Name: volume segmentation and analysis of biological materials using survos (super-region volume segmentation) workbench
Uploaded: 2017-08-23T15:00:00
Duration: 11 min 38 s
Description: Watch this Scientific Journal Video about Volume Segmentation and Analysis of Biological Materials Using SuRVoS Super-region Volume Segmentation Workbench at JoVE.com

ونود أن تقر وأن تشكر وانغ روي وواه تشيو من "كلية بايلور للطب" لتوفير dataset كريويت وأندرو بوديي من "الماس مصدر الضوء" لمساعدة مع بيامتيمي I13. وأيد منح المعاهد الوطنية للصحة (NIH) رقم (P41GM103832) ونقر "الماس مصدر الضوء" أجزاء من هذه البحوث لتمويل مشترك لوينغو امانول تحت STU0079 الدكتوراه.

<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>

ويعلن الكتاب لديهم لا تضارب المصالح المالية.

منضدة سورفوس يختلف عن البرامج الأخرى تجزئة في التحسين من المعلمات خطوة ضرورية وهامة قبل بداية تجزئة الفعلية. في بعض البرامج تجزئة دليل أو شبه دليل، يبدأ المستخدم تجزئة خلال لحظات لفتح مشروع جديد. مع سورفوس، نظراً لأن كميات كبيرة من الحجم سوف تكون مجزأة مع مدخلات المستخدم سوى القليل جداً، والحدود التي رسمتها البرنامج، تحسين المعلمات أمر حاسم لتجزئة ناجحة. على وجه التحديد، هي ميزة قنوات وبناء المنطقة فائقة مجالين حيث ينبغي إيلاء اهتمام.
ميزة قنوات والتدريب النموذجي
بالإضافة إلى البيانات الخام، سورفوس يسمح للمستخدم بإنشاء مجموعات بيانات إضافية أو قنوات مستمدة من dataset موجودة. يمكن إنشاء هذه القنوات باستخدام مجموعة من المنهجيات الحسابية أو ميزة العصير. كل تمثيل البيانات المتوفرة بالتوازي، ويمكن عرضها على حدة لتقييم نتائج تطبيق عامل تصفية أو ميزة. وبسبب هذه الخصائص، يشار إلى كقنوات ميزة في سورفوس. وهناك العديد من خيارات قناة ميزة المقدمة داخل سورفوس. للحصول على معلومات حول الخيارات والمعلمات المستخدمة هنا، انظر الجدول 1، للحصول على قائمة كاملة ووصف ميزة تتوفر قنوات زيارة https://diamondlightsource.github.io/SuRVoS/ 2. مجموعات البيانات أولاً، صاخبة سوف تستفيد من تقليل الضوضاء مع الضبابي أو إجمالي الاختلاف عامل التصفية. من المستحسن أن كذلك ميزة حسابات القناة وسوبيرفوكسيل/ميجافوكسيل أن يؤديها باستخدام واحدة من هذه دينويسيد من مجموعات البيانات كمصدر للبيانات. عموما، يستخدم dataset التباين الكلي denoised كمصدر البيانات لميزة حسابات القناة وسوبيرفوكسيل/ميجافوكسيل. ويقترح لتشغيل مع القيم الافتراضية أولاً، تقييم النتيجة في 3D، وأخيراً، تحسين شكل تكراري المعلمات لمجموعة البيانات. بالإضافة إلى ذلك، ميزة قنوات يمكن أن يبني في "عامل تصفية" لمجموعات تحديداً عزل الجوانب مجموعة البيانات، ويمكن لهذه ثم استخدامها كمصادر للبيانات لإنشاء سوبيرفوكسيلس وميجافوكسيلس. بينما هذه الاستراتيجية هو الغاية dataset التابعة، فإنه يمكن أن تكون مفيدة.
