC9C1;&#xC5D0; &#xC788;&#xB294; &#xC138;&#xD3EC;&#xC758; &#xAD6C;&#xC870;&#xB97C; &#xC774;&#xD574; &#xD558;&#xB294; &#xAC83;&#xC740; &#xC911;&#xC694; &#xD558; &#xACE0; &#xBCF5;&#xC7A1; &#xD55C; &#xBB38;&#xC81C; &#xC774;&#xB2E4;. &#xB1CC; microvasculature &#xD2B9;&#xD788; &#xB9CC;&#xC131; &#xC9C8;&#xD658;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD55C; &#xC5ED;&#xD560;&#xC744; &#xC54C;&#xB824;&#xC838; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xC774;&#xB7EC;&#xD55C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xBBF8;&#xC138;&#xD55C; &#xC218;&#xC900;&#xC5D0;&#xC11C; &#xBCFC; &#xC218;&#xB9CC; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xBC0F; &#xC870;&#xC9C1;&#xC758; &#xD070; &#xBCFC;&#xB968;&#xC5D0; &#xAC78;&#xCCD0; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xD604;&#xBBF8;&#xACBD;&#xC5D0;&#xC11C; &#xCD5C;&#xADFC;&#xC758; &#xBC1C;&#xC804;&#xC73C;&#xB85C; &#xC778;&#xD574; &#xB300;&#xB7C9;&#xC758; &#xB370;&#xC774;&#xD130; &#xC774;&#xB7EC;&#xD55C; &#xAD6C;&#xC870;&#xB97C; &#xC7AC;&#xAD6C;&#xC131; &#xD558;&#xB294; &#xB370; &#xD544;&#xC694;&#xD55C; &#xD574;&#xC0C1;&#xB3C4;&#xC5D0; &#xBA87; &#xAD70;&#xB370; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xD604;&#xBBF8;&#xACBD; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC758; &#xC870;&#xBC00; &#xD558; &#xACE0; &#xBCF5;&#xC7A1; &#xD55C; &#xD2B9;&#xC131;&#xC73C;&#xB85C; &#xC778;&#xD574; &#xADF8;&#xAC83;&#xC740; &#xD45C;&#xC2DC; &#xB418;&#xB294; &#xC815;&#xBCF4;&#xC758; &#xC591;&#xC744; &#xC81C;&#xD55C; &#xD558;&#xB294; &#xAC83;&#xC774; &#xC911;&#xC694;&#xC785;&#xB2C8;&#xB2E4;. &#xC774; &#xC2E0;&#xBB38;&#xC5D0; &#xC6B0;&#xB9AC; &#xC120;&#xD0DD;&#xC801;&#xC73C;&#xB85C; microvascular &#xD574;&#xBD80;&#xD559;&#xC744; &#xD0D0;&#xAD6C; &#xD558;&#xB294; &#xC5F0;&#xAD6C;&#xC790; &#xC218; &#xC788;&#xB3C4;&#xB85D; microvascular &#xB370;&#xC774;&#xD130;&#xC758; &#xB3C5;&#xD2B9;&#xD55C; &#xAD6C;&#xC870;&#xB97C; &#xC778;&#xCF54;&#xB529;&#xD558;&#xB294; &#xBC29;&#xBC95;&#xC744; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xB610;&#xD55C; microvascular &#xBC0F; &#xC140;&#xB8F0;&#xB7EC; &#xAD00;&#xACC4;&#xB97C; &#xACF5;&#xBD80; &#xD558; &#xACE0; &#xC5F0;&#xAD6C;&#xC790;&#xC5D0; &#xAC8C; &#xAC00;&#xC7A5; &#xC720;&#xC6A9;&#xD55C; &#xCFFC;&#xB9AC;&#xB97C; &#xC2DD;&#xBCC4; &#xD569;&#xB2C8;&#xB2E4;. Microvascular &#xC6B0;&#xB9AC;&#xC758; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;&#xC640; &#xC138;&#xD3EC; &#xAD6C;&#xC870;&#xB97C; &#xC5F0;&#xACB0; &#xD558; &#xC5EC; &#xBC00;&#xB3C4; &#xBC0F; &#xBCF5;&#xC7A1; &#xD55C; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC5D0;&#xC11C; &#xD765;&#xBBF8;&#xB85C;&#xC6B4; &#xD574;&#xBD80;&#xD559; &#xC801; &#xAD00;&#xACC4;&#xB97C; &#xD0D0;&#xAD6C; &#xD558;&#xB294; &#xC5F0;&#xAD6C;&#xC6D0;&#xC744; &#xD5C8;&#xC6A9;.

&#xC140;&#xB8F0;&#xB7EC; &#xBC0F; microvascular &#xAD00;&#xACC4;&#xC758; &#xC2DC;&#xAC01;&#xD654;&#xC785;&#xB2C8;&#xB2E4;.

Capire la struttura del microvasculature strutture e loro relazione con le cellule in tessuti biologici &egrave; un problema importante e complesso. Microvasculature cervello in particolare &egrave; noto per svolgere un ruolo importante nelle malattie croniche. Tuttavia, queste reti sono visibili solo a livello microscopico e possono estendersi a grandi volumi di tessuto. A causa di recenti progressi della microscopia, grandi volumi di dati possono essere imaged alla risoluzione necessaria per ricostruire queste strutture. A causa della natura complessa e densa di insiemi di dati di microscopia, &egrave; importante limitare la quantit&agrave; di informazioni visualizzate. In questo articolo, descriviamo metodi per la codifica la struttura unica di dati microvascolare, permettendo ai ricercatori di esplorare in modo selettivo anatomia microvascolare. Abbiamo anche identificare le query pi&ugrave; utile ai ricercatori di studiare relazioni microvascolare e cellulare. Associando strutture cellulari con la nostra struttura microvascolare, ci permettono ai ricercatori di esplorare interessanti relazioni anatomiche in densi e complessi insiemi di dati.

Visualizzazione dei rapporti Microvascolari e cellulari.

&#x7406;&#x89E3;&#x7684;&#x5FAE;&#x8840;&#x7BA1;&#x7ED3;&#x6784;&#x548C;&#x5B83;&#x4EEC;&#x4E0E;&#x7EC6;&#x80DE;&#x5728;&#x751F;&#x7269;&#x7EC4;&#x7EC7;&#x4E2D;&#x7684;&#x5173;&#x7CFB;&#x7ED3;&#x6784;&#x662F;&#x4E00;&#x4E2A;&#x91CD;&#x8981;&#x548C;&#x590D;&#x6742;&#x7684;&#x95EE;&#x9898;&#x3002;&#x5C24;&#x5176;&#x662F;&#x5927;&#x8111;&#x5FAE;&#x8840;&#x7BA1;&#x4F17;&#x6240;&#x5468;&#x77E5;&#xFF0C;&#x5728;&#x6162;&#x6027;&#x75BE;&#x75C5;&#x4E2D;&#x53D1;&#x6325;&#x7740;&#x91CD;&#x8981;&#x7684;&#x4F5C;&#x7528;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x8FD9;&#x4E9B;&#x7F51;&#x7EDC;&#x624D;&#x53EF;&#x4EE5;&#x770B;&#x5230;&#x5728;&#x5FAE;&#x89C2;&#x5C42;&#x9762;&#xFF0C;&#x53EF;&#x4EE5;&#x8DE8;&#x7EC4;&#x7EC7;&#x7684;&#x5927;&#x5377;&#x3002;&#x7531;&#x4E8E;&#x5728;&#x663E;&#x5FAE;&#x955C;&#x4E2D;&#x7684;&#x6700;&#x65B0;&#x8FDB;&#x5C55;&#xFF0C;&#x53EF;&#x4EE5;&#x91CD;&#x5EFA;&#x8FD9;&#x4E9B;&#x7ED3;&#x6784;&#x6240;&#x9700;&#x7684;&#x5206;&#x8FA8;&#x7387;&#x6210;&#x50CF;&#x6570;&#x636E;&#x91CF;&#x5F88;&#x5927;&#x3002;&#x7531;&#x4E8E;&#x5BC6;&#x96C6;&#x548C;&#x590D;&#x6742;&#x7684;&#x663E;&#x5FAE;&#x955C;&#x6570;&#x636E;&#x96C6;&#x7684;&#x6027;&#x8D28;&#xFF0C;&#x5B83;&#x662F;&#x91CD;&#x8981;&#x7684;&#x662F;&#x8981;&#x9650;&#x5236;&#x663E;&#x793A;&#x7684;&#x4FE1;&#x606F;&#x91CF;&#x3002;&#x5728;&#x672C;&#x767D;&#x76AE;&#x4E66;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x63CF;&#x8FF0;&#x4E86;&#x65B9;&#x6CD5;&#x7F16;&#x7801;&#x552F;&#x4E00;&#x6570;&#x636E;&#x7ED3;&#x6784;&#x7684;&#x5FAE;&#x8840;&#x7BA1;&#xFF0C;&#x4F7F;&#x7814;&#x7A76;&#x4EBA;&#x5458;&#x80FD;&#x591F;&#x6709;&#x9009;&#x62E9;&#x6027;&#x5730;&#x63A2;&#x8BA8;&#x5FAE;&#x8840;&#x7BA1;&#x7684;&#x89E3;&#x5256;&#x3002;&#x6211;&#x4EEC;&#x8FD8;&#x786E;&#x5B9A;&#x4E86;&#x5BF9;&#x7814;&#x7A76;&#x4EBA;&#x5458;&#x7814;&#x7A76;&#x5FAE;&#x8840;&#x7BA1;&#x548C;&#x7EC6;&#x80DE;&#x5173;&#x7CFB;&#x6700;&#x6709;&#x7528;&#x7684;&#x67E5;&#x8BE2;&#x3002;&#x901A;&#x8FC7;&#x7ED3;&#x5408;&#x8702;&#x7A9D;&#x7ED3;&#x6784;&#x4E0E;&#x6211;&#x4EEC;&#x5FAE;&#x8840;&#x7BA1;&#x7684;&#x6846;&#x67B6;&#xFF0C;&#x6211;&#x4EEC;&#x5141;&#x8BB8;&#x7814;&#x7A76;&#x4EBA;&#x5458;&#x63A2;&#x7D22;&#x6709;&#x8DA3;&#x7684;&#x89E3;&#x5256;&#x5173;&#x7CFB;&#xFF0C;&#x5728;&#x5BC6;&#x96C6;&#x548C;&#x590D;&#x6742;&#x7684;&#x6570;&#x636E;&#x96C6;&#x3002;

&#x53EF;&#x89C6;&#x5316;&#x7684;&#x7EC6;&#x80DE;&#x548C;&#x5FAE;&#x8840;&#x7BA1;&#x7684;&#x5173;&#x7CFB;&#x3002;

Understanding the structure of microvasculature structures and their relationship to cells in biological tissue is an important and complex problem. Brain microvasculature in particular is known to play an important role in chronic diseases. However, these networks are only visible at the microscopic level and can span large volumes of tissue. Due to recent advances in microscopy, large volumes of data can be imaged at the resolution necessary to reconstruct these structures. Due to the dense and complex nature of microscopy data sets, it is important to limit the amount of information displayed. In this paper, we describe methods for encoding the unique structure of microvascular data, allowing researchers to selectively explore microvascular anatomy. We also identify the queries most useful to researchers studying microvascular and cellular relationships. By associating cellular structures with our microvascular framework, we allow researchers to explore interesting anatomical relationships in dense and complex data sets.

Visualization of cellular and microvascular relationships.

C&#39;est un probl&egrave;me important et complex de comprendre la structure des structures capillaires et leur relation avec les cellules dans les tissus biologiques. Capillaires du cerveau est en particulier connu pour jouer un r&ocirc;le important dans les maladies chroniques. Cependant, ces r&eacute;seaux n&#39;est visibles qu&#39;au niveau microscopique et peut couvrir de grandes quantit&eacute;s de tissu. En raison des progr&egrave;s r&eacute;cents en microscopie, les gros volumes de donn&eacute;es peuvent &ecirc;tre photographi&eacute;es &agrave; la r&eacute;solution n&eacute;cessaire pour reconstituer ces structures. En raison de la nature dense et complexe des ensembles de donn&eacute;es de microscopie, il est important de limiter la quantit&eacute; d&#39;informations affich&eacute;es. Dans cet article, nous d&eacute;crivons des m&eacute;thodes pour le codage de la structure unique des donn&eacute;es microvasculaires, permettant aux chercheurs d&#39;&eacute;tudier s&eacute;lectivement anatomie microvasculaire. Nous identifions &eacute;galement les requ&ecirc;tes plus utiles aux chercheurs qui &eacute;tudient les relations microvasculaires et cellulaires. En associant les structures cellulaires avec notre cadre microvasculaire, nous permettent aux chercheurs d&#39;explorer les rapports anatomiques int&eacute;ressantes dans les ensembles de donn&eacute;es denses et complexes.

