Biz kabul ve Rui Wang ve Wah Chiu Baylor cryoET veri kümesi sağlamak için Tıp Fakültesi üzerinden ve Andrew Bodey elmas ışık kaynağından gelen I13 beamtime ile yardım için teşekkür ederiz istiyorum. Bu araştırma bölümlerini Imanol Luengo doktora STU0079 altında ortaklaşa finansmanı için ulusal kurumları Sağlık (NIH) grant No (elmas ışık kaynağı kabul P41GM103832) tarafından desteklenmiştir.

Not: genellikle yararlı aralıkları için her işlem adımını parametreleri ve burada gösterilen her veri türü için belirli parametreleri Tablo 1 ' de sağlanan.
 1. bir çalışma alanı ve veri yükleme hazırlama <ol><li>SuRVoS tezgah, denize indirmek açık veri kümesi düğmesini tıklatın ve çıkan popup parçalara için veri dosyasını seçin. Veri kümesi uygun bir yönünü seçin. Sonra çalışma alanı ve ilişkili dosyaları depolanacağı bir klasör oluşturun veya seçin. Bu klasörü yeni bir segment oluşturma başlatma sırasında boş önerilir. Verileri yüklendikten sonra tezgah soldaki Eklentiler bölmesinde, sağ ve ( şekil 1) iki bölme arasında aracı kısayol kümesini görselleştirme bölmesi ile açılacak.</li>
</ol> 2. Önişleme ve veri gösterimi giriş <ol><li>YG seçin sekmesi, z, y ve x başlangıç ve bitiş koordinatları faiz ve tıklama için ekleyin. Uygun y ve x seçmek için koordinatları görüntü üzerinde bir nokta üzerine fareyi getirin. Z koordinatları görselleştirme bölmesinin üst kısmında ayar düğmesini kullanarak seçin. Bir bölge eklendikten sonra sağdaki kutuyu işaretleyerek seçili olduğundan emin olun. Tüm aşağı akım hesaplamalar Seçili bölge üzerinde gerçekleştirilecek. Genellikle, küçük bir ile başlayarak, parametreler optimize etmek ve bu parametreler parçalara için bütün alan yeniden uygulayarak ilgi (ROI), temsilcisi bölge tavsiye edilir.</li>
	<li>İçinde özelliği kanalları sekmesi, bir özellik/filtre seçin ve sıraya eklemek için üst kısmında damla-aşağı yemek listesi kullanmak (özellik Kanallar hakkında daha fazla bilgi için konuya bakın). Bir özellik/filtre eklenir ve onun adını tıklayarak seçilir sonra özellik/filtre için özel seçenekleri değiştirmek ve özellik/filtre çalıştırılacağı giriş veri kümesi seçin. Tüm seçenekleri seçtikten sonra hesaplamak için özellik/filtre adının sağındaki onay kutusunu tıklatın.
	<ol><li>Yeni bir veri kümesi parametrelerini optimize etmek için birden çok filtre/özellikler eklemek ve onlar için parametreleri tercih sırasına göre hesaplanan, birbiri ardına bir önce. Bunu yapmak için her yeni filtre/özellik eklemek ve uygun parametreleri seçmek, her filtre/özelliğini çalışmasına solundaki kutuyu işaretleyin ve bölmesinin en üstündeki hesaplama özellikleri kutusunu tıklatın. Ek bilgi için bkz.</li>
	</ol></li></ol> 3. Uygun süper bölgeleri üreten <ol><li>içinde Super bölgeler sekmesini, Supervoxels bölümünde hangi supervoxels Oluşturulacak süzülmüş veri kümesi seçmek için kaynak açılır menüsünü kullanın. Sonra şekli, Aralık ve kompakt (daha fazla bilgi için bkz: tartışma ve Şekil 2) supervoxels belirtin. Son olarak, supervoxels oluşturmak için Uygula düğmesini tıklatın. Supervoxels oluşturduğunuzda bunlar açık ya da kapalı görselleştirme bölmesi ve görselleştirme sekmesini ve Görüntüleyicisi penceresi kısayol kontrollü şeffaflık içinde görüntülenebilir.</li>
	<li>Megavoxels bölümünde Super bölgeleri sekmesine megavoxels oluşturulmasında kullanılacak filtre uygulanmış veri kümesi seçmek için kaynak aşağı açılan menüsünü kullanın. Ardından, lambda, numBins ve megavoxels (daha fazla ayrıntı için konuya bakın) Gama parametreleri belirtin. Megavoxels oluşturduğunuzda bunlar açık ya da kapalı görselleştirme bölmesi ve görselleştirme sekmesini ve Görüntüleyicisi penceresi kısayol kontrollü şeffaflık içinde görüntülenebilir.</li>
</ol> 4. Ek açıklama giriş <ol><li>içinde ek açıklamalar sekmesini bir ek açıklama düzeyi eklemek için Ekle düzey düğmesini kullanın. Bir düzey eklendikten sonra eklenti için etiket eklemek için bu kademede etiket ekle düğmesini kullanın. Etiketin rengini ve adı eklendi sonra ek açıklama kolaylığı için değiştirilebilir.</li>
	<li>Sonra ek açıklama ekleme, başlamak için kalem simgesi Aracı kısayol bölümünden seçin. Bu seçildiğinde bir seçenek kümesi görselleştirme bölmesinin üst kısmında görüntülenir. Bu seçenekler kalem genişliği ve voxels, supervoxels veya megavoxels açıklama eklemek için kullanılıp kullanılmayacağı denetler.
	<ol><li>Modeli eğitim amacıyla, genellikle, supervoxels ek açıklama düzeyi açılan kutusunda seçin. ve orta halli büyük kalem genişliği için kullanılmalıdır. Ek açıklamalar sekmesini etiket bilgisini sağ kutusunu işaretleyerek açıklamalı etiketi seçin. Ardından, tek bir supervoxel açıklama eklemek veya tıklatın ve birçok ek açıklama eklemek için sürükleyin için görsel öğe bölmesinde tıklatın. 
		Not: Voxels ve megavoxels ek açıklama düzeyi açılan kutusunda seçilebilir ve hangi megavoxels söz konusu olduğunda, parçalara için benzer voxels fare tek bir tıklama ile binlerce etkinleştirebilirsiniz aynı şekilde açıklama eklemek için kullanılır.</li>
	</ol></li></ol> 5. Segmentasyon kullanarak modeli eğitim microCT veri kümesi ile gösterdi.
 Not: ilk Segmentasyon birçok veri kümeleri için birden çok büyük bölgeleri birbirinden ayırt etmektir. Örneğin, sitoplazma veya dış buz ve destek yapısı hücre çekirdeği ayıran. Bu tür segmentasyon, net belirlendi sınırlar ve büyük bölgeleri, bir modeli eğitim yararlıdır. Bunu göstermek için Goosegrass, x-ışını faz kontrast tomografik veriler kullanılacaktır.
<ol><li>Verileri yüklemek, filtre ve özellik paketi kullanarak önişlem ve uygun supervoxels ve/veya parametreler Tablo 1 ' de bir kılavuz olarak kullanarak Yukarıdaki bölümlerde açıklandığı gibi megavoxels belirlemek. Bölüm 4'te, Tablo 1 ve yönergeleri parametreleri kullanmaya devam kabaca açıklama bazı geniş alanlar veri kümesi, şekil 3 ' te gösterildiği gibi. 
	Not: Veri kümesi bu noktada tamamen parçalara gerekmez.</li>
	<li>Modeli eğitim sekmesinde, predict düzey el kitabı eğitim ek açıklamalar içerir düzeyi ve tanımlayıcısı bölümü bölge Supervoxels için ayarlayın. Sonra kaynakları seçin açılan üzerinde tıklayarak özellikler kutuları ve seçim filtreleri kontrol veri bölgeleri ayırmak için kullanılacak olan tanımlayıcıları seçin (bkz. Tablo 1 ve tartışma).</li>
	<li>Sonra predict butonuna tıklayın. Hesaplama tamamlandıktan sonra Görselleştirme Bölmesi ait tahmin edilmektedir Öngörüler için tüm-in hangi ek açıklama sınıfların gösterilen sigara etiketli voxels güncelleştirilir. Genel olarak, varsayılan parametreler her Sınıflandırıcısı metodoloji için iyi bir başlangıç noktası sağlar ve kullanıcı yalnızca sınıflandırıcı arasında iyi bir uyum bulmak için geçiş yapmanız. Ancak, uzman veya deneyimli kullanıcılar için seçenekleri her Sınıflandırıcısı için kullanılabilir ve değiştirilebilir.</li>
