시작하려면 MATLAB을 엽니다. test_parallel.m파일을 엽니다. baseDir 변수에서 Raw Image Sequences 폴더 위치를 지정합니다.
numOfSlice 변수에 총 영상 시퀀스 개수를 할당하고 numOfImage에 각 시퀀스의 영상 개수를 할당합니다. 제브라피시 심장의 중간 평면의 이미지 시퀀스를 검사합니다. 시퀀스에서 첫 번째 수축기와 네 번째 수축기의 프레임 번호를 식별하고 변수 systolicpoint_1st와 systolicpoint_4th에 할당합니다.
Run(실행)을 클릭하여 Imaging Reconstruction(이미징 재구성)을 시작합니다. 3D Cell Tracker 패키지를 다운로드하고 Python 환경을 설정합니다. ITK-SNAP 주석 소프트웨어를 다운로드하여 엽니다.
두 개의 시점(심실 원위부와 심실 수축기 동안)에서 3D 심장 영상에 수동으로 레이블을 지정하여 훈련 및 검증 데이터 세트를 생성합니다. Python에서 3D Cell Tracker 교육 프로그램을 실행합니다. Training Unit 3D Function에서 noise_level, folder_path, Model 파라미터를 초기화하여 Predefined 3D Unit Model을 설정합니다.
MATLAB에서는 imageDimConverter를 사용합니다. m 프로그램을 사용하여 훈련 및 검증 데이터셋을 불러오기에 적합한 형식으로 변환하고 이름을 바꿀 수 있습니다. Python에서는 트레이너를 사용합니다.
load_dataset과 트레이너. draw_dataset 함수를 사용하여 각각 훈련 및 검증 데이터 세트를 불러올 수 있습니다. 그런 다음 3D Cell Tracker Training Program의 첫 번째 부분을 실행하고 3D Cell Segmentation을 위한 이미징 파라미터를 정의합니다.
이제 MATLAB에서 imageDimConverter를 사용합니다. m 프로그램을 사용하여 모든 3D 하트 이미지를 적절한 형식으로 변환하고 이름을 바꾸고 데이터 폴더로 전송합니다. Python에서 3D Cell Tracker Program의 두 번째 부분을 실행하여 분할을 시작합니다.
첫 번째 3D 이미지가 분할되면 분할 결과를 원시 이미지와 비교합니다. 수정된 세그멘테이션을 생성된 Manual Volume One 폴더로 이동합니다. Python에서 모든 이미지를 분할하기 위해 3D Cell Tracker Program의 세 번째 부분을 실행합니다.
그런 다음 Amira 소프트웨어를 열고 추적 결과를 시각적으로 평가하기 위해 추적된 세포의 위치를 해당 원시 이미지와 비교합니다. 세포 추적 결과 데이터를 수동으로 검증하고 모든 부피에서 일관된 이미지 강도를 가진 세포를 선택합니다. 3D 슬라이서 소프트웨어에서 셀 레이블을 사용하여 OBJ.
IPYNB 스크립트에서 표면 메쉬를 생성하고 각 셀에 고유한 색상 코드를 할당합니다. 각 3D 모델을 셀 레이블을 설명하는 MTL 파일과 함께 여러 하위 오브젝트가 있는 단일 OBJ 파일로 내보냅니다. 교육용 라이선스를 사용하여 3D 모델을 Unity로 임포트합니다.
C# 프로그램으로 작성된 함수로 구성된 사용자 지정 스크립트를 4D 시각화 및 대화형 분석을 위한 모델 및 사용자 인터페이스 요소에 적용합니다.