Visualisation des relations cellulaires et microvasculaires.

Grundlegendes zur Struktur von Microvasculature Strukturen und deren Beziehung zu Zellen in biologischen Geweben ist ein wichtiges und komplexes Problem. Gehirn Microvasculature ist insbesondere bekannt, dass bei chronischen Krankheiten eine wichtige Rolle spielen. Jedoch diese Netze sind nur auf der mikroskopischen Ebene sichtbar und k&ouml;nnen gro&szlig;e Mengen von Gewebe erstrecken. Aufgrund der j&uuml;ngsten Fortschritte in der Mikroskopie k&ouml;nnen gro&szlig;e Datenmengen bei der Aufl&ouml;sung notwendig, diese Strukturen zu rekonstruieren abgebildet werden. Aufgrund der dichten und komplexen Natur der Mikroskopie-Datens&auml;tze ist es wichtig, die Menge der angezeigten Informationen begrenzen. In diesem Beitrag beschreiben wir Methoden f&uuml;r das Codieren der einzigartigen Struktur der mikrovaskul&auml;re Daten erlauben Forschern, mikrovaskul&auml;re Anatomie selektiv zu erkunden. Wir erkennen auch die n&uuml;tzlichsten Forscher studieren mikrovaskul&auml;re und zellul&auml;re Beziehungen Abfragen. Durch unser mikrovaskul&auml;re Framework zellul&auml;re Strukturen zuordnen, gestatten wir Forscher, interessante anatomische Beziehungen in dichten und komplexen Datens&auml;tzen zu erkunden.

Visualisierung der zellul&auml;ren und mikrovaskul&auml;re Beziehungen.

Entender la estructura de las estructuras de la microvasculatura y su relaci&oacute;n con las c&eacute;lulas en el tejido biol&oacute;gico es un problema importante y complejo. Microvasculatura cerebral en particular es conocido por jugar un papel importante en las enfermedades cr&oacute;nicas. Sin embargo, estas redes s&oacute;lo son visibles a nivel microsc&oacute;pico y pueden abarcar grandes vol&uacute;menes de tejido. Debido a los recientes avances en microscop&iacute;a, grandes vol&uacute;menes de datos pueden ser reflejadas en la resoluci&oacute;n necesaria para reconstruir estas estructuras. Debido a la naturaleza densa y compleja de conjuntos de datos de microscop&iacute;a, es importante limitar la cantidad de la informaci&oacute;n mostrada. En este trabajo, nos describen m&eacute;todos para codificar la estructura &uacute;nica de datos microvasculares, permitiendo a los investigadores a explorar selectivamente la anatom&iacute;a microvascular. Tambi&eacute;n identificamos las consultas m&aacute;s &uacute;tiles a los investigadores estudiar relaciones microvasculares y celulares. Asociando las estructuras celulares con nuestro marco microvascular, nos permiten a los investigadores a explorar interesantes relaciones anat&oacute;micas en conjuntos de datos densas y complejas.

Visualizaci&oacute;n de relaciones microvasculares y celulares.

&#x6211;&#x4EEC;&#x63D0;&#x51FA;&#x4E00;&#x4E2A;&#x6846;&#x67B6;&#x7528;&#x4E8E;&#x5206;&#x5272;&#x548C;&#x5B58;&#x50A8;&#x957F;&#x4E1D;&#x7F51;&#x7EDC;&#x4ECE;&#x6807;&#x91CF;&#x5377;&#x6570;&#x636E;&#x3002;&#x957F;&#x4E1D;&#x7F51;&#x7EDC;&#x53D8;&#x5F97;&#x8D8A;&#x6765;&#x8D8A;&#x5E38;&#x7528;&#x4E2D;&#x9047;&#x5230;&#x7531;&#x4E8E;&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x663E;&#x5FAE;&#x955C;&#x7814;&#x7A76;&#x8FDB;&#x5C55;&#x751F;&#x7269;&#x533B;&#x5B66;&#x6210;&#x50CF;&#x3002;&#x8FD9;&#x4E9B;&#x6570;&#x636E;&#x96C6;&#x7684;&#x7279;&#x70B9;&#x662F;&#x4E00;&#x4E2A;&#x590D;&#x6742;&#x7684;&#x6807;&#x91CF;&#x6570;&#x91CF;&#x5B57;&#x6BB5;&#x4E2D;&#x5D4C;&#x5165;&#x7684;&#x8584;&#x4E1D;&#x7684;&#x5BB9;&#x79EF;&#x7F51;&#x7EDC;&#x3002;&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x663E;&#x5FAE;&#x955C;&#x5377;&#x4E5F;&#x96BE;&#x4E8E;&#x7BA1;&#x7406;&#x56E0;&#x4E3A;&#x4ED6;&#x4EEC;&#x53EF;&#x4EE5;&#x8981;&#x6C42;&#x51E0;&#x4E2A; tb &#x7684;&#x5B58;&#x50A8;&#x7A7A;&#x95F4;&#xFF0C;&#x5373;&#x4F7F;&#x5D4C;&#x5165;&#x7ED3;&#x6784;&#x7684;&#x603B;&#x4F53;&#x79EF;&#x8981;&#x5C0F;&#x5F97;&#x591A;&#x3002;&#x5728;&#x663E;&#x5FAE;&#x955C;&#x6570;&#x636E;&#x96C6;&#x4E1D;&#x5F88;&#x96BE;&#x90E8;&#x5206;&#xFF0C;&#x56E0;&#x4E3A;&#x5176;&#x76F4;&#x5F84;&#x5F80;&#x5F80;&#x662F;&#x9644;&#x8FD1;&#x7684;&#x91C7;&#x6837;&#x5206;&#x8FA8;&#x7387;&#x7684;&#x663E;&#x5FAE;&#x955C;&#xFF0C;&#x7136;&#x800C;&#xFF0C;&#x8FD9;&#x4E9B;&#x7F51;&#x7EDC;&#x53EF;&#x4EE5;&#x8DE8;&#x5927;&#x533A;&#x57DF;&#x7684;&#x6570;&#x636E;&#x96C6;&#x3002;&#x6211;&#x4EEC;&#x5C06;&#x4ECB;&#x7ECD;&#x5230;&#x6807;&#x91CF;&#x5377;&#x6570;&#x636E;&#x96C6;&#x901A;&#x8FC7;&#x8DDF;&#x8E2A;&#x4E1D;&#x5608;&#x6742;&#x548C;&#x6B20;&#x91C7;&#x6837;&#x6570;&#x636E;&#x5F3A;&#x52B2;&#x7684;&#x65B0;&#x65B9;&#x6CD5;&#x3002;&#x6211;&#x4EEC;&#x4F7F;&#x7528;&#x56FE;&#x5F62;&#x786C;&#x4EF6;&#x52A0;&#x901F;&#x7684;&#x8DDF;&#x8E2A;&#x7B97;&#x6CD5;&#xFF0C;&#x4F7F;&#x5B83;&#x5BF9;&#x5927;&#x578B;&#x6570;&#x636E;&#x96C6;&#x66F4;&#x6709;&#x7528;&#x3002;&#x521D;&#x59CB;&#x7684;&#x7F51;&#x7EDC;&#x8DDF;&#x8E2A;&#x540E;&#xFF0C;&#x6211;&#x4EEC;&#x4F7F;&#x7528;&#x4E00;&#x79CD;&#x9AD8;&#x6548;&#x7684;&#x7F16;&#x7801;&#x65B9;&#x6848;&#x6765;&#x5B58;&#x50A8;&#x6709;&#x5173;&#x7F51;&#x7EDC;&#x7684;&#x5BB9;&#x79EF;&#x6570;&#x636E;&#x3002;

&#x786C;&#x4EF6;&#x52A0;&#x901F;&#x590D;&#x6742;&#x4F53;&#x79EF;&#x957F;&#x4E1D;&#x7F51;&#x7EDC;&#x7684;&#x5206;&#x5272;&#x3002;

We present a framework for segmenting and storing filament networks from scalar volume data. Filament networks are encountered more and more commonly in biomedical imaging due to advances in high-throughput microscopy. These data sets are characterized by a complex volumetric network of thin filaments embedded in a scalar volume field. High-throughput microscopy volumes are also difficult to manage since they can require several terabytes of storage, even though the total volume of the embedded structure is much smaller. Filaments in microscopy data sets are difficult to segment because their diameter is often near the sampling resolution of the microscope, yet these networks can span large regions of the data set. We describe a novel method to trace filaments through scalar volume data sets that is robust to both noisy and undersampled data. We use graphics hardware to accelerate the tracing algorithm, making it more useful for large data sets. After the initial network is traced, we use an efficient encoding scheme to store volumetric data pertaining to the network.

Hardware accelerated segmentation of complex volumetric filament networks.

Nous pr&eacute;sentons un cadre pour segmenter et r&eacute;seaux de filaments de donn&eacute;es scalaires de volume de stockage. R&eacute;seaux de filaments sont plus commun&eacute;ment rencontr&eacute;es en imagerie biom&eacute;dicale en raison des progr&egrave;s la microscopie de haut d&eacute;bit. Ces ensembles de donn&eacute;es sont caract&eacute;ris&eacute;s par un r&eacute;seau complexe de volum&eacute;trique de minces filaments incorpor&eacute; dans un champ scalaire de volume. Volumes de microscopie de haut-d&eacute;bit sont &eacute;galement difficiles &agrave; g&eacute;rer, car ils peuvent exiger plusieurs t&eacute;ra-octets de stockage, m&ecirc;me si le volume total de la structure incorpor&eacute;e est beaucoup plus petit. Filaments dans la microscopie des ensembles de donn&eacute;es sont difficiles &agrave; segment parce que leur diam&egrave;tre est souvent pr&egrave;s de la r&eacute;solution d&#39;&eacute;chantillonnage du microscope, mais ces r&eacute;seaux peut couvrir de grandes r&eacute;gions de l&#39;ensemble de donn&eacute;es. Nous d&eacute;crivons une nouvelle m&eacute;thode aux filaments de trace &agrave; travers les ensembles de donn&eacute;es scalaires volume robuste aux donn&eacute;es bruyantes et sous-&eacute;chantillonn&eacute;s. Nous utilisons le mat&eacute;riel graphique pour acc&eacute;l&eacute;rer l&#39;algorithme de tra&ccedil;age, rend plus utile pour les grands ensembles de donn&eacute;es. Apr&egrave;s que le r&eacute;seau initial est trac&eacute;, nous utilisons un codage efficace pour stocker des donn&eacute;es volum&eacute;triques relatives au r&eacute;seau.

Segmentation des r&eacute;seaux complexes de filament volum&eacute;trique avec acc&eacute;l&eacute;ration mat&eacute;rielle.

Wir pr&auml;sentieren Ihnen einen Rahmen f&uuml;r die Segmentierung und Speicherung Filament-Netzwerken von skalaren Volume-Daten. Filament-Netzwerke sind mehr und mehr allgemein in biomedizinische Bildgebung aufgrund der Fortschritte im Hochdurchsatz-Mikroskopie gefunden. Diese Daten-Sets zeichnen sich durch ein komplexes Volumetrische Netzwerk d&uuml;nner Filamente in einem skalaren Band Feld eingebettet. Hochdurchsatz-Mikroskopie-Volumes sind auch schwierig zu handhaben, da sie mehrere Terabyte an Speicher, erfordern k&ouml;nnen, obwohl das Gesamtvolumen der eingebetteten Struktur viel kleiner ist. Filamente in Mikroskopie-Datens&auml;tzen sind schwer zu Segment, weil ihr Durchmesser oft in der N&auml;he der Sampling-Aufl&ouml;sung des Mikroskops ist, doch diese Netzwerke k&ouml;nnen gro&szlig;e Regionen des Datasets erstrecken. Wir beschreiben eine neuartige Methode zur Ablaufverfolgung Filamente durch skalare Volume-Daten-Sets, die sowohl laut als auch undersampled Daten robust ist. Wir verwenden die Grafikhardware, um den Ablaufverfolgung-Algorithmus zu beschleunigen, so dass es mehr n&uuml;tzlich f&uuml;r gro&szlig;e Datenmengen. Nachdem das erste Netzwerk verfolgt wird, verwenden wir ein effizientes Codierungsschema, um Volumetrische Daten in Bezug auf das Netzwerk zu speichern.

Hardware-beschleunigte Segmentierung und komplexe Volumetrische Filament-Netzwerke.