	<li>Eğitim metodolojisi etkisini değerlendirmek ve bir seçmeden sonra ek iyileştirme arıtma bölümünde açılan İyileştir tıklayarak uygulamak. At modeli eğitim alt sekme, buna &#34; güncelleştirme ek açıklamaları &#34; bölümünde, görselleştirme aþaðý açýlan menü Predictio için ayarlandığından emin olunNS. Daha fazla veya daha az atamak için güven kaydırıcıyı kullanın, seçilen eklenti etiketleri için unannotated supervoxels.</li>
	Güven uygun bir düzeyde seçildikten sonra <li>görsel inceleme üzerine dayalı Kaydet etiketleri yanında güven aracı alt kısmında Öngörüler belirli etiketleri içine kaydetmek için düğmeleri kullanın. Görselleştirme Bölmesi değişiklikleri göstermek için güncellenir. Her etiketin ayrı ayrı saklanabilir ve gerçekten de, etiketleri daha küçük alt bölgelerden değerleri ve son z, y ve x kutuları giren ve her etiket için Kaydet düğmesini tıklayarak tarafından kaydedilebilir.</li>
	Daha fazla bölüm 4'te açıklandığı gibi eğitim veri sağlayan adres küçük mislabeling <li>. Uygun Öngörüler için etiketlerin eklendikten sonra arıtma ile eğitim ve daha fazla olana güvenilirliği yüksek tahminler ekleyerek modeli işlemi yineleyin supervoxels etiketsiz. Model eğitim süreci orada çalıştırmak her zaman daha atanan nedeni ile tren supervoxels etkili olmasıdır ve bu nedenle işlem yinelemeleri arttıkça daha sağlam olur.</li>
</ol> 6. Süper bölgeleri kullanarak bölümleme CryoET veri kümesi ile gösterdi.
 Not: beri süper bölge segmentasyon daha küçük, discretely ilişkili alanlar için yararlı, odak burada segmentasyon organelleri ve mikrotübüller bu veri kümesi içinde olacak. Modeli eğitim hızlı bir şekilde arka plan buz ve karbon trombosit segmentlere ayırmak için kullanılan; Bu parametreler daha fazla tartışılmamış ama Tablo 1 ' de sunulmaktadır.
<ol><li>Verileri yüklemek, filtre ve özellik paketi kullanarak önişlem ve uygun supervoxels ve/veya parametreler Tablo 1 ' de bir kılavuz olarak kullanarak Yukarıdaki bölümlerde açıklandığı gibi megavoxels belirlemek.</li>
	<li>Ekle uygun düzeyleri ve etiketleri için ek açıklama sekmesinde, bir etiket seçin ve bir orta halli kullanarak ek açıklama ekleme başlar kalem genişliği Seçili supervoxels ile. Gerek onları tek bir nesne olarak etiketleme önlemek için birbirine yakın nesneleri için farklı Etiketler seçmek için dikkatli olun.</li>
	Ayrıca, ek açıklamalar kadar temizlemek için <li>morfolojik arıtma yöntemleri (dilatasyon, erozyon, açılış, kapanış ve dolgu delikli) kullanın. Bu seçenekler ek açıklamaları sekmesinin alt kısmında bulunabilir. Onları kullanmak için segmentasyon etiket ve arıtma yöntemini seçin. Yarıçap değeri girin ve nasıl arıtma uygulanacağını seçin. İyileştir'i tıklatın.</li>
</ol> 7. Sınıflandırma ve analiz verileri doğal özellikleri, nesneleri dayalı gösterdi CryoSXT veri kümesi ile Not: genel olarak, bölümleme sonra sonraki adım olduğunu veri analizi. Nesneleri ortalama nesne yoğunluğu, varyans, birim veya konum gibi içsel özelliklerini temel alan kuralları kullanarak bölümlenmiş nesneleri sınıflandırılması için SuRVoS içindeki etiket splitter aracını sağlar. Her yeni nesne sınıfı için bu önlemleri arasındaki ilişkileri görüntüleme için etiket istatistik aracı sağlar. Segmentasyon sonra karmaşık 3B veri analizi için güçlü yeni araçlar bunlar.
<ol><li>Verileri yüklemek, filtre ve özellik paketi kullanarak önişlem, uygun supervoxels ve/veya megavoxels ve parametreleri Tablo 1 ' de bir kılavuz olarak kullanarak Yukarıdaki bölümlerde açıklandığı gibi segment belirlemek.</li>
	Segmentasyon, görselleştirme bölmesinin ikinci sekmesini tıklatın etiket Splitter dedikten sonra <li>. Bu pencere - kural oluşturma bölmesinin sağ tarafında yeni bir alan ekler.</li>
	<li>Bu alan üst kısmında uygun bir düzeyde ve etiket bölme için etiketleri seçin. Sonra etiketini tıklatın ve sorgu için veri kümesi seçin. Ayrı nesneler görselleştirme ve nesneleri ortalama yoğunluğu gösterilen bir arsa-ecek var olmak göstermek içinde belgili tanımlık kural oluşturma cam gibi tüm nesneleri seçili etiketlerdeki şimdi mavi özetlenen. Üst kısmında sağ tarafta açılan kutuyu mezarlığına gösterilmeden ölçü birimi değiştirmek için tıklayın.</li>
	<li>Nesneleri ilgili sınıfları bölmek başlamak için tıklatın kural oluşturma bölmesinin en altında yeni etiket ekleyin. Yeni bu etiketle ilişkilendirilmiş renk ve adı daha önce açıklandığı şekilde değiştirilebilir.
	<ol><li>Ekle yeni kural ve açılan ve serbest form giriş kutularını kullanarak uygulanacak kural tanımlayın. Görsel öğe bölmesinde yeni kural ve arsa kural oluşturma bölmesinde etkisini görmek için Uygula'yı tıklatın. Birden çok kural için tek bir etiket uygulanabilir ve birden çok etiket-ebilmek var olmak mahluk aynı veri kümesi içinde. 
		Not: herhangi bir etiketsiz nesneleri toplamak için yeni bir etiket oluşturmak ve bir kural ekleme yerine, başka seçin tıklatın.</li>
	</ol></li> <li>İlgi nesneleri yeni etiketleri bölünmüş olan, yeni, boş bir düzey ek açıklamalar sekmesini oluşturmak. Sonra bu düzeyi kural oluşturma sekmesini seçin ve etiketleri tıklatın. Bu yeni Etiketler boş bu seviyeye kurtaracak.</li>
	<li>Etiket istatistik sekmesini Görselleştirme Bölmesi kenarında. Bu nesne sınıfları veri arasındaki ilişkileri anlamaya başlamak için kullanılan yeni bir görselleştirme bölmesi açar. Üst kısmında uygun bir düzeyde ve etiketleri ve veri kümesi sorgu için seçin.
	<ol>Bir kaç ölçü yanlarındaki kutularını denetleyerek faiz farklı <li>seçin. O zaman etiketini tıklatın. Bu ikili karşılaştırma araziler her seçili önlemleri için üretecektir. Araziler güncelleştirmek için seçin veya uygun önlemleri seçimini kaldırın sonra güncelleştirme arsa tıklatın.</li>
	</ol></li></ol> 8. Veri ve Segmentations verme <ol><li>araziler ve ham ölçüm verileri verme arsa ve ihracat verileri, sırasıyla, görselleştirme bölmesi etiket istatistikler sekmesi tıklatılarak verme.</li>
	<li>Görüntü verileri ve segmentations eklentileri bölmesinde dışa aktar sekmesini tıklayarak vermek. Önce verilerin kaydedileceği bir klasör seçmek için tıklatın. Sonra çıktı (ham veri, ham ek açıklamalar, segmentasyon maskeleri veya maskeli veri) ve (HDF5, MRC veya TIFF) biçimi seçin. Son olarak, onay kutularını kullanma dışa aktarılacak ek açıklama düzeylerini seçin ve Ver'i tıklatın. Veri ölçekli ve gerektiği gibi dışa aktarma önce ters. Maskeli veri verilirken, mask(s) uygulanacak veri kümesi aşağı açılan menüsünü kullanarak seçilebilir.</li>
</ol>