ميزة قنوات تستخدم أيضا كمصادر لتدريب المصنف في التدريب النموذجي. عند البت في القنوات الميزة التي لاستخدام، من المستحسن أن تستخدم قنوات ميزة قوية قليلة (مثلاً، من الكشف عن النقطة، نسيج وبنية، أو فئات ميزات قوية) عند العمل مع كمية صغيرة من شروح لتدريب المصنف. عند العمل مع كميات كبيرة من بيانات التدريب، فإنه من المستحسن استخدام المزيد من القنوات الميزة عموما، من أي فئة من الفئات طالما أنها توفر معلومات متنوعة للمصنف (مثلاً، إضافة إلى قنوات ميزة قائمة أعلاه من المحلي الميزات وفئات الميزات الضبابي).
هناك ثلاثة أجزاء رئيسية نموذج التدريب: توفير مصادر بيانات الإدخال التي تصف البيانات واستخدام هذه المدخلات لتدريب مصنف، وأخيراً تحسين التنبؤات الإخراج. عموما، يتطلب مناطق أصغر من البيانات أكثر شروح المستخدم دقة تدريب المصنف، بينما مناطق أكبر من البيانات سوف تتطلب تعليقات المستخدم أقل. التدريب النموذجي الأول دون تحديد صقل يمكن استخدامها لإيجاد تنبؤات أفضل. ثم تدرج في الصقل وتحسين المعلمة لامدا حسب الحاجة لإصلاح المشكلات المتعلقة بالتنبؤات مثل ثقوب أو حواف خشنة.
سوبيرفوكسيلس وميجافوكسيلس
سوبيرفوكسيلس مجموعات متعددة القريبة،38،فوكسيلس مماثلة39. سوبيرفوكسيلس تبدأ كشبكة ثلاثية الأبعاد قياسية مضافين على بيانات ثم هو مشوه تكراري بغية التقيد بحدود الكامنة، وهكذا أفضل تمثيل البيانات. إنشاء سوبيرفوكسيل وتشوه يسيطر أربعة مدخلات المستخدم: مصدر البيانات والشكل سوبيربيكسيل، والتباعد، والاكتناز. مصدر البيانات يوفر مدخلات البيانات التي يتم الاستعلام عنها من خلال إنشاء سوبيرفوكسيل. يمكن استخدام أي مصدر بما في ذلك مصادر البيانات التي تمت تصفيتها. تحديد معالم الشكل سوبيربيكسيل الشبكة 3D الانطلاق والشكل المطلوب التقريبي من سوبيرفوكسيلس الناتجة عن ذلك. يمكن تغيير هذه المعلمات إلى زيادة أو إنقاص حجم سوبيرفوكسيلس قبل التشوه. تعريف المعلمات تباعد أهمية الحدود في كل اتجاه. يمكن تغيير هذه المعلمات إلى التشديد على الحدود في أحد أو سوف تشوه اتجاهين على حساب الآخر (s)، بمعنى سوبيرفوكسيلس الناتجة عن اتباع أفضل حدود البيانات في direction(s) معينة. يتحكم المعلمة الأخيرة، اﻻكتناز، كم سوبيرفوكسيلس يمكن أن تشوه. عدد اﻻكتناز منخفض يسمح سوبيرفوكسيلس لتشوه أكثر. ينبغي أن يكون الأمثل هذه المعلمات لتقديم سوبيرفوكسيلس التي تمثل حدود البيانات التي تهم. ملاحظة: حاليا، سوبيرفوكسيل الشكل المعلمات يجب أن يساوي 1024 أو أقل عندما ضرب معا.