Vi presentiamo un quadro per la segmentazione e l&#39;archiviazione di reti filamento da dati scalari volume. Reti di filamento si incontrano pi&ugrave; comunemente in imaging biomedico a causa dei progressi della microscopia ad alta velocit&agrave;. Questi insiemi di dati sono caratterizzati da una complessa rete volumetrica di sottili filamenti incorporati in un campo scalare volume. Volumi di microscopia ad alta velocit&agrave; sono anche difficili da gestire poich&eacute; essi possono richiedere diversi terabyte di spazio di archiviazione, anche se il volume totale della struttura incorporata &egrave; molto pi&ugrave; piccolo. Filamenti in insiemi di dati di microscopia sono difficili da segmento perch&eacute; il loro diametro &egrave; spesso vicino alla risoluzione di campionamento del microscopio, eppure queste reti possono estendersi a grandi regioni del set di dati. Descriviamo un metodo romanzo a filamenti traccia attraverso insiemi di dati scalari volume che &egrave; robusto rumoroso e visualizzazioni dati. Utilizziamo hardware grafico per accelerare l&#39;algoritmo di analisi, che lo rende pi&ugrave; utile per grandi insiemi di dati. Dopo la rete iniziale viene tracciata, usiamo un schema di codifica efficiente per immagazzinare volumetrici dei dati relativi alla rete.

Segmentazione delle reti complesse filamento volumetrico con accelerazione hardware.

&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C8;&#x5316;&#x3068;&#x30D5;&#x30A3;&#x30E9;&#x30E1;&#x30F3;&#x30C8;&#x306E;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF; &#x30B9;&#x30AB;&#x30E9;&#x30FC; &#x30DC;&#x30EA;&#x30E5;&#x30FC;&#x30E0; &#x30C7;&#x30FC;&#x30BF;&#x304B;&#x3089;&#x3092;&#x683C;&#x7D0D;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30D5;&#x30A3;&#x30E9;&#x30E1;&#x30F3;&#x30C8; &#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3088;&#x308A;&#x4E00;&#x822C;&#x7684;&#x751F;&#x4F53;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x9855;&#x5FAE;&#x93E1;&#x306B;&#x3088;&#x308B;&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x306E;&#x9032;&#x6B69;&#x306E;&#x305F;&#x3081;&#x306B;&#x767A;&#x751F;&#x3059;&#x308B;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x306F;&#x30B9;&#x30AB;&#x30E9;&#x30FC; &#x30DC;&#x30EA;&#x30E5;&#x30FC;&#x30E0; &#x30D5;&#x30A3;&#x30FC;&#x30EB;&#x30C9;&#x306B;&#x57CB;&#x3081;&#x8FBC;&#x307E;&#x308C;&#x3066;&#x7D30;&#x3044;&#x30D5;&#x30A3;&#x30E9;&#x30E1;&#x30F3;&#x30C8;&#x306E;&#x8907;&#x96D1;&#x306A;&#x4F53;&#x7A4D;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306B;&#x3088;&#x3063;&#x3066;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x307E;&#x3059;&#x3002;&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x9855;&#x5FAE;&#x93E1;&#x30DC;&#x30EA;&#x30E5;&#x30FC;&#x30E0;&#x3082;&#x6570;&#x30C6;&#x30E9;&#x30D0;&#x30A4;&#x30C8;&#x306E;&#x30B9;&#x30C8;&#x30EC;&#x30FC;&#x30B8;&#x3092;&#x5FC5;&#x8981;&#x3068;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x306E;&#x3067;&#x3001;&#x57CB;&#x3081;&#x8FBC;&#x307F;&#x69CB;&#x9020;&#x4F53;&#x306E;&#x5408;&#x8A08;&#x91CF;&#x306F;&#x306F;&#x308B;&#x304B;&#x306B;&#x5C0F;&#x3055;&#x3044;&#x3067;&#x3059;&#x306B;&#x3082;&#x304B;&#x304B;&#x308F;&#x3089;&#x305A;&#x3092;&#x7BA1;&#x7406;&#x304C;&#x56F0;&#x96E3;&#x3067;&#x3059;&#x3002;&#x30D5;&#x30A3;&#x30E9;&#x30E1;&#x30F3;&#x30C8;&#x9855;&#x5FAE;&#x93E1;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3067;&#x306F;&#x3001;&#x305D;&#x308C;&#x3089;&#x306E;&#x76F4;&#x5F84;&#x306F;&#x3001;&#x3057;&#x3070;&#x3057;&#x3070;&#x3001;&#x9855;&#x5FAE;&#x93E1;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x89E3;&#x50CF;&#x5EA6;&#x8FD1;&#x304F;&#x3067;&#x3059;&#x307E;&#x3060;&#x3053;&#x308C;&#x3089;&#x306E;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306F;&#x3001;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x306E;&#x5927;&#x304D;&#x3044;&#x5730;&#x57DF;&#x3092;&#x307E;&#x305F;&#x304C;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x306E;&#x3067;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C8;&#x306B;&#x56F0;&#x96E3;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x3001;&#x9A12;&#x3005;&#x3057;&#x3044;&#x3068;&#x904E;&#x5C11;&#x6A19;&#x672C;&#x30C7;&#x30FC;&#x30BF;&#x306B;&#x5805;&#x7262;&#x306A;&#x5C0F;&#x8AAC;&#x306E;&#x30E1;&#x30BD;&#x30C3;&#x30C9; &#x30C8;&#x30EC;&#x30FC;&#x30B9; &#x30D5;&#x30A3;&#x30E9;&#x30E1;&#x30F3;&#x30C8; &#x30B9;&#x30AB;&#x30E9;&#x30FC; &#x30DC;&#x30EA;&#x30E5;&#x30FC;&#x30E0; &#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3092;&#x4ECB;&#x3057;&#x3066;&#x306B;&#x306B;&#x3064;&#x3044;&#x3066;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x3001;&#x5927;&#x91CF;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x3088;&#x308A;&#x4F7F;&#x3044;&#x3084;&#x3059;&#x304F;&#x30C8;&#x30EC;&#x30FC;&#x30B9; &#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x52A0;&#x901F;&#x3059;&#x308B;&#x306E;&#x306B;&#x30B0;&#x30E9;&#x30D5;&#x30A3;&#x30C3;&#x30AF;&#x30B9; &#x30CF;&#x30FC;&#x30C9;&#x30A6;&#x30A7;&#x30A2;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;&#x6700;&#x521D;&#x306E;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x30C8;&#x30EC;&#x30FC;&#x30B9;&#x3057;&#x305F;&#x5F8C;&#x3001;&#x52B9;&#x7387;&#x7684;&#x306A;&#x7B26;&#x53F7;&#x5316;&#x65B9;&#x5F0F;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306B;&#x4FC2;&#x308B;&#x4F53;&#x7A4D;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x683C;&#x7D0D;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30CF;&#x30FC;&#x30C9;&#x30A6;&#x30A7;&#x30A2;&#x306E;&#x8907;&#x96D1;&#x306A;&#x4F53;&#x7A4D;&#x30D5;&#x30A3;&#x30E9;&#x30E1;&#x30F3;&#x30C8; &#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x52A0;&#x901F;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;

&#xC138;&#xADF8;&#xBA3C;&#xD2B8; &#xBC0F; &#xD544; &#xB77C; &#xBA58; &#xD2B8; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC5D0;&#xC11C; &#xC2A4;&#xCE7C;&#xB77C; &#xBCFC;&#xB968; &#xB370;&#xC774;&#xD130; &#xC800;&#xC7A5;&#xC744; &#xC704;&#xD55C; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;&#xB97C; &#xC18C;&#xAC1C; &#xD569;&#xB2C8;&#xB2E4;. &#xD544; &#xB77C; &#xBA58; &#xD2B8; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xBC1C;&#xC0DD; &#xB354; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &#xB192;&#xC740; &#xC2A4;&#xB8E8;&#xD48B; &#xD604;&#xBBF8;&#xACBD;&#xC758; &#xBC1C;&#xC804;&#xC73C;&#xB85C; &#xC778;&#xD574; &#xC0DD;&#xBB3C; &#xC758;&#xD559; &#xC601;&#xC0C1;. &#xC774;&#xB7EC;&#xD55C; &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xB294; &#xC2A4;&#xCE7C;&#xB77C; &#xBCFC;&#xB968; &#xD544;&#xB4DC;&#xC5D0; &#xD3EC;&#xD568; &#xB41C; &#xC587;&#xC740; &#xD544; &#xB77C; &#xBA58; &#xD2B8;&#xC758; &#xBCF5;&#xC7A1; &#xD55C; &#xCCB4;&#xC801; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC5D0; &#xC758;&#xD574; &#xD2B9;&#xC9D5;&#xC785;&#xB2C8;&#xB2E4;. &#xB192;&#xC740; &#xCC98;&#xB9AC;&#xB7C9; &#xD604;&#xBBF8;&#xACBD; &#xBCFC;&#xB968; &#xD3EC;&#xD568; &#xB41C; &#xAD6C;&#xC870;&#xCCB4;&#xC758; &#xC804;&#xCCB4; &#xBCFC;&#xB968; &#xD6E8;&#xC52C; &#xC791;&#xC2B5;&#xB2C8;&#xB2E4; &#xACBD;&#xC6B0;&#xC5D0; &#xADF8;&#xB4E4;&#xC740; &#xC5EC;&#xB7EC; &#xD14C;&#xB77C;&#xBC14;&#xC774;&#xD2B8;&#xC758; &#xC2A4;&#xD1A0;&#xB9AC;&#xC9C0;, &#xD544;&#xC694; &#xC218; &#xAD00;&#xB9AC; &#xD558;&#xAE30; &#xC5B4;&#xB824;&#xC6B4; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xD604;&#xBBF8;&#xACBD; &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xC5D0; &#xD544; &#xB77C; &#xBA58; &#xD2B8;&#xB294; &#xADF8;&#xB4E4;&#xC758; &#xC9C1;&#xACBD;, &#xD604;&#xBBF8;&#xACBD;&#xC758; &#xC0D8;&#xD50C;&#xB9C1; &#xD574;&#xC0C1;&#xB3C4; &#xAC00;&#xAE4C;&#xC774; &#xC885;&#xC885;&#xC740; &#xC544;&#xC9C1; &#xC774;&#xB7EC;&#xD55C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC758; &#xD070; &#xC601;&#xC5ED;&#xC5D0; &#xAC78;&#xCCD0; &#xC788;&#xC744; &#xC218; &#xC788;&#xAE30; &#xB54C;&#xBB38;&#xC5D0; &#xC5B4;&#xB824;&#xC6B4; &#xC138;&#xADF8;&#xBA3C;&#xD2B8;&#xB97C;. &#xC6B0;&#xB9AC; &#xCD94;&#xC801; &#xC2A4;&#xCE7C;&#xB77C; &#xBCFC;&#xB968; &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xB97C; &#xD1B5;&#xD574; &#xD544; &#xB77C; &#xBA58; &#xD2B8;&#xB97C; &#xAC15;&#xB825;&#xD55C; &#xC2DC;&#xB044;&#xB7EC;&#xC6B4; &#xBC0F; &#xC5B8;&#xB354;&#xC0D8;&#xD50C;&#xB9C1;&#xB41C; &#xB370;&#xC774;&#xD130;&#xC758; &#xC0C8;&#xB85C;&#xC6B4; &#xBC29;&#xBC95;&#xC744; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xAC00; &#xB9CC;&#xB4DC;&#xB294; &#xB354; &#xD070; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC5D0; &#xB300; &#xD55C; &#xC720;&#xC6A9;&#xD55C; &#xCD94;&#xC801; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xAC00;&#xC18D; &#xADF8;&#xB798;&#xD53D; &#xD558;&#xB4DC;&#xC6E8;&#xC5B4;&#xB97C; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. &#xCD08;&#xAE30; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xCD94;&#xC801; &#xD6C4; &#xC6B0;&#xB9AC; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC5D0; &#xAD00;&#xB828; &#xB41C; &#xCCB4;&#xC801; &#xB370;&#xC774;&#xD130; &#xC800;&#xC7A5; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xC778;&#xCF54;&#xB529; &#xAD6C;&#xC131;&#xD45C;&#xB97C; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;.

&#xBCF5;&#xC7A1; &#xD55C; &#xCCB4;&#xC801; &#xD544; &#xB77C; &#xBA58; &#xD2B8; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xD558;&#xB4DC;&#xC6E8;&#xC5B4; &#xAC00;&#xC18D; &#xC138;&#xBD84;&#xD654;&#xC785;&#xB2C8;&#xB2E4;.