<ol>
	<li>. DiamondLightSource/SuRVoS: Version 1.0. Zenodo Available from: <a target="_blank" href="https://zenodo.org/record/247547">https://zenodo.org/record/247547</a> (2017)</li><li>. SuRVoS Workbench - Super Region Volume Segmentation Available from: <a target="_blank" href="https://diamondlightsource.github.io/SuRVoS/">https://diamondlightsource.github.io/SuRVoS/</a> (2017)</li><li>Frangakis, A. S., F&#246;rster, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Computational+exploration+of+structural+information+from+cryo-electron+tomograms.">Computational exploration of structural information from cryo-electron tomograms.</a> Curr Opin Struct Biol. 14 (3), 325-331 (2004).</li><li>Luci&#263;, V., F&#246;rster, F., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Structural+studies+by+electron+tomography:+from+cells+to+molecules.">Structural studies by electron tomography: from cells to molecules.</a> Annu Rev Biochem. 74, 833-865 (2005).</li><li>Lu&#269;i&#269;, V., Rigort, A., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cryo-electron+tomography:+the+challenge+of+doing+structural+biology+in+situ.">Cryo-electron tomography: the challenge of doing structural biology in situ.</a> J Cell Biol. 202 (3), 407-419 (2013).</li><li>Milani, M., Drobne, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Focused+ion+beam+manipulation+and+ultramicroscopy+of+unprepared+cells.">Focused ion beam manipulation and ultramicroscopy of unprepared cells.</a> Scanning. 28 (3), 148-154 (2006).</li><li>Denk, W., Horstmann, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Serial+Block-Face+Scanning+Electron+Microscopy+to+Reconstruct+Three-Dimensional+Tissue+Nanostructure.">Serial Block-Face Scanning Electron Microscopy to Reconstruct Three-Dimensional Tissue Nanostructure.</a> PLoS Biol. 2 (11), (2004).</li><li>Rigort, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+segmentation+of+electron+tomograms+for+a+quantitative+description+of+actin+filament+networks.">Automated segmentation of electron tomograms for a quantitative description of actin filament networks.</a> J Struct Biol. 177 (1), 135-144 (2012).</li><li>F&#246;rster, F., Han, B. -. G., Beck, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+Proteomics.">Visual Proteomics.</a> Meth Enzymolb. 483, 215-243 (2010).</li><li>Liu, Y., Sigworth, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+cryo-EM+particle+selection+for+membrane+proteins+in+spherical+liposomes.">Automatic cryo-EM particle selection for membrane proteins in spherical liposomes.</a> J Struct Biol. 185 (3), 295-302 (2014).</li><li>Asano, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+molecular+census+of+26S+proteasomes+in+intact+neurons.">A molecular census of 26S proteasomes in intact neurons.</a> Science. 347 (6220), 439-442 (2015).</li><li>Gardu&#241;o, E., Wong-Barnum, M., Volkmann, N., Ellisman, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Segmentation+of+electron+tomographic+data+sets+using+fuzzy+set+theory+principles.">Segmentation of electron tomographic data sets using fuzzy set theory principles.</a> J Struct Biol. 162 (3), 368-379 (2008).</li><li>Sommer, C., Straehle, C., K&#246;the, U., Hamprecht, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ilastik:+Interactive+learning+and+segmentation+toolkit.">Ilastik: Interactive learning and segmentation toolkit.</a> 2011 IEEE Int Symp Biomed Imaging: From Nano to Macro. , 230-233 (2011).</li><li>Darrow, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Structural+Mechanisms+of+Mutant+Huntingtin+Aggregation+Suppression+by+the+Synthetic+Chaperonin-like+CCT5+Complex+Explained+by+Cryoelectron+Tomography.">Structural Mechanisms of Mutant Huntingtin Aggregation Suppression by the Synthetic Chaperonin-like CCT5 Complex Explained by Cryoelectron Tomography.</a> J Biol Chem. 290 (28), 17451-17461 (2015).</li><li>Wang, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Electron+cryotomography+reveals+ultrastructure+alterations+in+platelets+from+patients+with+ovarian+cancer.">Electron cryotomography reveals ultrastructure alterations in platelets from patients with ovarian cancer.</a> Proc Natl Acad Sci USA. 112 (46), 14266-14271 (2015).</li><li>Shahmoradian, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=TRiC's+tricks+inhibit+huntingtin+aggregation.">TRiC's tricks inhibit huntingtin aggregation.</a> eLife. 2, (2013).</li><li>Dai, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visualizing+virus+assembly+intermediates+inside+marine+cyanobacteria.">Visualizing virus assembly intermediates inside marine cyanobacteria.</a> Nature. 502 (7473), 707-710 (2013).</li><li>Sandberg, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Methods+for+Image+Segmentation+in+Cellular+Tomography.">Methods for Image Segmentation in Cellular Tomography.</a> Methods Cell Biol. 79, 769-798 (2007).</li><li>Volkmann, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Methods+for+Segmentation+and+Interpretation+of+Electron+Tomographic+Reconstructions.">Methods for Segmentation and Interpretation of Electron Tomographic Reconstructions.</a> Methods Enzymol. 483, 31-46 (2010).</li><li>Tsai, W. -. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=From+Voxels+to+Knowledge:+A+Practical+Guide+to+the+Segmentation+of+Complex+Electron+Microscopy+3D-Data.">From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data.</a> J Vis Exp. (90), (2014).</li><li>. Amira &amp; Avizo 3D: Software for Scientific and Industrial Data Available from: <a target="_blank" href="https://www.fei.com/software/amira-avizo/">https://www.fei.com/software/amira-avizo/</a> (2016)</li><li>Kremer, J. R., Mastronarde, D. N., McIntosh, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Computer+Visualization+of+Three-Dimensional+Image+Data+Using+IMOD.">Computer Visualization of Three-Dimensional Image Data Using IMOD.</a> J Struct Biol. 116 (1), 71-76 (1996).</li><li>Nguyen, H., Ji, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Shape-driven+three-dimensional+watersnake+segmentation+of+biological+membranes+in+electron+tomography.">Shape-driven three-dimensional watersnake segmentation of biological membranes in electron tomography.</a> IEEE trans med imaging. 27 (5), 616-628 (2008).</li><li>Rusu, M., Starosolski, Z., Wahle, M., Rigort, A., Wriggers, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+tracing+of+filaments+in+3D+electron+tomography+reconstructions+using+Sculptor+and+Situs.">Automated tracing of filaments in 3D electron tomography reconstructions using Sculptor and Situs.</a> J Struct Biol. 178 (2), 121-128 (2012).</li><li>Moussavi, F., Heitz, G., Amat, F., Comolli, L. R., Koller, D., Horowitz, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=3D+segmentation+of+cell+boundaries+from+whole+cell+cryogenic+electron+tomography+volumes.">3D segmentation of cell boundaries from whole cell cryogenic electron tomography volumes.</a> J Struct Biol. 170 (1), 134-145 (2010).</li><li>Hecksel, C. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantifying+Variability+of+Manual+Annotation+in+Cryo-Electron+Tomograms.">Quantifying Variability of Manual Annotation in Cryo-Electron Tomograms.</a> Microsc Mpicroanal. 22 (3), 487-496 (2016).</li><li>Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., S&#252;sstrunk, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SLIC+superpixels+compared+to+state-of-the-art+superpixel+methods.">SLIC superpixels compared to state-of-the-art superpixel methods.</a> IEEE trans pattern anal mach intell. 34 (11), 2274-2282 (2012).</li><li>Luengo, I., Basham, M., French, A. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+global+interactive+volume+segmentation+with+regional+supervoxel+descriptors.">Fast global interactive volume segmentation with regional supervoxel descriptors.</a> Proc. SPIE. 9784, (2016).</li><li>Luengo, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SuRVoS:+Super-Region+Volume+Segmentation+Workbench.">SuRVoS: Super-Region Volume Segmentation Workbench.</a> J Struct Biol. 198 (1), 43-53 (2017).</li><li>. DiamondLightSource/Savu: Version 1.2. Zenodo Available from: <a target="_blank" href="https://zenodo.org/record/198726">https://zenodo.org/record/198726</a> (2014)</li><li>Paganin, D., Mayo, S. C., Gureyev, T. E., Miller, P. R., Wilkins, S. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Simultaneous+phase+and+amplitude+extraction+from+a+single+defocused+image+of+a+homogeneous+object.">Simultaneous phase and amplitude extraction from a single defocused image of a homogeneous object.</a> J Microsc. 206 (Pt 1), 33-40 (2002).</li><li>van Aarle, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+and+flexible+X-ray+tomography+using+the+ASTRA+toolbox.">Fast and flexible X-ray tomography using the ASTRA toolbox.</a> Opt Express. 24 (22), 25129-25147 (2016).</li><li>Palenstijn, W. J., Batenburg, K. J., Sijbers, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Performance+improvements+for+iterative+electron+tomography+reconstruction+using+graphics+processing+units+(GPUs).">Performance improvements for iterative electron tomography reconstruction using graphics processing units (GPUs).</a> J Struct Biol. 176 (2), 250-253 (2011).</li><li>Mastronarde, D. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dual-Axis+Tomography:+An+Approach+with+Alignment+Methods+That+Preserve+Resolution.">Dual-Axis Tomography: An Approach with Alignment Methods That Preserve Resolution.</a> J Struct Biol. 120 (3), 343-352 (1997).</li><li>Duke, E., Dent, K., Razi, M., Collinson, L. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biological+applications+of+cryo-soft+X-ray+tomography.">Biological applications of cryo-soft X-ray tomography.</a> J Microsc. 255 (2), 65-70 (2014).</li><li>Arbel&#225;ez, P., Maire, M., Fowlkes, C., Malik, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Contour+detection+and+hierarchical+image+segmentation.">Contour detection and hierarchical image segmentation.</a> IEEE trans pattern anal mach intell. 33 (5), 898-916 (2011).</li></ol>

