Pour commencer, ouvrez le MATLAB. Ouvrez le fichier test_parallel.m. Dans la variable baseDir, spécifiez l’emplacement du dossier Séquences d’images brutes.
Affectez les variables numOfSlice au nombre total de séquences d’images et numOfImage au nombre d’images dans chaque séquence. Inspectez la séquence d’images du plan central du cœur du poisson-zèbre. Identifiez les numéros d’image des première et quatrième systoles de la séquence et attribuez-les aux variables systolicpoint_1st et systolicpoint_4th.
Cliquez sur Exécuter pour lancer la reconstruction d’imagerie. Téléchargez le package 3D Cell Tracker et configurez l’environnement Python. Téléchargez et ouvrez le logiciel d’annotation ITK-SNAP.
Étiquetez manuellement l’image cardiaque 3D à deux moments, l’un pendant la distale ventriculaire et l’autre pendant la systole ventriculaire pour créer des ensembles de données d’entraînement et de validation. En Python, exécutez le programme d’entraînement 3D Cell Tracker. Dans la fonction 3D de l’unité d’entraînement, initialisez les paramètres noise_level, folder_path et modèle pour définir le modèle d’unité 3D prédéfini.
Dans MATLAB, utilisez imageDimConverter. m pour convertir et renommer le jeu de données d’entraînement et de validation au format approprié pour le chargement. En Python, utilisez l’entraîneur.
load_dataset et formateur. draw_dataset fonctions pour charger les jeux de données d’entraînement et de validation, respectivement. Exécutez ensuite la première partie du programme d’entraînement 3D Cell Tracker et définissez les paramètres d’imagerie pour la segmentation cellulaire 3D.
Maintenant, dans MATLAB, utilisez imageDimConverter. m programme pour convertir et renommer toutes les images 3D du cœur au format approprié et les transférer dans le dossier de données. En Python, exécutez la deuxième partie du programme 3D Cell Tracker pour lancer la segmentation.
Une fois la première image 3D segmentée, comparez le résultat de la segmentation avec l’image brute. Déplacez la segmentation corrigée vers le dossier Volume Un manuel créé. En Python, exécutez la troisième partie du programme 3D Cell Tracker pour segmenter toutes les images.
Ensuite, ouvrez le logiciel Amira et comparez les positions des cellules suivies avec leurs images brutes correspondantes pour une évaluation visuelle des résultats du suivi. Validez manuellement les données de suivi des résultats des cellules et sélectionnez des cellules avec une intensité d’image constante sur tous les volumes. Dans le logiciel 3D Slicer, en utilisant des étiquettes de cellule pour OBJ.
IPYNB Script, générez un maillage de surface et attribuez un code couleur unique à chaque cellule. Exportez chaque modèle 3D sous la forme d’un seul fichier OBJ avec plusieurs sous-objets accompagnés d’un fichier MTL pour décrire l’étiquette de la cellule. Importez les modèles 3D dans Unity, à l’aide de la licence éducative.
Appliquez les scripts personnalisés composés de fonctions écrites dans le programme C# aux modèles et aux éléments de l’interface utilisateur pour la visualisation 4D et l’analyse interactive.