Presentamos un marco para segmentar y redes de filamento de datos escalares del volumen de almacenamiento. Redes de filamentos se encuentran m&aacute;s com&uacute;nmente en im&aacute;genes biom&eacute;dicas debido a los avances en microscop&iacute;a de alto rendimiento. Estos conjuntos de datos se caracterizan por una compleja red volum&eacute;trica de filamentos finos incrustado en un campo escalar de volumen. Vol&uacute;menes de microscopia de alto rendimiento tambi&eacute;n son dif&iacute;ciles de manejar ya que puede requerir varios terabytes de almacenamiento, a pesar de que el volumen total de la estructura embebido es mucho menor. Filamentos en conjuntos de datos de microscop&iacute;a son dif&iacute;ciles de segmento, ya que su di&aacute;metro es a menudo cerca de la resoluci&oacute;n de muestreo del microscopio, sin embargo, estas redes pueden abarcar grandes regiones del conjunto de datos. Describimos un m&eacute;todo novedoso a los filamentos de la traza a trav&eacute;s de conjuntos de datos escalares del volumen que es robusto a datos tanto ruidos y sobremuestreados. Utilizamos el hardware de gr&aacute;ficos para acelerar el algoritmo de seguimiento, lo que es m&aacute;s &uacute;til para grandes conjuntos de datos. Despu&eacute;s se traza la red inicial, utilizamos un esquema de codificaci&oacute;n eficiente para almacenar datos volum&eacute;tricos pertenecientes a la red.

Segmentaci&oacute;n de redes complejas filamento volum&eacute;trica de la aceleraci&oacute;n de hardware.

We present an inference-based surface reconstruction algorithm that is capable of identifying objects of interest amongst a cluttered scene, and reconstructing solid model representations even in the presence of occluded surfaces. Our proposed approach incorporates a predictive modeling framework that uses a set of user provided models for prior knowledge, and applies this knowledge to the iterative identification and construction process. Our approach uses a local to global construction process guided by rules for fitting high quality surface patches obtained from these prior models. We demonstrate the application of this algorithm on several example datasets containing heavy clutter and occlusion.

Inference-Based Surface Reconstruction of Cluttered Environments.

&#x6211;&#x4EEC;&#x63D0;&#x51FA;&#x57FA;&#x4E8E;&#x63A8;&#x7406;&#x7684;&#x8868;&#x9762;&#x91CD;&#x5EFA;&#x7684;&#x7B97;&#x6CD5;&#xFF0C;&#x5219;&#x80FD;&#x591F;&#x67E5;&#x660E;&#x5176;&#x4E2D;&#x4E00;&#x4E2A;&#x6742;&#x4E71;&#x7684;&#x573A;&#x666F;&#xFF0C;&#x611F;&#x5174;&#x8DA3;&#x7684;&#x5BF9;&#x8C61;&#x548C;&#x91CD;&#x6784;&#x5B9E;&#x4F53;&#x6A21;&#x578B;&#x8868;&#x793A;&#x5373;&#x4F7F;&#x5B58;&#x5728;&#x95ED;&#x585E;&#x7684;&#x66F2;&#x9762;&#x3002;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x7684;&#x65B9;&#x6CD5;&#x5305;&#x542B;&#x4E86;&#x4E00;&#x79CD;&#x9884;&#x6D4B;&#x5EFA;&#x6A21;&#x6846;&#x67B6;&#xFF0C;&#x4F7F;&#x7528;&#x4E00;&#x5957;&#x7528;&#x6237;&#x63D0;&#x4F9B;&#x6A21;&#x578B;&#x7684;&#x5148;&#x9A8C;&#x77E5;&#x8BC6;&#xFF0C;&#x5E76;&#x5C06;&#x8FD9;&#x79CD;&#x77E5;&#x8BC6;&#x5E94;&#x7528;&#x4E8E;&#x7684;&#x8FED;&#x4EE3;&#x8FA8;&#x8BC6;&#x548C;&#x65BD;&#x5DE5;&#x8FC7;&#x7A0B;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x65B9;&#x6CD5;&#x4F7F;&#x7528;&#x5730;&#x65B9;&#x5230;&#x5168;&#x7403;&#x65BD;&#x5DE5;&#x8FC7;&#x7A0B;&#x9075;&#x5FAA;&#x89C4;&#x5219;&#x7684;&#x7BA1;&#x63A5;&#x5934;&#x4ECE;&#x8FD9;&#x4E9B;&#x4E8B;&#x5148;&#x6A21;&#x578B;&#x83B7;&#x5F97;&#x7684;&#x9AD8;&#x8D28;&#x91CF;&#x8868;&#x9762;&#x4FEE;&#x8865;&#x7A0B;&#x5E8F;&#x3002;&#x6211;&#x4EEC;&#x5C55;&#x793A;&#x6B64;&#x7B97;&#x6CD5;&#x5305;&#x542B;&#x91CD;&#x6742;&#x6CE2;&#x548C;&#x95ED;&#x585E;&#x7684;&#x51E0;&#x4E2A;&#x793A;&#x4F8B;&#x6570;&#x636E;&#x96C6;&#x7684;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x3002;

&#x57FA;&#x4E8E;&#x63A8;&#x7406;&#x7684;&#x6742;&#x4E71;&#x73AF;&#x5883;&#x8868;&#x9762;&#x7684;&#x91CD;&#x5EFA;&#x3002;

Nous pr&eacute;sentons un algorithme de reconstruction de surface ax&eacute;e sur l&#39;inf&eacute;rence qui est capable d&#39;identifier des objets d&#39;int&eacute;r&ecirc;t parmi une sc&egrave;ne encombr&eacute;e et reconstruire les repr&eacute;sentations de mod&egrave;le solide m&ecirc;me en pr&eacute;sence de surfaces occluses. Notre approche propos&eacute;e incorpore un cadre de mod&eacute;lisation pr&eacute;dictive qui utilise un ensemble de mod&egrave;les fournies par l&#39;utilisateur pour une connaissance pr&eacute;alable et applique ces connaissances au processus de construction et it&eacute;rative d&#39;identification. Notre approche utilise un local au processus global de construction guid&eacute; par les r&egrave;gles d&#39;installation de correctifs de surface de haute qualit&eacute; obtenus &agrave; partir de ces mod&egrave;les ant&eacute;rieurs. Nous d&eacute;montrons l&#39;application de cet algorithme sur plusieurs s&eacute;ries de donn&eacute;es exemple contenant l&#39;occlusion et l&#39;encombrement lourd.

Reconstruction de surfaces ax&eacute;es sur l&#39;inf&eacute;rence des environnements encombr&eacute;s.

Wir pr&auml;sentieren einen Inferenz-basierte Oberfl&auml;chenrekonstruktion-Algorithmus, der Identifikation von Objekten Interesse einer durcheinandergeworfenen Szene und Volumenmodell Vertretungen auch in Gegenwart von verschlossenen Oberfl&auml;chen zu rekonstruieren kann. Unsere vorgeschlagene Konzept beinhaltet ein Vorhersagemodellierung-Rahmenwerk, verwendet der Benutzer bereitgestellten Modelle f&uuml;r Vorkenntnisse und gilt dieses Wissen f&uuml;r die iterative Ermittlung und Bauprozess. Unser Ansatz verwendet einen lokalen zum globalen Bauprozess, geleitet von Regeln f&uuml;r den Einbau von hochwertigen Oberfl&auml;chen Flecken aus diesen fr&uuml;heren Modellen gewonnen. Wir demonstrieren die Anwendung dieses Algorithmus auf mehrere Beispiel-Datens&auml;tze, die mit schweren Unordnung und Okklusion.

Inferenz-basierte Oberfl&auml;chenrekonstruktion un&uuml;bersichtlich-Umgebungen.

Vi presentiamo un algoritmo di ricostruzione superficiale basate sull&#39;inferenza che &egrave; in grado di identificare gli oggetti di interesse tra una scena ingombra e ricostruzione di rappresentazioni del modello solido anche in presenza di superfici occluse. Il nostro approccio proposto incorpora un quadro di modellazione predittiva che utilizza un set di modelli utente fornito per conoscenza a priori e si applica questa conoscenza per il processo di costruzione e identificazione iterativa. Il nostro approccio utilizza un locale al processo di costruzione globale guidata da regole per montaggio patch di superficie di alta qualit&agrave; ottenute da questi modelli precedenti. Dimostriamo l&#39;applicazione di questo algoritmo su diversi esempio DataSet contenente occlusione e pesante disordine.

Basate sull&#39;inferenza superficiale ricostruzione di ambienti ingombra.

&#x96D1;&#x7136;&#x3068;&#x306E;&#x30B7;&#x30FC;&#x30F3;&#x306E;&#x4E2D;&#x3067;&#x95A2;&#x5FC3;&#x306E;&#x3042;&#x308B;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x3092;&#x8B58;&#x5225;&#x3057;&#x3001;&#x30AA;&#x30AF;&#x30EB;&#x30FC; &#x30B8;&#x30E7;&#x30F3;&#x9762;&#x306E;&#x5B58;&#x5728;&#x4E0B;&#x3067;&#x3082;&#x30BD;&#x30EA;&#x30C3;&#x30C9; &#x30E2;&#x30C7;&#x30EB;&#x8868;&#x73FE;&#x3092;&#x518D;&#x69CB;&#x6210;&#x3067;&#x304D;&#x308B;&#x63A8;&#x8AD6;&#x306B;&#x3088;&#x308B;&#x8868;&#x9762;&#x518D;&#x69CB;&#x6210;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x793A;&#x3059;.&#x63D0;&#x6848;&#x624B;&#x6CD5;&#x306F;&#x4E8B;&#x524D;&#x306E;&#x77E5;&#x8B58;&#x3092;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x63D0;&#x4F9B;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x30BB;&#x30C3;&#x30C8;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x53CD;&#x5FA9;&#x540C;&#x5B9A;&#x3068;&#x5EFA;&#x8A2D;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x3092;&#x3053;&#x306E;&#x77E5;&#x8B58;&#x3092;&#x9069;&#x7528;&#x3059;&#x308B;&#x4E88;&#x6E2C;&#x30E2;&#x30C7;&#x30EA;&#x30F3;&#x30B0; &#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x304C;&#x7D44;&#x307F;&#x8FBC;&#x307E;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306F;&#x3001;&#x3053;&#x308C;&#x3089;&#x4EE5;&#x524D;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x304B;&#x3089;&#x5F97;&#x3089;&#x308C;&#x308B;&#x9AD8;&#x54C1;&#x8CEA;&#x66F2;&#x9762;&#x30D1;&#x30C3;&#x30C1;&#x306E;&#x30D5;&#x30A3;&#x30C3;&#x30C6;&#x30A3;&#x30F3;&#x30B0;&#x306E;&#x305F;&#x3081;&#x306E;&#x30EB;&#x30FC;&#x30EB;&#x306B;&#x3088;&#x3063;&#x3066;&#x5C0E;&#x304B;&#x308C;&#x308B;&#x4E16;&#x754C;&#x306E;&#x5EFA;&#x8A2D;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x3092;&#x30ED;&#x30FC;&#x30AB;&#x30EB;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x3053;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x91CD;&#x3044;&#x6563;&#x4E71;&#x305D;&#x3057;&#x3066;&#x54AC;&#x5408;&#x3092;&#x542B;&#x3080;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x4F8B;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8;&#x4E0A;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x63A8;&#x8AD6;&#x306B;&#x3088;&#x308B;&#x8868;&#x9762;&#x518D;&#x69CB;&#x6210;&#x306E;&#x96D1;&#x7136;&#x3068;&#x3057;&#x305F;&#x74B0;&#x5883;&#x3002;

&#xC120;&#xBB3C;&#xC774; &#xC313;&#xC778;&#xB41C; &#xD604;&#xC7A5; &#xC0AC;&#xC774; &#xAD00;&#xC2EC;&#xC758; &#xAC1C;&#xCCB4;&#xB97C; &#xC2DD;&#xBCC4; &#xD558; &#xACE0; &#xD3D0;&#xC0C9;&#xB41C; &#xD45C;&#xBA74; &#xC874;&#xC7AC;&#xB3C4; &#xD45C;&#xD604; &#xC194;&#xB9AC;&#xB4DC; &#xBAA8;&#xB378; &#xC7AC;&#xAD6C;&#xC131; &#xC720;&#xCD94; &#xAE30;&#xBC18; &#xD45C;&#xBA74; &#xC7AC;&#xAD6C;&#xC131; &#xC54C;&#xACE0;&#xB9AC;&#xC998;. &#xC81C;&#xC548; &#xB41C; &#xC811;&#xADFC; &#xD1B5;&#xD569; &#xC608;&#xCE21; &#xBAA8;&#xB378;&#xB9C1; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;&#xB97C; &#xC0AC;&#xC804; &#xC9C0;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xC0AC;&#xC6A9;&#xC790; &#xC81C;&#xACF5; &#xBAA8;&#xB378; &#xC9D1;&#xD569;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xAC74;&#xC124; &#xACFC;&#xC815;&#xC744; &#xBC18;&#xBCF5; &#xD655;&#xC778; &#xD558; &#xACE0;&#xC774; &#xC9C0;&#xC2DD;&#xC744; &#xC801;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC740; &#xD53C;&#xD305; &#xACE0;&#xD488;&#xC9C8; &#xD45C;&#xBA74; &#xD328;&#xCE58; &#xC774;&#xB7EC;&#xD55C; &#xC774;&#xC804; &#xBAA8;&#xB378;&#xC5D0;&#xC11C; &#xAC00;&#xC838;&#xC628;&#xC5D0; &#xB300; &#xD55C; &#xADDC;&#xCE59;&#xC5D0; &#xC758;&#xD574; &#xC720;&#xB3C4; &#xD558;&#xB294; &#xAE00;&#xB85C;&#xBC8C; &#xAC74;&#xC124; &#xD504;&#xB85C;&#xC138;&#xC2A4;&#xC5D0; &#xB85C;&#xCEEC;&#xC744; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. &#xBB34;&#xAC70;&#xC6B4; &#xBD88; &#xC694; &#xBC18;&#xC0AC; &#xD30C; &#xBC0F; &#xD3D0;&#xC0C9;&#xC744; &#xD3EC;&#xD568; &#xD558;&#xB294; &#xC5EC;&#xB7EC; &#xC608;&#xC81C; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC5D0;&#xC11C;&#xC774; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC758; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;.