Yazarlar onlar rakip hiçbir mali çıkarları var bildirin.

SuRVoS tezgah parametrelerinin optimizasyonu gerçek ayrılmasını başlamadan önce gerekli ve önemli bir adım olduğunu diğer bölümleme programlarından farklıdır. Bazı el ile veya yarı manuel segmentasyon programlarda, kullanıcı yeni bir proje açma birkaç dakika içinde segmentlere başlar. SuRVoS ile çünkü büyük miktarda ses çok az kullanıcı girişi ile bölümlenmiş ve sınırları program tarafından belirlenen parametrelerini optimize başarılı bir bölümleme için önemlidir. Özellikle, özellik kanalları ve süper bölge bina nerede dikkat edilmeli iki alanlardır.
Özellik kanalları ve modeli eğitim
Ham veriler ek olarak, SuRVoS ek veri kümelerini veya varolan bir dataset nesnesinden türetilen kanalları oluşturmak kullanıcının. Bu kanallar hesaplama yöntemleri veya özellik sökücüler kullanılarak oluşturulabilir. Her biri veri temsilcilikleri paralel olarak kullanılabilir ve tek tek özellik veya filtre uygulama sonuçlarını değerlendirmek için görüntülenebilir. Bu özellikleri nedeniyle, onlar için SuRVoS kanallarında özelliği olarak adlandırılır. SuRVoS içinde sağlanan birçok özelliği kanal seçenekleri vardır. Burada kullanılan parametreleri ve seçenekleri hakkında bilgi için bkz: https://diamondlightsource.github.io/SuRVoS/ 2ziyaret Tablo 1, tam listesi ve açıklamaları kullanılabilir özellik kanal için. İlk, gürültülü veri kümeleri yarar Gauss veya toplam ile denoising varyasyon filtre. Bu tavsiye edilir daha fazla özelliği kanal ve supervoxel/megavoxel hesaplamaları gerçekleştirilen bu denoised veri kümeleri veri kaynağı olarak kullanarak. Genel olarak, toplam değişim denoised veri kümesi özelliği kanal ve supervoxel/megavoxel hesaplamaları için kaynak veri olarak kullanılır. Bu varsayılan değerlerle çalıştırın, sonuç 3D değerlendirmek ve son olarak, yinelenen veri kümesi parametrelerini optimize etmek için önerilmektedir. Ayrıca, kanalları içine "filtre ayarlar" için özel olarak inşa edilebilir özelliği veri kümesi ve bu can yönlerini izole sonra supervoxels ve megavoxels oluşturmak için veri kaynağı olarak kullanılabilir. Bu strateji oldukça veri kümesi bağımlı olmakla birlikte, yararlı olabilir.
Özelliği kanalları sınıflandırıcı içinde modeli eğitim eğitmek için kaynak olarak da kullanılır. Hangi özellik kanalları kullanmak için bu birkaç sağlam özelliği kanal (örneğin, blob algılama, doku ve yapısı veya güçlü özellikler Kategoriler) ek açıklamaları küçük bir miktar ile çalışırken eğitmek için kullanılmasını tavsiye edilir karar verirken Sınıflandırıcısı. Büyük miktarda eğitim veri ile çalışırken, onlar Sınıflandırıcısı çeşitli bilgileri sürece daha fazla özellik Kanal genel kategorilerin hiçbirine kullanmak için tavsiye edilir (örneğin, Yukarıdaki liste özelliği kanalları yerel Ekle özellikleri ve Gauss özellikler Kategoriler).
Eğitim modeli için üç ana bölümü vardır: verileri tanımlayan giriş veri kaynakları sağlayarak, bir Sınıflandırıcısı eğitmek için bu girişleri kullanarak ve sonunda rafineri çıkış Öngörüler. Genel olarak, daha küçük veri bölgelerinde daha büyük veri bölgelerinde daha az kullanıcı ek açıklamaları gerektirirken Sınıflandırıcısı, doğru bir şekilde eğitmek için daha fazla kullanıcı ek açıklamaları gerektirir. Modeli eğitim ilk bir arıtma seçmeden en iyi tahminler bulmak için kullanılabilir. O zaman arıtma içerir ve lambda parametre tahminlerle delik veya pürüzlü kenarları gibi sorunları düzeltmek için gerekli en iyi şekilde.
Supervoxels ve megavoxels
Supervoxels olan küme birden çok yakın, benzer voxels38,39. Supervoxels sonra yinelenen temel sınırları uymak için deforme veriler üzerinde overlaid bir standart 3D kılavuz olarak başlar ve böylece daha iyi verileri temsil eder. Supervoxel oluşturma ve deformasyon dört kullanıcı girişi tarafından denetlenebilir: veri kaynağı, superpixel şekli, Aralık ve anlatım. Veri kaynağı supervoxel oluşturma sırasında sorgulanan veri girişleri sağlar. Herhangi bir kaynak filtre uygulanmış veri kaynakları da dahil olmak üzere kullanılabilir. Superpixel şekil parametrelerini başlangıç 3D kılavuz ve elde edilen supervoxels yaklaşık istenen şeklini belirler. Bu parametreleri değiştirme artırın veya deformasyon önce supervoxels boyutunu azaltın. Aralığı parametrelerini sınırları önemini her yönde tanımlayın. Bu parametreleri değiştirme sınırları içinde bir vurgulamak veya iki yönde diğer (s), elde edilen supervoxels anlam pahasına daha iyi veri sınırları içinde verilen direction(s) takip deforme. Son parametre, anlatım, ne kadar supervoxels deforme kontrol eder. Çok düşük anlatım sayıda daha fazla deforme supervoxels olanak tanır. Bu parametreler veri ilgi sınırlarını temsil supervoxels sağlamak için optimize edilmelidir. Not: Şu anda, 1024 supervoxel şekil parametreleri eşit olmalıdır veya daha az zaman birlikte çarpılır.
Bir bakıma supervoxel parametreleri birbirimiz için "doğru cevabı" hiç kimse olduğu anlamına gelir telafi edebilirsiniz parametreleri üzerinde karar verirken. Örneğin, büyük bir başlangıç kılavuzu (örneğin superpixel şekli: 10 x 10 x 10) ve düşük anlatım numarası (örneğin 20) supervoxels benzer sınır bağlılık ile karşılaştırıldığında küçük bir başlangıç kılavuzu (örneğin superpixel Şekil 5 x 5 x 5) ve daha yüksek bir ile verebilir kompaktlık numarası (örneğin 50). İkinci senaryoda, daha küçük supervoxels olduğu için daha fazla, sınırları temsil edecek kadar deforme gerekmez. Her iki parametre kümesi DataSet bölümleme için uygun olabilir.
Supervoxel parametreleri seçerken en büyük dikkate ne kadar iyi supervoxels verileri göstermek olur. Supervoxels tek başına olduğu gibi şekil 2B, altlarında, veriler olmadan görüntüleme supervoxel parametrelerini değerlendirmek için iyi bir yoldur. Bu şekilde görüntülendiğinde, kenarları ve verilerde bulunan şekillerin anahatları hala supervoxels içinde görünür olmalıdır.
Megavoxels birden fazla komşu, benzer supervoxels38,39nin ikinci büyük şirketler vardır. Bunlar yine dört kullanıcı girişi tarafından kontrol edilir: veri kaynağı, lambda, numbins ve gama. Supervoxels gibi veri kaynağı megavoxel oluşturma sırasında sorgulanan veri girişleri sağlar. Lambda ve numbins megavoxels boyut ve sınır yapışma etkisi. Megavoxels daha büyük (yüksek lambda, düşük numbins) büyüdükçe, onların sınır bağlılık azalır. Tersi de doğrudur, sınır bağlılık ile artacak küçük megavoxels (düşük Lamda, yüksek numbins), ancak megavoxel boyutu azalır, bu yüzden yok voxels büyük miktarda hızla segmentlere yılında kullanışlılığı. İsteğe bağlı gama parametre pürüzsüzlük faktör iki supervoxels birleşmeye maliyeti karşı denetler. Gama küçük değerler daha az megavoxels genel olması pahasına iki supervoxels arasındaki benzerliği geliştirebilirsiniz.
Supervoxels gibi ile ne kadar iyi megavoxels verileri göstermek ne zaman seçme ve megavoxel parametreler optimize etmek en büyük unsurlardan biridir. Megavoxels supervoxels için açıklandığı gibi yalnız görüntüleme yeniden parametreler değerlendirmek için kullanılabilir. Megavoxels genellikle çok daha büyük olacaktır ve üç boyutlu oldukları için ancak, ek açıklama araçları t kullanımıo seçim bölgeleri ilgi arasındaki sınır sıkı olduğundan emin olmak için tek megavoxels da tavsiye edilir.
Ek açıklama stratejisi
İki genel ek açıklama stratejileri tarif edilmiştir: bir modeli eğitim bir süper bölge segmentasyon yaklaşım bireysel organelleri gibi daha küçük, daha farklı özellikler için yararlı iken bir veri kümesi, büyük bölgeleri ayırmak için yararlı bir yaklaşımdır. Böylece büyük bölgeleri ilk açıklama eklemek, daha sonra onları bir üst-altöge ilişkisi kullanarak daha belirli bölgelere bölmek olası ek açıklamaları hiyerarşik bir şekilde organize edilebilir. Üst etiket için bir etiket etiket renk seçimi sağındaki alanda tıklatıp uygun üst etiket önceki düzeyden seçerek atanabilir. Uygulamada, çoğu veri kümeleri belirli bölgeler/özellikleri ilgi segmentlere ayırmak için modeli eğitim ve süper bölge segmentasyon stratejileri kullanın.
Modeli eğitim içinde burada örnek, verileri üç eşit aralıklı dilim birkaç eğitim girişleri (el ile kullanıcı supervoxel tabanlı ek açıklamalar şeklinde) kullanılmıştır. Bu şekilde, SuRVoS modeli eğitim yönünü büyük ölçüde çalışma ile büyük, özellikle farklı zaman vurgulanmış olarak goosegrass olgun vücuttaki bölgeleri arasındaki gibi bölgelerde segmentasyon mümkün olduğu hızını artırır Şekil 3.
Ne zaman model eğitim, Öngörüler görülemez, bu görselleştirme sekmesine gidin ve Öngörüler katmanı açık olduğundan emin olmak gerekli ve şeffaflık uygun bir miktar için ayarlamış olabilir. Ayrıca, bir güven 0 etiketlenmemiş her supervoxel ne olursa olsun en yakın eşleşme sonucunu bağlı olarak bir etiket atayın. Eğer sadece bir kategori etiketi herhangi bir orantılı eşleşmesini içeren 100 güven sadece bir etiket atar. Bir tradeoff bu iki uç değerin arasında bir şey. Bir güven düzeyi seçerken bu tahmini bir plak şirketi ile kaydetme önce hiçbir yanlış tahmin edilen voxels vardır görsel olarak incelemek için birkaç dilim kontrol etmek için önerilmektedir.
Süper bölgeleri kullanarak ek açıklama ekleme için iyi bir strateji büyütme aracı veriler üzerinde yaklaş, önce bir "hızlı, dağınık" yaklaşım kullanarak aynı anda tek bir dilim, (şekil 4 c) üzerinde bir kaç organelleri açıklama eklemek için kullanmaktır. Ardından, birkaç dilim Z içinde aşağı veya yukarı taşımak ve bu işlemi yineleyin. Supervoxels üç boyutlu olduğu için birçok "Arama bültenine pasaklı" yaklaşım fayların yukarıda veya aşağıda dilimleri yapılan ek açıklamalar ile sabitlenir. Bu şekilde, segmentasyon hızlandırdı ve sınırları supervoxels tarafından yerine el ile sağlanmaktadır.
Bir etiket kadar temizlemek için standart segmentasyon arıtma seçenekler sağlanmıştır. Dilatasyon tarafından verilen civarında büyümek seçili segmentasyon etiket neden olur, erozyon daraltmak neden olur. Açılış ve kapanış sırasıyla ilk erozyon ve sonra dilatasyon veya tersi, uygulama vardır. Ve dolgu delik tam olarak bunu yapar. Bu işlem sırası önemli. Genellikle, zaman açılış sonra genişleme işleri de dolgu delik, sahne. Her arıtma yöntemi tek bir dilim ("Bu dilim"), tüm dilimler ("Tüm dilimler (2D)") 2D veya 3D ("tüm cilt (3D)") üzerinde uygulanabilir. Tüm dilimler (2D) tavsiye edilir.
Önemi ve gelecekteki yol tarifi
Etkili ve doğru segmentasyon 3D, veri işleme görüntü veri terabayt rutin otomatik koleksiyonu uzun vadede oturumları sırasında özellikle ile sonraki sıkışıklık var. SuRVoS Workbench 5 el ile bölümleme ile karşılaştırıldığında bir faktörle segment oluşturma işlemini hızlandırabilirsiniz. Sınırları supervoxels tarafından belirlenen çünkü Ayrıca, sonuç segmentations değişkenliği geliştirmek gerekir. Gelecekte, biz bir temsilcisi 3D bölgesi ilgi ayrılmasını birim veya bile ayrı bir birim, dinlenmek için yüksek güven ile uygulamak için eğitim verileri kullanmanın yollarını keşfetmek umuyoruz. Bu önceden daha fazla kullanıcı süresi ve görüntü işleme ve segmentasyon darboğaz hafifletmeye yardımcı kesimi bile karmaşık biyolojik birimlerine gerekli giriş miktarı azalır. Bu, sırayla, deneysel sağlam numaralarıyla çeşitli devletler (örneğin sigara-hastalığı, hastalık, tedavi) biyolojik veri nicel karşılaştırma izin verir.