&#xC720;&#xCD94;&#xC5D0; &#xAE30;&#xCD08;&#xB97C; &#xB454; &#xBCF5;&#xC7A1; &#xD658;&#xACBD;&#xC758; &#xD45C;&#xBA74; &#xC7AC;&#xAD6C;&#xC131;

Presentamos un algoritmo de reconstrucci&oacute;n basada en la inferencia de la superficie que es capaz de identificar objetos de inter&eacute;s entre una escena desordenada y reconstruir las representaciones del modelo s&oacute;lido incluso en presencia de superficies ocluidas. Nuestra propuesta incorpora un marco de modelado predictivo que utiliza un conjunto de modelos de usuario proporcionado por conocimiento previo y se aplica este conocimiento a la identificaci&oacute;n iterativo y el proceso de construcci&oacute;n. Nuestro enfoque utiliza a un local para la construcci&oacute;n global proceso guiado por reglas para la instalaci&oacute;n de parches de superficie de alta calidad obtenidos de estos modelos anteriores. Demostramos la aplicaci&oacute;n de este algoritmo en varios conjuntos de datos de ejemplo que contiene oclusi&oacute;n y desorden pesado.

Reconstrucci&oacute;n superficial basadas en la inferencia de ambientes desordenados.

&#x51C6;&#x786E;&#x7684;&#x5FAE;&#x8840;&#x7BA1;&#x5F62;&#x6001;&#x8BA1;&#x91CF;&#x5B66;&#x4FE1;&#x606F;&#x5728;&#x51E0;&#x4E2A;&#x9886;&#x57DF;&#xFF0C;&#x5305;&#x62EC;&#x5728;&#x764C;&#x75C7;&#x7814;&#x7A76;&#x4E2D;&#x7684;&#x8840;&#x7BA1;&#x751F;&#x6210;&#x7684;&#x5B9A;&#x91CF;&#x3001; &#x7406;&#x89E3;&#x4E3A;&#x795E;&#x7ECF;&#x4FEE;&#x590D;&#x672F;&#x3001; &#x514D;&#x75AB;&#x53CD;&#x5E94;&#x548C;&#x9884;&#x6D4B;&#x8840;&#x6DB2;&#x6D41;&#x52A8;&#x7684;&#x6027;&#x8D28;&#xFF0C;&#x56E0;&#x4E3A;&#x5B83;&#x6D89;&#x53CA;&#x5230;&#x8111;&#x5352;&#x4E2D;&#x5177;&#x6709;&#x91CD;&#x5927;&#x610F;&#x4E49;&#x3002;&#x6211;&#x4EEC;&#x62A5;&#x544A;&#x6210;&#x50CF;&#x7684;&#x5206;&#x8FA8;&#x7387;&#x8DB3;&#x4EE5;&#x6267;&#x884C;&#x51C6;&#x786E;&#x7684;&#x5F62;&#x6001;&#x8BA1;&#x91CF;&#x5B66;&#x7684;&#x6574;&#x4E2A;&#x9F20;&#x6807;&#x5927;&#x8111;&#x5FAE;&#x8840;&#x7BA1;&#x7CFB;&#x7EDF;&#x3002;&#x6210;&#x50CF;&#x6267;&#x884C;&#x4F7F;&#x7528;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C; (KESM)&#xFF0C;&#x8FD9;&#x79CD;&#x6280;&#x672F;&#x53EF;&#x4EE5;&#x76F4;&#x63A5;&#x5E94;&#x7528;&#x4E8E;&#x4E34;&#x5E8A;&#x7814;&#x7A76;&#x7684;&#x7B2C;&#x4E00;&#x4E2A;&#x793A;&#x4F8B;&#x3002;&#x6211;&#x4EEC;&#x6709;&#x80FD;&#x529B;&#x5B9E;&#x73B0; &asymp; 0.7&mu;m &#x6A2A;&#x5411;&#x4F7F;&#x7528;&#x4E32;&#x884C;&#x5256;&#x5207;&#x7684; 1 &mu; m &#x6DF1;&#x5EA6;&#x51B3;&#x8BAE;&#x4E0E;&#x51B3;&#x8BAE;&#x3002;&#x4E0D;&#x5BF9;&#x9F50;&#x662F;&#x5FC5;&#x8981;&#x548C;&#x5BF9;&#x6BD4;&#x5EA6;&#x8DB3;&#x4EE5;&#x5141;&#x8BB8;&#x5206;&#x5272;&#x548C;&#x6D4B;&#x91CF;&#x7684;&#x8239;&#x53EA;&#x3002;

&#x5FEB;&#x901F;&#x5B8F;&#x89C2;&#x5C3A;&#x5EA6;&#x900F;&#x5C04;&#x6210;&#x50CF;&#x7684;&#x5FAE;&#x8840;&#x7BA1;&#x7F51;&#x7EDC;&#x4F7F;&#x7528; KESM&#x3002;

Accurate microvascular morphometric information has significant implications in several fields, including the quantification of angiogenesis in cancer research, understanding the immune response for neural prosthetics, and predicting the nature of blood flow as it relates to stroke. We report imaging of the whole mouse brain microvascular system at resolutions sufficient to perform accurate morphometry. Imaging was performed using Knife-Edge Scanning Microscopy (KESM) and is the first example of this technique that can be directly applied to clinical research. We are able to achieve â‰ˆ 0.7Î¼m resolution laterally with 1Î¼m depth resolution using serial sectioning. No alignment was necessary and contrast was sufficient to allow segmentation and measurement of vessels.

Fast macro-scale transmission imaging of microvascular networks using KESM.

Informations exactes morphom&eacute;triques microvasculaire a des implications importantes dans plusieurs domaines, y compris la quantification de l&#39;angiogen&egrave;se dans la recherche sur le cancer, compr&eacute;hension de la r&eacute;ponse immunitaire pour les proth&egrave;ses neurales et pr&eacute;dire la nature de la circulation sanguine en ce qui concerne un accident vasculaire c&eacute;r&eacute;bral. Nous rapportons l&#39;imagerie du syst&egrave;me microvasculaire cerveau toute souris &agrave; des r&eacute;solutions suffisantes pour effectuer la morphom&eacute;trie pr&eacute;cis. L&#39;imagerie a &eacute;t&eacute; r&eacute;alis&eacute;e &agrave; l&#39;aide de la lame des couteaux Scanning Microscopy (KESM) et est le premier exemple de cette technique qui peut &ecirc;tre directement appliqu&eacute; &agrave; la recherche clinique. Nous sommes en mesure d&#39;atteindre &asymp; 0.7&mu;m r&eacute;solution lat&eacute;ralement avec une r&eacute;solution de profondeur de 1&micro;m en utilisant la s&eacute;rie de sectionnement. Aucun alignement n&#39;&eacute;tait n&eacute;cessaire et contraste &eacute;tait suffisante pour permettre la segmentation et jaugeage des bateaux.

Imagerie de transmission rapide macro-&eacute;chelle de microvasculaires r&eacute;seaux utilisant KESM.

Genaue mikrovaskul&auml;re morphometrischer Informationen hat gravierende Auswirkungen auf verschiedenen Gebieten, einschlie&szlig;lich der Quantifizierung von Angiogenesis in der Krebsforschung, verstehen die Immunantwort f&uuml;r Neuroprothesen und Vorhersage der Natur des Blutflusses, bez&uuml;glich der Schlaganfall. Wir berichten Bildgebung des Gehirns ganze Maus mikrovaskul&auml;re Systems bei Aufl&ouml;sungen ausreichend genaue Morphometrie durchf&uuml;hren. Imaging wurde mithilfe von Messerschneiden-Scanning-Mikroskopie (KESM) durchgef&uuml;hrt und ist das erste Beispiel dieser Technik, die klinische Forschung direkt angewendet werden k&ouml;nnen. Wir sind in der Lage zu erreichen &asymp; 0.7&mu;m Aufl&ouml;sung seitlich mit 1&mu;m Tiefe Aufl&ouml;sung mit seriellen schneiden. Keine Ausrichtung war notwendig und Kontrast Segmentierung und Messung der Schiffe zu erm&ouml;glichen.

Schnelle Makro-Ma&szlig;stab &Uuml;bertragung Bildgebung mikrovaskul&auml;re Netzwerke mithilfe von KESM.

Informazioni accurate morfometrici microvascolare hanno implicazioni significative in diversi campi, tra cui la quantificazione dell&#39;angiogenesi nella ricerca sul cancro, comprensione della risposta immunitaria per protesi neurali e predire la natura del flusso di sangue si riferisce alla corsa. Segnaliamo imaging del sistema microvascolare mouse intero cervello a risoluzioni sufficienti per eseguire accurata morfometria. Imaging &egrave; stata eseguita utilizzando il filo del rasoio scansione microscopia (KESM) ed &egrave; il primo esempio di questa tecnica che pu&ograve; essere applicato direttamente alla ricerca clinica. Siamo in grado di raggiungere &asymp; 0.7&mu;m risoluzione lateralmente con 1&mu;m profondit&agrave; risoluzione utilizzando seriale di sezionamento. Nessun allineamento era necessario e contrasto sufficiente a consentire la segmentazione e la misurazione delle navi.

Imaging di trasmissione veloce macro-scala delle reti microvascolare utilizzando KESM.

&#x6B63;&#x78BA;&#x306A;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x5F62;&#x614B;&#x60C5;&#x5831;&#x304C;&#x3093;&#x7814;&#x7A76;&#x306B;&#x304A;&#x3051;&#x308B;&#x8840;&#x7BA1;&#x65B0;&#x751F;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x3092;&#x542B;&#x3080;&#x3001;&#x795E;&#x7D4C;&#x88DC;&#x7DB4;&#x306E;&#x514D;&#x75AB;&#x5FDC;&#x7B54;&#x3092;&#x7406;&#x89E3;&#x3057;&#x3001;&#x8133;&#x5352;&#x4E2D;&#x306B;&#x95A2;&#x9023;&#x3059;&#x308B;&#x8840;&#x6D41;&#x306E;&#x6027;&#x8CEA;&#x3092;&#x4E88;&#x6E2C;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x5206;&#x91CE;&#x3067;&#x5927;&#x304D;&#x306A;&#x5F71;&#x97FF;&#x3092;&#x4E0E;&#x3048;&#x307E;&#x3059;&#x3002;&#x5168;&#x4F53;&#x30DE;&#x30A6;&#x30B9;&#x8133;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x7CFB;&#x6B63;&#x78BA;&#x306A;&#x8A08;&#x6E2C;&#x3092;&#x5B9F;&#x884C;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x5341;&#x5206;&#x306A;&#x89E3;&#x50CF;&#x5EA6;&#x306E;&#x753B;&#x50CF;&#x3092;&#x5831;&#x544A;&#x3057;&#x307E;&#x3059;&#x3002;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x306F;&#x3001;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x8D70;&#x67FB;&#x9855;&#x5FAE;&#x93E1; (KESM) &#x3092;&#x7528;&#x3044;&#x3066;&#x884C;&#x3063;&#x305F;&#x3057;&#x3001;&#x81E8;&#x5E8A;&#x7814;&#x7A76;&#x306B;&#x76F4;&#x63A5;&#x9069;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3053;&#x306E;&#x30C6;&#x30AF;&#x30CB;&#x30C3;&#x30AF;&#x306E;&#x6700;&#x521D;&#x306E;&#x4F8B;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F; &asymp; 0.7&mu;m &#x3092;&#x9054;&#x6210;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3067;&#x30B7;&#x30EA;&#x30A2;&#x30EB;&#x30BB;&#x30AF;&#x30B7;&#x30E7;&#x30CB;&#x30F3;&#x30B0;&#x306B;&#x3088;&#x308B;&#x6A2A;&#x65B9;&#x5411; 1 &mu; m &#x306E;&#x6DF1;&#x3055;&#x5206;&#x89E3;&#x80FD;&#x3002;&#x30A2;&#x30E9;&#x30A4;&#x30E1;&#x30F3;&#x30C8;&#x306F;&#x5FC5;&#x8981;&#x306A;&#x304B;&#x3063;&#x305F;&#x3057;&#x3001;&#x30B3;&#x30F3;&#x30C8;&#x30E9;&#x30B9;&#x30C8;&#x304C;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3068;&#x8840;&#x7BA1;&#x306E;&#x6E2C;&#x5B9A;&#x3092;&#x8A31;&#x53EF;&#x3059;&#x308B;&#x306E;&#x306B;&#x5341;&#x5206;&#x3060;&#x3063;&#x305F;&#x3002;

&#x9AD8;&#x901F;&#x30DE;&#x30AF;&#x30ED; &#x30B9;&#x30B1;&#x30FC;&#x30EB; KESM &#x3092;&#x7528;&#x3044;&#x305F;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3067;&#x4F1D;&#x9001;&#x753B;&#x50CF;&#x3002;

&#xC815;&#xD655;&#xD55C; microvascular &#xD615;&#xD0DC;&#xD559; &#xC815;&#xBCF4; &#xBD84;&#xC57C;, &#xC554; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xC2E0;&#xC0DD;&#xC758; &#xC815;&#xB7C9;&#xD654;&#xB97C; &#xD3EC;&#xD568; &#xD55C; &#xC2E0;&#xACBD; &#xBCF4; &#xCCA0;&#xC5D0; &#xB300; &#xD55C; &#xBA74;&#xC5ED; &#xBC18;&#xC751;&#xC744; &#xC774;&#xD574; &#xD558; &#xACE0; &#xB1CC;&#xC878;&#xC911;&#xC5D0; &#xAD00;&#xD55C; &#xD608;&#xC561; &#xD750;&#xB984;&#xC758; &#xD2B9;&#xC131;&#xC744; &#xC608;&#xCE21;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD55C; &#xC758;&#xBBF8;&#xB97C; &#xAC16;&#xB294;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xC815;&#xD655;&#xD55C; morphometry&#xB97C; &#xC218;&#xD589; &#xD558;&#xAE30;&#xC5D0; &#xCDA9;&#xBD84; &#xD55C; &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xB9C8;&#xC6B0;&#xC2A4; &#xB1CC; microvascular &#xC2DC;&#xC2A4;&#xD15C;&#xC758; &#xC601;&#xC0C1; &#xBCF4;&#xACE0;. &#xC774;&#xBBF8;&#xC9D5; Knife-Edge &#xC2A4;&#xCE90;&#xB2DD; &#xD604;&#xBBF8;&#xACBD; &#xAC80;&#xC0AC; &#xBC95; (KESM)&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC218;&#xD589; &#xD558; &#xACE0; &#xC9C1;&#xC811; &#xC784;&#xC0C1; &#xC5F0;&#xAD6C;&#xC5D0; &#xC801;&#xC6A9; &#xB420; &#xC218; &#xC788;&#xB294;&#xC774; &#xAE30;&#xC220;&#xC758; &#xCCAB; &#xBC88;&#xC9F8; &#xC608;&#xB294;. &asymp; 0.7&mu;m &#xB2EC;&#xC131; &#xC218; &#xC9C1;&#xB82C; &#xB2E8;&#xBA74;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; 1&mu;m &#xAE4A;&#xC774; &#xD574;&#xC0C1;&#xB3C4;&#xC640; &#xC218;&#xD3C9; &#xD574;&#xC0C1;&#xB3C4;. &#xC544;&#xB2C8; &#xB9DE;&#xCDA4; &#xD544;&#xC694; &#xD588; &#xACE0; &#xB300;&#xBE44; &#xC138;&#xBD84;&#xD654; &#xBC0F; &#xD608;&#xAD00;&#xC758; &#xCE21;&#xC815;&#xC744; &#xD5C8;&#xC6A9; &#xD558;&#xAE30;&#xC5D0; &#xCDA9;&#xBD84; &#xD588;&#xB2E4;.

&#xBE60;&#xB978; &#xB9E4;&#xD06C;&#xB85C; &#xC2A4;&#xCF00;&#xC77C; KESM&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; microvascular &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xC804;&#xC1A1; &#xC601;&#xC0C1;.

Informaci&oacute;n morfom&eacute;trica microvascular exacta tiene importantes repercusiones en varios campos, incluyendo la cuantificaci&oacute;n de la angiog&eacute;nesis en cancer research, comprendiendo la respuesta inmune para pr&oacute;tesis neuronales y predecir la naturaleza del flujo sangu&iacute;neo, lo que se refiere al movimiento. Divulgamos la proyecci&oacute;n de imagen del sistema microvascular rat&oacute;n todo cerebro en resoluci&oacute;n suficiente para llevar a cabo la morfometr&iacute;a precisa. La proyecci&oacute;n de imagen se realiz&oacute; mediante microscop&iacute;a de escaneo de filo (KESM) y es el primer ejemplo de esta t&eacute;cnica que puede ser aplicada directamente a la investigaci&oacute;n cl&iacute;nica. Somos capaces de lograr &asymp; 0.7&mu;m resoluci&oacute;n lateralmente con 1&mu;m resoluci&oacute;n de profundidad utilizando el seccionamiento serial. No alineaci&oacute;n era necesaria y contraste era suficiente para permitir la segmentaci&oacute;n y medici&oacute;n de los buques.

Proyecci&oacute;n de imagen de transmisi&oacute;n r&aacute;pida macro escala de redes microvasculares usando KESM.

Connectomics &#x662F;&#x5927;&#x8111;&#x7684;&#x5B8C;&#x6574;&#x7684;&#x8FDE;&#x63A5;&#x77E9;&#x9635;&#x7684;&#x7814;&#x7A76;&#x3002;&#x5728;&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x7684;&#x6700;&#x65B0;&#x8FDB;&#x5C55;&#xFF0C;&#x9AD8;&#x5206;&#x8FA8;&#x7387;&#x7684; 3D &#x663E;&#x5FAE;&#x955C;&#x65B9;&#x6CD5;&#x5DF2;&#x542F;&#x7528;&#x4E9A;&#x5FAE;&#x7C73;&#x5206;&#x8FA8;&#x7387;&#xFF0C;&#x53EF;&#x80FD;&#x4F1A;&#x6253;&#x5F00;&#x901A;&#x5F80;&#x5168;&#x9762;&#x7206;&#x53D1; connectomics &#x7814;&#x7A76;&#x7684;&#x6574;&#x4E2A;&#x5C0F;&#x52A8;&#x7269;&#x5927;&#x8111;&#x7684;&#x6210;&#x50CF;&#x3002;&#x5176;&#x4E2D;&#x7684;&#x7B2C;&#x4E00;&#x6B21;&#x8FD9;&#x79CD;&#x5DE5;&#x5177;&#x6765;&#x5B9E;&#x73B0;&#x6574;&#x4E2A;&#x5927;&#x8111;&#x7EA7;&#x6210;&#x50CF;&#x5728;&#x4E9A;&#x5FAE;&#x7C73;&#x5206;&#x8FA8;&#x7387;&#x662F;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C; (KESM)&#x3002;KESM &#x5168;&#x8111;&#x6570;&#x636E;&#x96C6;&#x73B0;&#x5728;&#x5305;&#x62EC;&#x9AD8;&#x5C14;&#x57FA; &#xFF08;&#x795E;&#x7ECF;&#x5143;&#x7535;&#x8DEF;&#xFF09;&#x3001; &#x6C0F;&#x5C0F;&#x4F53; (&#x7D22;&#x739B;&#x5206;&#x914D;)&#x3001; &#x548C;&#x5370;&#x5EA6;&#x58A8; (&#x8840;&#x7BA1;&#x7F51;&#x7EDC;)&#x3002;KESM &#x6570;&#x636E;&#x53EF;&#x5927;&#x5927;&#x6709;&#x52A9;&#x4E8E; connectomics &#x7684;&#x7814;&#x7A76;&#xFF0C;&#x56E0;&#x4E3A;&#x4ED6;&#x4EEC;&#x8F83;&#x4F4E;&#x7684;&#x5206;&#x8FA8;&#x7387;&#x3001; &#x5927;&#x5377;&#x6210;&#x50CF;&#x65B9;&#x6CD5; &#xFF08;&#x5982;&#x6269;&#x6563;&#x78C1;&#x5171;&#x632F;&#x6210;&#x50CF;&#xFF09; &#x548C;&#x66F4;&#x9AD8;&#x7684;&#x5206;&#x8FA8;&#x7387;&#xFF0C;&#x4F53;&#x79EF;&#x5C0F;&#x65B9;&#x6CD5; &#xFF08;&#x4F8B;&#x5982;&#xFF0C;&#x4E32;&#x884C;&#x5256;&#x5207;&#x955C;) &#x4E4B;&#x95F4;&#x7684;&#x5DEE;&#x8DDD;&#x3002;&#x6B64;&#x5916;&#xFF0C;KESM &#x6570;&#x636E;&#x662F;&#x7531;&#x5176;&#x6027;&#x8D28;&#x591A;&#x5C3A;&#x5EA6;&#x3001; &#x4ECE;&#x4E9A;&#x7EC6;&#x80DE;&#x5230;&#x6574;&#x4E2A;&#x5668;&#x5B98;&#x89C4;&#x6A21;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x53EF;&#x89C6;&#x5316;&#x4EC5;&#x4EC5;&#x662F;&#x4E00;&#x4E2A;&#x5DE8;&#x5927;&#x7684;&#x6311;&#x6218;&#x4E4B;&#x524D;&#x6211;&#x4EEC;&#x751A;&#x81F3;&#x5F00;&#x59CB;&#x62C5;&#x5FC3;&#x5B9A;&#x91CF;&#x8FDE;&#x901A;&#x6027;&#x5206;&#x6790;&#x3002;&#x82E5;&#x8981;&#x89E3;&#x51B3;&#x6B64;&#x95EE;&#x9898;&#xFF0C;&#x6211;&#x4EEC;&#x5236;&#x5B9A;&#x9AD8;&#x6548;&#x7684;&#x53EF;&#x89C6;&#x5316;&#x548C;&#x5206;&#x6790;&#x591A;&#x5C3A;&#x5EA6; KESM &#x6570;&#x636E;&#x96C6;&#x57FA;&#x4E8E; web &#x7684;&#x795E;&#x7ECF;&#x4FE1;&#x606F;&#x5B66;&#x6846;&#x67B6;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5C06;&#x9996;&#x5148;&#x63D0;&#x4F9B;&#x6982;&#x8FF0; KESM&#xFF0C;&#x7136;&#x540E;&#x8BE6;&#x7EC6;&#x8BA8;&#x8BBA; KESM &#x6570;&#x636E;&#x96C6;&#x548C;&#x57FA;&#x4E8E; web &#x7684;&#x795E;&#x7ECF;&#x4FE1;&#x606F;&#x5B66;&#x6846;&#x67B6;&#xFF0C;&#x79F0;&#x4E3A; KESM &#x8111;&#x56FE;&#x8C31; (KESMBA)&#x3002;&#x6700;&#x540E;&#xFF0C;&#x6211;&#x4EEC;&#x5C06;&#x8BA8;&#x8BBA;&#x4E0E;&#x7814;&#x7A76; connectomics&#x3001; KESMBA &#x7684;&#x76F8;&#x5173;&#x6027;&#x548C;&#x786E;&#x5B9A;&#x7684;&#x6311;&#x6218;&#x548C;&#x672A;&#x6765;&#x65B9;&#x5411;&#x3002;

&#x4F7F;&#x7528;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C;&#x8111;&#x56FE;&#x8C31;&#x7684;&#x9F20;&#x6807;&#x5927;&#x8111;&#x5FAE;&#x89C2;&#x7ED3;&#x6784;&#x7684;&#x591A;&#x5C3A;&#x5EA6;&#x52D8;&#x63A2;&#x3002;

Connectomics is the study of the full connection matrix of the brain. Recent advances in high-throughput, high-resolution 3D microscopy methods have enabled the imaging of whole small animal brains at a sub-micrometer resolution, potentially opening the road to full-blown connectomics research. One of the first such instruments to achieve whole-brain-scale imaging at sub-micrometer resolution is the Knife-Edge Scanning Microscope (KESM). KESM whole-brain data sets now include Golgi (neuronal circuits), Nissl (soma distribution), and India ink (vascular networks). KESM data can contribute greatly to connectomics research, since they fill the gap between lower resolution, large volume imaging methods (such as diffusion MRI) and higher resolution, small volume methods (e.g., serial sectioning electron microscopy). Furthermore, KESM data are by their nature multiscale, ranging from the subcellular to the whole organ scale. Due to this, visualization alone is a huge challenge, before we even start worrying about quantitative connectivity analysis. To solve this issue, we developed a web-based neuroinformatics framework for efficient visualization and analysis of the multiscale KESM data sets. In this paper, we will first provide an overview of KESM, then discuss in detail the KESM data sets and the web-based neuroinformatics framework, which is called the KESM brain atlas (KESMBA). Finally, we will discuss the relevance of the KESMBA to connectomics research, and identify challenges and future directions.