SuRVoS tezgah araştırmacılar çeşitli örnekleri, faiz, çözünürlük ya da görüntüleme yöntemi1yapısı ne olursa olsun hacimsel verilerinden gelen bilimsel olarak ilgili bilgileri ayıklamak için izin vermek için tasarlanmış yazılım bir parçasıdır, 2. Bunlar genellikle x-ışını ve elektron tomografi sistemleri, toplanan hacimsel veri rutin büyük laboratuarlar veya kendi karmaşıklığı nedeniyle Merkezi özellikleri temel. Hem bu yöntemleri ve diğer teknikleri, büyük üretmek, bilgi zengin veri kümeleri hangi segmente her iki yarı otomatik yöntemler veya el ile zorlu kanıtlamak. Özellikle, yerel yakınındaki devlet cryo immobilize veri kümeleri bir düşük sinyal-gürültü oranı ve zavallı aksine, özellikle soguk elektron tomografi (cryoET)3,4,5 sonuçlanan düşük doz görüntüleme koşulları gerektirir . Bazı 3D DataSet'lerdeki ek bir faktör zorlu deneysel koşullar tarafından ilgili tanıttı eserler varlığı, örneğin eksik kama eserler nedeniyle sınırlı bir veri koleksiyonu eksik bilgilerini, sonuçlanan aralığı, eğimli ve uzama yönünde ışın3,4,5. Bile ne zaman düşük sinyal-gürültü veya (eksik kama eserler örneğin iyon demeti SEM6 odaklı veya seri blok yüz SEM7) sorunlu değildir, karmaşıklığı ve üç boyutlu doğasını örnek ve büyük miktarda veri analizi anlamına hala veri bölümleme için otomatik bir işlemin faydalanın.
Şu anda biyolojik birim hücre dikkate alınarak, otomatik olarak ya da yarı otomatik olarak aktin, mikrotübüller veya bir şablon tabanlı arama'yı kullanarak belirli protein kompleksleri gibi çok özel hücresel özellikleri tanımlamak için birçok seçenek vardır, veya belirli türden veri (lekeli, reçine gömülü örnekleriörneğin yüksek kontrast,)8,9,10,11,12özellikleri tanımlama. Ancak, bu durumlarda bir temanın içinde bilgi veya belirli örnek hazırlama protokolleri bu segment oluşturma stratejileri geniş uygulanabilirliği sınırlama gereklidir. Ayrıca kullanıcı giriş13zaman verilen ilgi çeşitli yapılar görünümünü öğrenmek Voksel düzeyde modeli eğitim gerçekleştirmek araçları vardır. Ancak, bu düzeyde eğitim ve modelleri sınama karmaşıklığını hataya ve hesaplama açısından pahalı olabilir. Zorlu görüntü koşulları ve genel olarak uygulanabilir, yarı otomatik bölümleme stratejilerini eksikliği göz önüne alındığında, el ile segment oluşturma karmaşık biyolojik materyallerde14,15ile, çalışırken bile, yaygındır 16 , 17. ancak, genellikle el ile segment oluşturma süreci sadece zaman alıcı, ama aynı zamanda hataya, öznel ve değişken4,5,18,19 değildir kabul edilen ,20. Bazı segmentasyon programlar (Yani ilişkilendirme, Kement veya darbe araçları) el ile segment oluşturma sürecini kolaylaştırmak için araçlar sunar21,22, ancak, gürültülü veri kümeleri durumlarda, onlar başarılı bir şekilde uygulamak zor ve Hatta başarıyla ne zaman kullanıldıklarını, hala öznel ve değişken işlemidir.
Geleneksel olarak, segmentations iki farklı şekilde kullanılmıştır: niteliksel veya nicelik. Görüntüleme teknolojileri ve segmentasyon stratejileri geliştirmek gibi segmentasyon biyolojik soruları cevaplamak için nicel bir araç ve bir "zemin gerçeği" olarak algoritma geliştirme8,12içinkullanın daha yaygın hale gelmiştir, 15,23,24,25. Bunu yapabilmek için detaylı kontrol ve dengeler değişkenliği ve öznellik26süreci boyunca azaltmak için gereklidir. Ancak, bu önlemleri daha da segmentasyon zaman alan niteliği artırmak. Bu nedenle, daha hızlı ve daha az değişken bölümleme stratejisi sağlamak önemlidir.
SuRVoS tezgah Makine öğrenimi ve görüntü işleme kullanıcının Ayrıca kullanıcı gerekli adımlarda rehberlik ederken segment oluşturma sürecinde yardımcı araçları yelpazesi ile kullanıcı sağlayarak bu sorunları gidermek başlıyor. Bunu başarmak için iki anahtar yenilikler birlikte SuRVoS içinde geçerli olur. İlk olarak, bir süper bölge hiyerarşi grubuna benzer, verilerin yakın bölgelerde doğal özelliklerine göre kullanır. Her bölgede sıradüzeni içindeki güçlü sınır uyumu sağlarken daha az öğe kullanarak aynı birim temsil eder. Böylece, süper bölgeleri, bir birim büyüklükte birkaç emir tarafından segmentlere karmaşıklığını azaltmak henüz hala bilgi27önemli bir kayıp olmadan veri temsil eder. İkinci olarak, SuRVoS daha sonra kalan cilt28,29segmentlere ayırmak için kullanılan sınıflandırıcılar, eğitmek için en az el ile segmentasyon girişleri kullanır bir yarı otomatik bölümleme stratejisi sağlar. Bu strateji büyük ölçüde azalan segmentlere üzerinde harcanan süreyi kullanıcı el ile segmentasyon azaltır ve sınırları, potansiyel olarak değişkenliği ve öznellik azaltarak el ile tarif süper bölgeler kullanırken kaldırır.
Bir başka önemli özelliği SuRVoS, mademki bir kullanıcı bir dizi zaten bölümlenmiş nesneleri doğal özelliklerine göre sınıflandırmak etiket Splitter aracı olduğunu. Segmentasyon ilgi çeşitli nesnelerin sonra bu aracı önlemler ortalama nesne yoğunluğu, varyans, boyut gibi temel alt sınıfları kümesi bölmek için kullanılabilir, konum, vb bu büyük gruplar ile nesnelerin sınıflandırma yararlı olduğunda yüksek karmaşıklık. Örneğin, bir grup hücre organelleri bölünebilir mitokondri, boş veziküller, lipid damlacıkları, vs.; veya malzeme kapanımlar ayrılmış bir dizi boyutunu veya şeklini dayanarak. Bir kez bireysel etiketleri parçalara bölünmüş gruplar halinde-ebilmek var olmak istimal sınıflandırıcılar, kimlik önyargı azaltarak herhangi bir sayıda.
SuRVoS tezgah başarıyla kesim verileri için çeşitli görüntüleme teknikleri kullanılmıştır. Burada, bir bitkinin olgun vücudun sinkrotron X-ray faz kontrast tomografi (microCT) segmentati göstermek için kullanılırmodeli eğitim kullanma, soguk elektron tomografi (cryoET) insan trombosit segmentasyon super ve megavoxels kullanarak göstermek için kullanılır ve cryo yumuşak x-ışını tomografi (cryoSXT) bir memeli hücre satırı araçları bölme etiket göstermek için kullanılır