Multiscale exploration of mouse brain microstructures using the knife-edge scanning microscope brain atlas.

Connectomics est l&#x26;#39;&#xE9;tude de la matrice de connexion compl&#xE8;te du cerveau. Les progr&#xE8;s r&#xE9;cents dans haut d&#xE9;bit et &#xE0; haute r&#xE9;solution des m&#xE9;thodes de microscopie 3D ont permis &#xE0; l&#x26;#39;imagerie des petits animaux entiers cerveaux &#xE0; une r&#xE9;solution sub-microm&#xE9;trique, ce qui pourrait ouvrir la voie &#xE0; part enti&#xE8;re de la recherche connectomics. Un des premiers instruments pour atteindre ces tout-enc&#xE9;phalique de l&#x26;#39;imagerie &#xE0; r&#xE9;solution sub-microm&#xE9;trique est le microscope &#xE0; balayage en lame de couteau (KESM). KESM ensemble du cerveau des ensembles de donn&#xE9;es comprennent maintenant de Golgi (circuits neuronaux), Nissl (distribution soma), et encre de Chine (r&#xE9;seaux vasculaires). Donn&#xE9;es KESM peuvent contribuer grandement &#xE0; la recherche connectomics, car ils combler l&#x26;#39;&#xE9;cart entre une r&#xE9;solution inf&#xE9;rieure, grandes m&#xE9;thodes d&#x26;#39;imagerie de volume (comme l&#x26;#39;IRM de diffusion) et une r&#xE9;solution plus &#xE9;lev&#xE9;e, des m&#xE9;thodes de faible volume (par exemple, microscopie &#xE9;lectronique de s&#xE9;rie de sectionnement). En outre, les donn&#xE9;es sont KESM par leur nature multi-&#xE9;chelles, allant de la subcellulaire &#xE0; l&#x26;#39;&#xE9;chelle organe entier. Pour cette raison, la visualisation seul est un &#xE9;norme d&#xE9;fi, avant m&#xEA;me que nous commencer &#xE0; s&#x26;#39;inqui&#xE9;ter de l&#x26;#39;analyse quantitative de connectivit&#xE9;. Pour r&#xE9;soudre ce probl&#xE8;me, nous avons d&#xE9;velopp&#xE9; un cadre bas&#xE9; sur le Web pour la visualisation neuroinformatique et une analyse efficaces des ensembles multi-&#xE9;chelles des donn&#xE9;es KESM. Dans cet article, nous allons d&#x26;#39;abord donner un aper&#xE7;u de KESM, puis de discuter en d&#xE9;tail les ensembles de donn&#xE9;es KESM et le Web neuro-cadre, qui est appel&#xE9; le cerveau KESM atlas (KESMBA). Enfin, nous allons discuter de la pertinence de la KESMBA &#xE0; connectomics la recherche, et d&#x26;#39;identifier les d&#xE9;fis et les orientations futures.

Exploration multi-&#xE9;chelle de cerveau de souris Microstructures Utilisation de la lame de couteau microscope &#xE0; balayage du cerveau Atlas

Connectomics ist die Studie der vollst&auml;ndige Verbindung Matrix des Gehirns. J&uuml;ngsten Fortschritte in hohem Durchsatz, hochaufl&ouml;sende 3D Mikroskopie-Methoden die Bildgebung von ganz kleinen tierischen Gehirnen mit Sub-micrometer Aufl&ouml;sung, potenziell &ouml;ffnen den Weg zum ausgewachsenen Connectomics Forschung aktiviert haben. Einer der ersten solcher Instrumente ganz-Gehirn-Ma&szlig;stab Bildgebung bei Sub-micrometer Aufl&ouml;sung zu erreichen ist die Messerschneiden-Scanning-Mikroskop (KESM). KESM ganze-Gehirn-Datens&auml;tze enthalten jetzt Golgi (neuronale Schaltkreise), Nissl (Soma-Verteilung) und Tusche (vaskul&auml;re Netze). KESM Daten k&ouml;nnen erheblich zur Connectomics Forschung, beitragen, da sie die L&uuml;cke zwischen niedrigere Aufl&ouml;sung, gro&szlig;volumige bildgebenden Verfahren (z. B. Diffusion MRI) und h&ouml;here Aufl&ouml;sung, kleinvolumigen Methoden (z. B. serielle Schneide-Elektronenmikroskopie). Dar&uuml;ber hinaus sind KESM Daten durch ihre Natur Multiscale, von der subzellul&auml;ren bis hin zu der gesamten Orgel-Skala. Aus diesem Grund ist die Visualisierung allein eine gro&szlig;e Herausforderung, bevor wir selbst sorgen &uuml;ber quantitative Konnektivit&auml;t Analyse. Um dieses Problem zu l&ouml;sen, haben wir einen webbasierten Neuroinformatik Rahmen f&uuml;r effiziente Visualisierung und Analyse der Multiskalen KESM Datens&auml;tze entwickelt. In diesem Papier werden wir zuerst geben einen &Uuml;berblick &uuml;ber KESM dann im Detail zu diskutieren, die KESM-Datens&auml;tze und die webbasierte Neuroinformatik-Framework, das den KESM Gehirn-Atlas (KESMBA) aufgerufen wird. Schlie&szlig;lich wird die Relevanz der die KESMBA f&uuml;r Connectomics Forschung zu diskutieren, und Herausforderungen und Zukunftsperspektiven zu identifizieren.

Multiskalen Erforschung der Maus Gehirn Mikrostrukturen mit den Messerschneiden Scan Mikroskop-Gehirn-Atlas.

Connectomics &egrave; lo studio della matrice completa connessione del cervello. Recenti progressi in high-throughput, metodi di microscopia 3D ad alta risoluzione hanno permesso l&#39;imaging del cervello animale intero piccolo a una risoluzione Composante, potenzialmente aprendo la strada alla ricerca vera e propria connectomics. Uno del primo tali strumenti per ottenere imaging del intero-cervello-scala a risoluzione Composante &egrave; il filo del rasoio scansione microscopio (KESM). Set di dati del intero-cervello KESM ora includono Golgi (circuiti neuronali), Nissl (distribuzione soma) e inchiostro di India (reti vascolari). Dati KESM possono contribuire notevolmente alla ricerca connectomics, poich&eacute; essi colmare il divario tra la bassa risoluzione, grande volume imaging metodi (ad esempio diffusione MRI) e risoluzione superiore, metodi di piccolo volume (ad esempio, seriale sezionamento microscopia elettronica). Inoltre, i dati KESM sono da loro multiscale natura, che vanno dalla sottocellulari a scala dell&#39;intero organo. A causa di questo, visualizzazione da solo &egrave; una sfida enorme, prima di iniziare anche preoccuparsi di analisi quantitativa di connettivit&agrave;. Per risolvere questo problema, abbiamo sviluppato un quadro neuroinformatics web-based per l&#39;efficiente visualizzazione ed analisi dei set di dati KESM multiscala. In questo libro, ci sar&agrave; prima forniscono una panoramica del KESM, poi discutere in dettaglio il set di dati KESM e il quadro neuroinformatics web-based, che &egrave; chiamato l&#39;Atlante del cervello KESM (KESMBA). Infine, ci sar&agrave; discutere la rilevanza della KESMBA per connectomics ricerca e identificare le sfide e direzioni future.

Esplorazione multiscala di microstrutture cervello del mouse utilizzando l&#39;Atlante di cervello microscopio scansione filo del rasoio.

Connectomics&#x306F;&#x3001;&#x8133;&#x306E;&#x5B8C;&#x5168;&#x306A;&#x63A5;&#x7D9A;&#x30DE;&#x30C8;&#x30EA;&#x30C3;&#x30AF;&#x30B9;&#x306E;&#x7814;&#x7A76;&#x3067;&#x3042;&#x308B;&#x3002;&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x3001;&#x9AD8;&#x89E3;&#x50CF;&#x5EA6;&#x306E;3D&#x9855;&#x5FAE;&#x93E1;&#x6CD5;&#x306B;&#x304A;&#x3051;&#x308B;&#x6700;&#x8FD1;&#x306E;&#x9032;&#x6B69;&#x306F;&#x3001;&#x6F5C;&#x5728;&#x7684;&#x306B;&#x672C;&#x683C;&#x7684;&#x306A;connectomics&#x7814;&#x7A76;&#x3078;&#x306E;&#x9053;&#x3092;&#x958B;&#x3044;&#x3066;&#x3001;&#x30B5;&#x30D6;&#x30DF;&#x30AF;&#x30ED;&#x30F3;&#x306E;&#x89E3;&#x50CF;&#x5EA6;&#x3067;&#x5168;&#x4F53;&#x306E;&#x5C0F;&#x3055;&#x306A;&#x52D5;&#x7269;&#x306E;&#x8133;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x3092;&#x6709;&#x52B9;&#x306B;&#x3057;&#x3066;&#x3044;&#x308B;&#x3002;&#x30B5;&#x30D6;&#x30DF;&#x30AF;&#x30ED;&#x30F3;&#x306E;&#x89E3;&#x50CF;&#x5EA6;&#x3067;&#x5168;&#x8133;&#x898F;&#x6A21;&#x306A;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x3092;&#x5B9F;&#x73FE;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x6700;&#x521D;&#x306E;&#x305D;&#x306E;&#x3088;&#x3046;&#x306A;&#x697D;&#x5668;&#x306E;&#x4E00;&#x3064;&#x306F;&#x3001;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x30B9;&#x30AD;&#x30E3;&#x30F3;&#x9855;&#x5FAE;&#x93E1;&#xFF08;KESM&#xFF09;&#x3067;&#x3059;&#x3002; KESM&#x5168;&#x8133;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x306F;&#x3001;&#x30B4;&#x30EB;&#x30B8;&#x4F53;&#xFF08;&#x795E;&#x7D4C;&#x56DE;&#x8DEF;&#xFF09;&#x3001;&#x30CB;&#x30C3;&#x30B9;&#x30EB;&#xFF08;SOMA&#x5206;&#x5E03;&#xFF09;&#x3001;&#x30A4;&#x30F3;&#x30C9;&#x30A4;&#x30F3;&#x30AF;&#xFF08;&#x8840;&#x7BA1;&#x7DB2;&#xFF09;&#x304C;&#x542B;&#x307E;&#x308C;&#x3001;&#x73FE;&#x5728;&#x8A2D;&#x5B9A;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x5F7C;&#x3089;&#x306F;&#x3088;&#x308A;&#x4F4E;&#x3044;&#x89E3;&#x50CF;&#x5EA6;&#x3001;&#x5927;&#x5BB9;&#x91CF;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x6CD5;&#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x62E1;&#x6563;MRI&#x306A;&#x3069;&#xFF09;&#x3084;&#x3001;&#x9AD8;&#x89E3;&#x50CF;&#x5EA6;&#x3001;&#x5C11;&#x91CF;&#x306E;&#x65B9;&#x6CD5;&#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x30B7;&#x30EA;&#x30A2;&#x30EB;&#x30BB;&#x30AF;&#x30B7;&#x30E7;&#x30CB;&#x30F3;&#x30B0;&#x96FB;&#x5B50;&#x9855;&#x5FAE;&#x93E1;&#xFF09;&#x306E;&#x9593;&#x306E;&#x30AE;&#x30E3;&#x30C3;&#x30D7;&#x3092;&#x57CB;&#x3081;&#x308B;&#x305F;&#x3081;&#x3001;KESM&#x30C7;&#x30FC;&#x30BF;&#x306F;&#x3001;connectomics&#x7814;&#x7A76;&#x306B;&#x5927;&#x304D;&#x304F;&#x8CA2;&#x732E;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;KESM&#x30C7;&#x30FC;&#x30BF;&#x306F;&#x3001;&#x7D30;&#x80DE;&#x5185;&#x304B;&#x3089;&#x306E;&#x81D3;&#x5668;&#x5168;&#x4F53;&#x306E;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306B;&#x81F3;&#x308B;&#x307E;&#x3067;&#x3001;&#x305D;&#x306E;&#x6027;&#x8CEA;&#x306E;&#x30DE;&#x30EB;&#x30C1;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306B;&#x3088;&#x308B;&#x3082;&#x306E;&#x3067;&#x3042;&#x308B;&#x3002;&#x79C1;&#x305F;&#x3061;&#x3082;&#x3001;&#x5B9A;&#x91CF;&#x7684;&#x306A;&#x63A5;&#x7D9A;&#x5206;&#x6790;&#x306E;&#x5FC3;&#x914D;&#x3092;&#x958B;&#x59CB;&#x3059;&#x308B;&#x524D;&#x306B;&#x3001;&#x3053;&#x306E;&#x305F;&#x3081;&#x3001;&#x5358;&#x72EC;&#x3067;&#x53EF;&#x8996;&#x5316;&#x306F;&#x3001;&#x5927;&#x304D;&#x306A;&#x8AB2;&#x984C;&#x3068;&#x306A;&#x3063;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x554F;&#x984C;&#x3092;&#x89E3;&#x6C7A;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x3001;&#x6211;&#x3005;&#x306F;&#x30DE;&#x30EB;&#x30C1;&#x30B9;&#x30B1;&#x30FC;&#x30EB;KESM&#x30C7;&#x30FC;&#x30BF;&#xB7;&#x30BB;&#x30C3;&#x30C8;&#x306E;&#x52B9;&#x7387;&#x7684;&#x306A;&#x53EF;&#x8996;&#x5316;&#x3068;&#x5206;&#x6790;&#x306E;&#x305F;&#x3081;&#x306E;Web&#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30A4;&#x30F3;&#x30D5;&#x30A9;&#x30DE;&#x30C6;&#x30A3;&#x30AF;&#x30B9;&#x306E;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x958B;&#x767A;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;&#x3001;&#x307E;&#x305A;KESM&#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8;&#x3068;KESM&#x8133;&#x30A2;&#x30C8;&#x30E9;&#x30B9;&#xFF08;KESMBA&#xFF09;&#x3068;&#x547C;&#x3070;&#x308C;&#x308B;Web&#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30A4;&#x30F3;&#x30D5;&#x30A9;&#x30DE;&#x30C6;&#x30A3;&#x30AF;&#x30B9;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x306F;&#x3001;&#x8A73;&#x7D30;&#x306B;&#x8B70;&#x8AD6;&#x3057;&#x3001;KESM&#x306E;&#x6982;&#x8981;&#x3092;&#x63D0;&#x4F9B;&#x3057;&#x307E;&#x3059;&#x3002;&#x6700;&#x5F8C;&#x306B;&#x3001;&#x6211;&#x3005;&#x306F;connectomics&#x7814;&#x7A76;&#x306B;KESMBA&#x306E;&#x59A5;&#x5F53;&#x6027;&#x3092;&#x8B70;&#x8AD6;&#x3057;&#x3001;&#x8AB2;&#x984C;&#x3068;&#x4ECA;&#x5F8C;&#x306E;&#x65B9;&#x5411;&#x6027;&#x3092;&#x8B58;&#x5225;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30DE;&#x30A6;&#x30B9;&#x306E;&#x8133;&#x306E;&#x30DE;&#x30EB;&#x30C1;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x63A2;&#x67FB;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x8D70;&#x67FB;&#x578B;&#x9855;&#x5FAE;&#x93E1;&#x306E;&#x8133;&#x30A2;&#x30C8;&#x30E9;&#x30B9;&#x3092;&#x7528;&#x3044;&#x305F;&#x5FAE;&#x7D30;&#x69CB;&#x9020;

Connectomics &#xB1CC;&#xC758; &#xC804;&#xCCB4; &#xC5F0;&#xACB0; &#xB9E4;&#xD2B8;&#xB9AD;&#xC2A4;&#xC758; &#xC5F0;&#xAD6C; &#xC774;&#xB2E4;. &#xB192;&#xC740; &#xCC98;&#xB9AC;&#xB7C9;&#xC758; &#xCD5C;&#xADFC; &#xBC1C;&#xC804; &#xACE0;&#xD574;&#xC0C1;&#xB3C4; 3 &#xCC28;&#xC6D0; &#xD604;&#xBBF8;&#xACBD; &#xBC29;&#xBC95; &#xC7A0;&#xC7AC;&#xC801;&#xC73C;&#xB85C; &#xC5F4;&#xC5B4; &#xBCF8;&#xACA9;&#xC801;&#xC778; connectomics &#xC5F0;&#xAD6C;&#xB97C;&#xB3C4; sub-micrometer &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xC791;&#xC740; &#xB3D9;&#xBB3C; &#xB450;&#xB1CC; &#xC774;&#xBBF8;&#xC9D5;&#xC744; &#xC124;&#xC815;&#xD55C; &#xD569;&#xB2C8;&#xB2E4;. &#xD55C; &#xCD5C;&#xCD08;&#xC758; sub-micrometer &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xB1CC; &#xC2A4;&#xCF00;&#xC77C; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xB2EC;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; &#xAC19;&#xC740; &#xACC4;&#xCE21;&#xAE30; Knife-Edge &#xAC80;&#xC0AC; &#xD604;&#xBBF8;&#xACBD; (KESM) &#xC774;&#xB2E4;. KESM &#xBAA8;&#xB4E0; &#xB450;&#xB1CC; &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xB294; &#xC9C0;&#xAE08; Golgi (&#xC2E0;&#xACBD; &#xD68C;&#xB85C;), Nissl (&#xC18C;&#xB9C8; &#xC720;&#xD1B5;), &#xADF8;&#xB9AC;&#xACE0; &#xC778;&#xB3C4; &#xC789;&#xD06C; (&#xD608;&#xAD00; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;)&#xB97C; &#xD3EC;&#xD568; &#xD55C;&#xB2E4;. KESM &#xB370;&#xC774;&#xD130;&#xB294; &#xC774;&#xD6C4; &#xADF8;&#xB4E4;&#xC740; &#xB0AE;&#xC740; &#xD574;&#xC0C1;&#xB3C4;, &#xB300;&#xC6A9;&#xB7C9; &#xC774;&#xBBF8;&#xC9D5; &#xBC29;&#xBC95; (&#xC608;: &#xD655;&#xC0B0; MRI)&#xC640; &#xB192;&#xC740; &#xD574;&#xC0C1;&#xB3C4;, &#xC791;&#xC740; &#xBCFC;&#xB968; &#xBA54;&#xC11C;&#xB4DC; (&#xC608;: &#xC9C1;&#xB82C; &#xB2E8;&#xBA74;&#xD654; &#xC804;&#xC790; &#xD604;&#xBBF8;&#xACBD;) &#xC0AC;&#xC774;&#xC758; &#xACF5;&#xBC31;&#xC744; &#xCC44;&#xC6B8; connectomics &#xC5F0;&#xAD6C;&#xC5D0; &#xD06C;&#xAC8C; &#xAE30;&#xC5EC;&#xD560; &#xC218; &#xC788;&#xB2E4;. &#xB610;&#xD55C; KESM &#xB370;&#xC774;&#xD130;&#xB97C; subcellular&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xAE30;&#xAD00; &#xADDC;&#xBAA8;&#xC5D0; &#xC774;&#xB974;&#xAE30;&#xAE4C;&#xC9C0; &#xADF8;&#xB4E4;&#xC758; &#xC790;&#xC5F0; multiscale&#xC5D0; &#xC758;&#xD574; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xB54C;&#xBB38;&#xC5D0;, &#xD63C;&#xC790; &#xC2DC;&#xAC01;&#xD654;&#xB294; &#xC6B0;&#xB9AC;&#xAC00; &#xC591;&#xC801; &#xC5F0;&#xACB0; &#xBD84;&#xC11D;&#xC5D0; &#xB300; &#xD55C; &#xAC71;&#xC815; &#xC2DC;&#xC791; &#xD558;&#xAE30; &#xC804;&#xC5D0; &#xAC70; &#xB300; &#xD55C; &#xB3C4;&#xC804; &#xC774;&#xB2E4;. &#xC774; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD558;&#xB824;&#xBA74; &#xC6B0;&#xB9AC;&#xB294; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xC2DC;&#xAC01;&#xD654; &#xD558; &#xACE0; multiscale KESM &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC758; &#xBD84;&#xC11D;&#xC744; &#xC704;&#xD55C; &#xC6F9; &#xAE30;&#xBC18; neuroinformatics &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;&#xB97C; &#xAC1C;&#xBC1C; &#xD588;&#xB2E4;. &#xC774; &#xC885;&#xC774;&#xC5D0; &#xC6B0;&#xB9AC; &#xBA3C;&#xC800; KESM &#xAC1C;&#xC694;&#xB97C; &#xC81C;&#xACF5; &#xAC83;&#xC785;&#xB2C8;&#xB2E4; &#xB2E4;&#xC74C; KESM &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xBC0F; &#xC6F9; &#xAE30;&#xBC18; neuroinformatics framework KESM &#xB1CC; &#xC544;&#xD2C0;&#xB77C;&#xC2A4; (KESMBA) &#xB77C;&#xACE0; &#xD558;&#xB294; &#xC790;&#xC138;&#xD558;&#xAC8C;&#xC5D0;&#xC11C; &#xB17C;&#xC758;. &#xB9C8;&#xC9C0;&#xB9C9;&#xC73C;&#xB85C;, &#xC6B0;&#xB9AC; connectomics &#xC5F0;&#xAD6C;&#xB294; KESMBA&#xC758; &#xAD00;&#xB828;&#xC131;&#xC5D0; &#xC124;&#xBA85; &#xD558; &#xACE0; &#xC2DD;&#xBCC4; &#xB3C4;&#xC804;&#xACFC; &#xBBF8;&#xB798;&#xC758; &#xBC29;&#xD5A5;.

Knife-edge &#xC2A4;&#xCE90;&#xB2DD; &#xD604;&#xBBF8;&#xACBD; &#xB1CC; &#xC544;&#xD2C0;&#xB77C;&#xC2A4;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xB9C8;&#xC6B0;&#xC2A4; &#xB1CC; &#xB9C8;&#xC774;&#xD06C;&#xB85C; &#xAD6C;&#xC870; multiscale &#xD0D0;&#xC0AC;.

Conect&#xF3;mica es el estudio de la matriz de conexi&#xF3;n completo del cerebro. Los recientes avances en alto rendimiento y de alta resoluci&#xF3;n en 3D m&#xE9;todos de microscop&#xED;a han permitido a la obtenci&#xF3;n de im&#xE1;genes de todo el cerebro de los animales peque&#xF1;os con una resoluci&#xF3;n sub-microm&#xE9;trico, lo que podr&#xED;a abrir el camino a la investigaci&#xF3;n en toda regla conect&#xF3;mica. Uno de los primeros instrumentos de este tipo para lograr todo el cerebro escala de im&#xE1;genes a nivel sub-microm&#xE9;trico de resoluci&#xF3;n es el microscopio de barrido filo de la navaja (KESM). KESM de todo el cerebro conjuntos de datos incluyen ahora Golgi (circuitos neuronales), Nissl (distribuci&#xF3;n soma) y tinta china (redes vasculares). Los datos KESM puede contribuir en gran medida a la investigaci&#xF3;n conect&#xF3;mica, ya que llenar el vac&#xED;o entre una resoluci&#xF3;n m&#xE1;s baja, los grandes m&#xE9;todos de imagen de volumen (por ejemplo, la difusi&#xF3;n MRI) y una resoluci&#xF3;n m&#xE1;s alta, los m&#xE9;todos de peque&#xF1;o volumen (por ejemplo, la microscop&#xED;a de seccionamiento serie de electrones). Adem&#xE1;s, los datos KESM son por su propia naturaleza multiescala, que van desde el subcelular de la escala &#xF3;rgano entero. Debido a esto, la visualizaci&#xF3;n por s&#xED; sola es un gran desaf&#xED;o, incluso antes de empezar a preocuparse por el an&#xE1;lisis de la conectividad cuantitativa. Para solucionar este problema, hemos desarrollado un marco basado en la web para la visualizaci&#xF3;n neuroinform&#xE1;tica eficiente y el an&#xE1;lisis de los conjuntos de datos de m&#xFA;ltiples escalas KESM. En este trabajo, primero se proporciona una visi&#xF3;n general de KESM, a continuaci&#xF3;n, analizar en detalle los conjuntos de datos KESM y el basado en la web neuroinform&#xE1;tica marco, que se llama el KESM atlas del cerebro (KESMBA). Por &#xFA;ltimo, vamos a discutir la pertinencia de la KESMBA de conect&#xF3;mica la investigaci&#xF3;n, e identificar los desaf&#xED;os y las direcciones futuras.

John Keyser

Department of Computer Science and Engineering

Texas A&M University

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

John Keyser

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}Department of Computer Science and Engineering

Texas A&M University

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

Department of Computer Science and Engineering