<table>
	<tbody>
		<tr>
			<td>computer</td>
			<td>n/a</td>
			<td>n/a</td>
			<td>Must be running Linux operating system and have an NVidia GPU with at least 4 GB of memory</td>
		</tr>
	</tbody>
</table>

volume segmentation and analysis of biological materials using survos (super-region volume segmentation) workbench

Böylece ileri çalışmalar bu ilgi alanları üstlenilen segmentasyon belirli bölgeleri veya görüntülü bir birim içindeki nesneler yalıtma işlemidir. Karmaşık biyolojik sistemlerin analizi dikkate alınarak, üç boyutlu görüntü verilerini ayrılmasını bir zaman alıcı ve emek yoğun bir adımdır. Artırılmış kullanılabilirlik birçok görüntüleme yöntemleri ve otomatik veri toplama şemaları ile bu verilerden bilgi-e doğru taşımak modern deneysel biyolog için artan bir sorun teşkil etmektedir. Bu yayın SuRVoS tezgah, yarı otomatik olarak segment karmaşık biyolojik hacimsel veri yöntemleri sağlayarak bu sorunları çözmek için tasarlanmış bir program açıklar. Büyütme farklı ve görüntüleme yöntemleri üç veri kümeleri burada, her SuRVoS ile segmentlere farklı stratejiler vurgulayarak sunulmuştur. Faz kontrast x-ışını tomografi (microCT) bir bitkinin olgun vücudun segmentasyon modeli eğitim kullanarak göstermek için kullanılır, soguk elektron tomografi (cryoET) insan trombosit segmentasyon süper - ve megavoxels ve soguk yumuşak kullanarak göstermek için kullanılır X-ışını tomografi (cryoSXT) bir memeli hücre satırı araçları bölme etiket göstermek için kullanılır. Stratejileri ve her veri türü için parametreleri de sunulmaktadır. Yarı otomatik işlemler tek bir etkileşimli araç içine bir seçki harmanlayarak, SuRVoS birçok yarar sağlar. Genel olarak zaman segment hacimsel veri için beş el ile bölümleme, bir dayanak noktası birçok görüntü işleme alanlarında karşılaştırıldığında bir faktörle azalır. Bu önemli bir tasarruf olduğunda tam manuel segmentasyon hafta çaba sürebilir. Ayrıca, öznellik hesaplama açısından belirlenen sınırları ve nesneler hesaplanan özellikleri yerine ayrı ayrı tarafından yarma karmaşık koleksiyonları kullanarak ele alınmaktadır.

Watch this Scientific Journal Video about Volume Segmentation and Analysis of Biological Materials Using SuRVoS Super-region Volume Segmentation Workbench at JoVE.com

Volume Segmentation and Analysis of Biological Materials Using SuRVoS Super-region Volume Segmentation Workbench

Birim segmentasyon ve SuRVoS (süper bölge birim segmentasyon) tezgah kullanarak biyolojik malzemelerin analizi

Segmentasyon birçok görüntüleme teknikleri üç boyutlu veri analizi karmaşık biyolojik sistemlerin büyük bir darboğaz var. Burada, biz SuRVoS tezgah yarı otomatik olarak çeşitli uzunluk-ölçeklerde hacimsel veri kesimi için nasıl kullanılacağını açıklar örnek veri kümeleri cryo-elektron tomografi, soguk yumuşak x-ışını tomografi ve faz kontrast x-ışını tomografi teknikleri kullanarak.

Segmentation is the process of isolating specific regions or objects within an imaged volume, so that further study can be undertaken on these areas of ...

volume-segmentation-analysis-biological-materials-using-survos-super

Research

JoVE Journal

Biology

Volume Segmentation and Analysis of Biological Materials Using SuRVoS (Super-region Volume Segmentation) Workbench

9.7K Görüntüleme.  Diamond Light Source. Segmentasyon birçok görüntüleme teknikleri üç boyutlu veri analizi karmaşık biyolojik sistemlerin büyük bir darboğaz var. Burada, biz SuRVoS tezgah yarı otomatik olarak çeşitli uzunluk-ölçeklerde hacimsel veri kesimi için nasıl kullanılacağını açıklar örnek veri kümeleri cryo-elektron tomografi, soguk yumuşak x-ışını tomografi ve faz kontrast x-ışını tomografi teknikleri kullanarak.

Video: Volume Segmentation and Analysis of Biological Materials Using SuRVoS Super-region Volume Segmentation Workbench

Large Volume (20L+) Filtration of Coastal Seawater Samples

The workflow begins with the collection of coastal marine waters for downstream microbial community, nutrient and trace gas analyses. For this method, samples were collected from the deck of the HMS John Strickland operating in Saanich Inlet. This video documents large volume (&ge;20 L) filtration of microbial biomass, ranging between 0.22&mu;m and 2.7&mu;m in diameter, from the water column. Two 20L samples can be filtered simultaneously using a single pump unit equipped with four rotating heads. Filtration is done in the field on extended trips, or immediately upon return for day trips. It is important to record the amount of water passing through each sterivex filter unit. To prevent biofilm formation between sampling trips, all filtration equipment must be rinsed with dilute HCl and deionized water and autoclaved immediately after use. This procedure will take approximately 5 hours plus an additional hour for clean up.

Large Volume 20L+ Filtration of Coastal Seawater Samples

This video documents large volume (&ge;20 L) filtration of microbial biomass, ranging between 0.22&mu;m and 2.7&mu;m in diameter, from the water column.

Büyük Hacimli Kıyı Deniz suyu Örnekleri (20L +) Filtrasyon

The workflow begins with the collection of coastal marine waters for downstream microbial community, nutrient and trace gas analyses. For this method, ...

Biyoloji

Small Volume (1-3L) Filtration of Coastal Seawater Samples

The workflow begins with the collection of coastal marine waters for downstream microbial community, nutrient and trace gas analyses. For today s demonstration samples were collected from the deck of the HMS John Strickland operating in Saanich Inlet. This video documents small volume (~1 L) filtration of microbial biomass from the water column. The protocol is an extension of the large volume sampling protocol described earlier, with one major difference: here, there is no pre-filtration step, so all size classes of biomass are collected down to the 0.22 &mu;m filter cut-off. Samples collected this way are ideal for nucleic acid analysis. The set-up, filtration, and clean-up steps each take about 20-30 minutes. If using two peristaltic pumps simultaneously, up to 8 samples may be filtered at the same time. To prevent biofilm formation between sampling trips, all filtration equipment must be rinsed with dilute HCl and deionized water and autoclaved immediately after use.

Small Volume 1-3L Filtration of Coastal Seawater Samples

This video documents small volume (~1 L) filtration of microbial biomass from the water column.

Kıyı Deniz suyu Örnekleri Küçük Hacim (1-3L) Filtrasyon

The workflow begins with the collection of coastal marine waters for downstream microbial community, nutrient and trace gas analyses. For today s ...

Concentration Determination of Nucleic Acids and Proteins Using the Micro-volume Bio-spec Nano Spectrophotometer

Nucleic Acid quantitation procedures have advanced significantly in the last three decades. More and more, molecular biologists require consistent small-volume analysis of nucleic acid samples for their experiments. The BioSpec-nano provides a potential solution to the problems of inaccurate, non-reproducible results, inherent in current DNA quantitation methods, via specialized optics and a sensitive PDA detector. The BioSpec-nano also has automated functionality such that mounting, measurement, and cleaning are done by the instrument, thereby eliminating tedious, repetitive, and inconsistent placement of the fiber optic element and manual cleaning.
In this study, data is presented on the quantification of DNA and protein, as well as on measurement reproducibility and accuracy. Automated sample contact and rapid scanning allows measurement in three seconds, resulting in excellent throughput. Data analysis is carried out using the built-in features of the software. The formula used for calculating DNA concentration is:
Sample Concentration = DF &middot; (OD260-OD320)&middot; NACF (1)
Where DF = sample dilution factor and NACF = nucleic acid concentration factor.
The Nucleic Acid concentration factor is set in accordance with the analyte selected1.
Protein concentration results can be expressed as &mu;g/ mL or as moles/L by entering e280 and molecular weight values respectively. When residue values for Tyr, Trp and Cysteine (S-S bond) are entered in the e280Calc tab, the extinction coefficient values are calculated as e280 = 5500 x (Trp residues) + 1490 x (Tyr residues) + 125 x (cysteine S-S bond). The e280 value is used by the software for concentration calculation.
In addition to concentration determination of nucleic acids and protein, the BioSpec-nano can be used as an ultra micro-volume spectrophotometer for many other analytes or as a standard spectrophotometer using 5 mm pathlength cells.

This communication presents data on the accuracy and reproducibility of the BioSpec-nano UV-VIS spectrophotometer for dsDNA and protein quantitation. Even with ultra-small volumes (1 to 2 L), reproducibility is excellent, while the automated wiping function improves throughput and results in minimal carryover for more precise results.

Konsantrasyon belirlenmesi Micro hacimli Bio-spec Nano Spektrofotometre Nükleik Asitler ve Proteinler

Nucleic Acid quantitation procedures have advanced significantly in the last three decades.  More and more, molecular biologists require consistent ...

Aseptic Laboratory Techniques: Volume Transfers with Serological Pipettes and Micropipettors

Microorganisms are everywhere - in the air, soil, and human body as well as on inanimate surfaces like laboratory benches and computer keyboards. The ubiquity of microbes creates a copious supply of potential contaminants in a laboratory. To ensure experimental success, the number of contaminants on equipment and work surfaces must be minimized. Common among many experiments in microbiology are techniques involving the measurement and transfer of cultures containing bacterial cells or viral particles. To do so without contacting non-sterile surfaces or contaminating sterile media requires (1) preparing a sterile workspace, (2) precisely setting and accurately reading instruments for aseptic transfer of liquids, and (3) properly manipulating instruments, cultures flasks, bottles and tubes within a sterile field. Learning these procedures calls for training and practice. At first, actions should be slow, deliberate, and controlled with the goal being for aseptic technique to become second nature when working at the bench. Here we present the steps for measuring volumes using serological pipettes and micropipettors within a sterile field created by a Bunsen burner. Volumes range from microliters (&mu;l) to milliliters (ml) depending on the instrument used. Liquids commonly transferred include sterile broth or chemical solutions as well as bacterial cultures and phage stocks. By following these procedures, students should be able to: &#8226;Work within the sterile field created by the Bunsen burner flame. &#8226;Use serological pipettes without compromising instrument sterility.&#8226; Aspirate liquids with serological pipettes, precisely reading calibrated volumes by aligning the meniscus formed by the liquid to the graduation marks on the pipette. &#8226;Keep culture bottles, flasks, tubes and their respective caps sterile during liquid transfers. &#8226;Identify different applications for plastic versus glass serological pipettes. &#8226;State accuracy limitations for micropipettors. &#8226;Precisely and accurately set volumes on micropipettors. &#8226;Know how to properly use the first and second stop on a micropipettor to aspirate and transfer correct volumes.

When working in a laboratory, it is imperative to minimize sources of contamination. Aseptic technique refers to procedures that permit transfer of cultures and reagents while avoiding contact with non-sterile surfaces. Serological pipettes and micropipettors are used to measure precise volumes without compromising sterility of solutions used in experiments.

Aseptik Laboratuvar Teknikleri: Serolojik Pipetler ve Micropipettors ile Cilt Transferler

Microorganisms are everywhere - in the air, soil, and human body as well as on inanimate surfaces like laboratory benches and computer keyboards. The ...

Protein WISDOM: A Workbench for In silico De novo Design of BioMolecules

The aim of de novo protein design is to find the amino acid sequences that will fold into a desired 3-dimensional structure with improvements in specific properties, such as binding affinity, agonist or antagonist behavior, or stability, relative to the native sequence. Protein design lies at the center of current advances drug design and discovery. Not only does protein design provide predictions for potentially useful drug targets, but it also enhances our understanding of the protein folding process and protein-protein interactions. Experimental methods such as directed evolution have shown success in protein design. However, such methods are restricted by the limited sequence space that can be searched tractably. In contrast, computational design strategies allow for the screening of a much larger set of sequences covering a wide variety of properties and functionality. We have developed a range of computational de novo protein design methods capable of tackling several important areas of protein design. These include the design of monomeric proteins for increased stability and complexes for increased binding affinity.
To disseminate these methods for broader use we present Protein WISDOM (<a href="http://www.proteinwisdom.org" target="_blank">http://www.proteinwisdom.org</a>), a tool that provides automated methods for a variety of protein design problems. Structural templates are submitted to initialize the design process. The first stage of design is an optimization sequence selection stage that aims at improving stability through minimization of potential energy in the sequence space. Selected sequences are then run through a fold specificity stage and a binding affinity stage. A rank-ordered list of the sequences for each step of the process, along with relevant designed structures, provides the user with a comprehensive quantitative assessment of the design. Here we provide the details of each design method, as well as several notable experimental successes attained through the use of the methods.

Protein WISDOM: A Workbench for In silico De novo Design of BioMolecules

We developed computational de novo protein design methods capable of tackling several important areas of protein design. To disseminate these methods we present Protein WISDOM, an online tool for protein design (<a href="http://www.proteinwisdom.org" target="_blank">http://www.proteinwisdom.org</a>). Starting from a structural template, design of monomeric proteins for increased stability and complexes for increased binding affinity can be performed.

Protein AKIL: A Tezgahı<em&gt; Siliko olarak</em&gt;<em&gt; De novo</emBiyomoleküllerin&gt; Tasarım

The aim of de novo protein design is to find the amino acid sequences that will fold into a desired 3-dimensional structure with improvements in specific ...

Reconstruction of 3-Dimensional Histology Volume and its Application to Study Mouse Mammary Glands

Histology volume reconstruction facilitates the study of 3D shape and volume change of an organ at the level of macrostructures made up of cells. It can also be used to investigate and validate novel techniques and algorithms in volumetric medical imaging and therapies. Creating 3D high-resolution atlases of different organs1,2,3 is another application of histology volume reconstruction. This provides a resource for investigating tissue structures and the spatial relationship between various cellular features. We present an image registration approach for histology volume reconstruction, which uses a set of optical blockface images. The reconstructed histology volume represents a reliable shape of the processed specimen with no propagated post-processing registration error. The Hematoxylin and Eosin (H&#38;E) stained sections of two mouse mammary glands were registered to their corresponding blockface images using boundary points extracted from the edges of the specimen in histology and blockface images. The accuracy of the registration was visually evaluated. The alignment of the macrostructures of the mammary glands was also visually assessed at high resolution.
This study delineates the different steps of this image registration pipeline, ranging from excision of the mammary gland through to 3D histology volume reconstruction. While 2D histology images reveal the structural differences between pairs of sections, 3D histology volume provides the ability to visualize the differences in shape and volume of the mammary glands.

We present an image registration approach for 3-dimensional (3D) histology volume reconstruction, which facilitates the study of the changes of an organ at the level of macrostructures made up of cells . Using this approach, we studied the 3D changes between wild-type and Igfbp7-null mammary glands.

3-Boyutlu Histoloji hacmi ve Fare meme bezlerinin Eğitim için onun Uygulama İmar

Histology volume reconstruction facilitates the study of 3D shape and volume change of an organ at the level of macrostructures made up of cells. It can ...

Cardiac Pressure-Volume Loop Analysis Using Conductance Catheters in Mice

Cardiac pressure-volume loop analysis is the &#8220;gold-standard&#8221; in the assessment of load-dependent and load-independent measures of ventricular systolic and diastolic function. Measures of ventricular contractility and compliance are obtained through examination of cardiac response to changes in afterload and preload. These techniques were originally developed nearly three decades ago to measure cardiac function in large mammals and humans. The application of these analyses to small mammals, such as mice, has been accomplished through the optimization of microsurgical techniques and creation of conductance catheters. Conductance catheters allow for estimation of the blood pool by exploiting the relationship between electrical conductance and volume. When properly performed, these techniques allow for testing of cardiac function in genetic mutant mouse models or in drug treatment studies. The accuracy and precision of these studies are dependent on careful attention to the calibration of instruments, systematic conduct of hemodynamic measurements and data analyses. We will review the methods of conducting pressure-volume loop experiments using a conductance catheter in mice.

Cardiac pressure-volume loop analysis is the most comprehensive way to measure cardiac function in the intact heart. We describe a technique to perform and analyze cardiac pressure volume loops, using conductance catheters.

Farelerde İletkenlik Balon Kullanımı kalp Basınç Hacim Döngüsü Analizi

Cardiac pressure-volume loop analysis is the &#8220;gold-standard&#8221; in the assessment of load-dependent and load-independent measures of ventricular ...

Measuring Pressure Volume Loops in the Mouse

Understanding the causes and progression of heart disease presents a significant challenge to the biomedical community. The genetic flexibility of the mouse provides great potential to explore cardiac function at the molecular level. The mouse&#39;s small size does present some challenges in regards to performing detailed cardiac phenotyping. Miniaturization and other advancements in technology have made many methods of cardiac assessment possible in the mouse. Of these, the simultaneous collection of pressure and volume data provides a detailed picture of cardiac function that is not available through any other modality. Here a detailed procedure for the collection of pressure-volume loop data is described. Included is a discussion of the principles underlying the measurements and the potential sources of error. Anesthetic management and surgical approaches are discussed in great detail as they are both critical to obtaining high quality hemodynamic measurements. The principles of hemodynamic protocol development and relevant aspects of data analysis are also addressed.

This manuscript describes a detailed protocol for the collection of pressure-volume data from the mouse.

Fare Basınç Hacim Döngüler Ölçme

Understanding the causes and progression of heart disease presents a significant challenge to the biomedical community. The genetic flexibility of the ...

Measuring Nitrite and Nitrate, Metabolites in the Nitric Oxide Pathway, in Biological Materials using the Chemiluminescence Method

Nitric oxide (NO) is one of the main regulator molecules in vascular homeostasis and also a neurotransmitter. Enzymatically produced NO is oxidized into nitrite and nitrate by interactions with various oxy-heme proteins and other still not well known pathways. The reverse process, reduction of nitrite and nitrate into NO had been discovered in mammals in the last decade and it is gaining attention as one of the possible pathways to either prevent or ease a whole range of cardiovascular, metabolic and muscular disorders that are thought to be associated with decreased levels of NO. It is therefore important to estimate the amount of NO and its metabolites in different body compartments &#8212; blood, body fluids and the various tissues. Blood, due to its easy accessibility, is the preferred compartment used for estimation of NO metabolites. Due to its short lifetime (few milliseconds) and low sub-nanomolar concentration, direct reliable measurements of blood NO in vivo present great technical difficulties. Thus NO availability is usually estimated based on the amount of its oxidation products, nitrite and nitrate. These two metabolites are always measured separately. There are several well established methods to determine their concentrations in biological fluids and tissues. Here we present a protocol for chemiluminescence method (CL), based on spectrophotometrical detection of NO after nitrite or nitrate reduction by tri-iodide or vanadium(III) chloride solutions, respectively. The sensitivity for nitrite and nitrate detection is in low nanomolar range, which sets CL as the most sensitive method currently available to determine changes in NO metabolic pathways. We explain in detail how to prepare samples from biological fluids and tissues in order to preserve original amounts of nitrite and nitrate present at the time of collection and how to determine their respective amounts in samples. Limitations of the CL technique are also explained.

Nitric oxide (NO) is an important signaling molecule in vascular homeostasis. NO production in vivo is too low for direct measurement. Chemiluminescence provides useful insight into NO cycle via measuring its precursors and oxidation products, nitrite and nitrate. Nitrite / nitrate determination in body tissues and fluids is explained.

Kemilüminesans Yöntemi kullanılarak biyolojik Malzemeleri, Nitrik Oksit Yolu&#39;ndaki nitrit ve nitrat, Metabolitler Ölçme

Nitric oxide (NO) is one of the main regulator molecules in vascular homeostasis and also a neurotransmitter. Enzymatically produced NO is oxidized into ...

ACT-PRESTO: Biological Tissue Clearing and Immunolabeling Methods for Volume Imaging

The identification and exploration of the detailed organization of organs or of the whole body at the cellular level are fundamental challenges in biology. Transitional methods require a substantial amount of time and effort to obtain a 3D image and including sectioning the intact tissue, immunolabeling, and imaging serially-sectioned tissue, which produces a loss of information at each step of the process. In recently developed approaches for high-resolution imaging within intact tissue, molecular characterization has been restricted to the labeling of proteins. However, currently available protocols for organ clearing require a considerably long process time, making it difficult to implement tissue clearing techniques in the lab. We recently established a rapid and highly-reproducible protocol termed ACT-PRESTO (active clarity technique&#8211;pressure related efficient and stable transfer of macromolecules into organs), which allows for tissue clearance within several hours. Moreover, ACT-PRESTO enables rapid immunolabeling with conventional methods and accelerates antibody penetration into the deep layer of densely-formed, thick specimens by applying pressure or convection flow. We describe how to prepare tissues, how to clear by lipid removal using electrophoresis, and how to immuno-stain by a pressure-assisted delivery. The rapidity and consistency of the protocol will expedite the performance of 3D histological research and volume-based diagnoses.

ACT-PRESTO (active clarity technique&#8211;pressure related efficient and stable transfer of macromolecules into organs) enables rapid, efficient, but inexpensive tissue clearing and rapid antibody penetration into cleared tissues by passive diffusion or pressure-assisted delivery. Using this method, a wide range of tissues can be cleared, immunolabeled by multiple antibodies, and volume-imaged.