في بعض النواحي، معلمات سوبيرفوكسيل يمكن أن تعوض عن بعضها البعض، بمعنى لا يوجد أحد "الجواب الصحيح" عند اتخاذ قرار بشأن المعلمات. على سبيل المثال، شبكة انطلاق كبيرة (مثل سوبيربيكسيل الشكل: 10 × 10 × 10) وعدد اﻻكتناز منخفضة (خروج 20) قد تعطي سوبيرفوكسيلس مع التزام الحدود مماثلة بالمقارنة مع شبكة انطلاق صغيرة (مثلاً سوبيربيكسيل الشكل 5 × 5 × 5) وأعلى عدد اﻻكتناز (مثلاً 50). لأن هناك أكثر من ذلك، سوبيرفوكسيلس أصغر في السيناريو الثاني، ليس لديهم تشوه قدر تمثل الحدود. يمكن أن تكون كلتا المجموعتين من المعلمات المناسبة لتجزئة dataset.
النظر في أكبر عند اختيار المعلمات سوبيرفوكسيل مدى سوبيرفوكسيلس تمثل البيانات. عرض سوبيرفوكسيلس وحدها، دون بيانات تحتها، كما هو الحال في 2D الشكل، وسيلة جيدة لتقييم المعلمات سوبيرفوكسيل. الحواف والخطوط العريضة للأشكال الموجودة في البيانات عند عرضها بهذه الطريقة، ينبغي أن لا يزال تكون مرئية في سوبيرفوكسيلس.
ميجافوكسيلس تكتلات متعددة المجاورة، على غرار سوبيرفوكسيلس،من3839. أنها مرة أخرى يسيطر عليها أربعة مدخلات المستخدم: مصدر البيانات، لامدا، نومبينس، وأشعة غاما. كما هو الحال مع سوبيرفوكسيلس، ومصدر البيانات يوفر مدخلات البيانات التي يتم الاستعلام عنها من خلال إنشاء ميجافوكسيل. لامدا ونومبينس أثر انضمام ميجافوكسيلس حجم وحدود. كما ميجافوكسيلس تنمو أكبر (أمداً عالية، نومبينس منخفضة)، يقلل من تقيدها الحدود. العكس صحيح أيضا، وسيزداد تمسك الحدود مع ميجافوكسيلس أصغر (لامدا منخفضة، نومبينس عالية)، غير أن إنقاص حجم ميجافوكسيل، حتى لا فائدتها في تجزئة كميات كبيرة من فوكسيلس بسرعة. يتحكم المعلمة الاختيارية غاما معامل النعومة مقابل تكلفة دمج سوبيرفوكسيلس اثنين معا. يمكن تعزيز قيم صغيرة من أشعة غاما التشابه بين سوبيرفوكسيلس اثنين، على حساب وجود عموما أقل ميجافوكسيلس.
كما هو الحال مع سوبيرفوكسيلس، النظر في أكبر عند اختيار والاستفادة المثلى من معلمات ميجافوكسيل جيدا كيف ميجافوكسيلس تمثل البيانات. عرض ميجافوكسيلس وحدها كما هو موضح سوبيرفوكسيلس يمكن استخدامها مرة أخرى لتقييم المعلمات. ومع ذلك، لأن ميجافوكسيلس سوف تكون أكبر بكثير، وهي ثلاثية الأبعاد، باستخدام تي أدوات التعليق التوضيحياختر س ميجافوكسيلس واحد للتأكد من الحدود بين المناطق ذات الاهتمام ضيق كما ينصح به.
استراتيجية التعليق التوضيحي
قد وصفت استراتيجيتين التعليق العام: نهج تدريبي نموذج مفيد لفصل مناطق شاسعة من dataset، بينما نهج تقسيم منطقة فائقة مفيد لميزات أصغر حجماً وأكثر تنوعاً مثل العضيات الفردية. ويمكن تنظيم الشروح بطريقة هرمية حيث أنه من الممكن لتعليم المناطق الكبيرة أولاً، ثم تقسيم منهم إلى مناطق أكثر تحديداً باستخدام علاقة أصل-تابع. يمكن تعيين التسمية الأصل لتسمية بالنقر على المنطقة الحق في اختيار لون التسمية واختيار على تسمية أصل مناسبة من مستوى سابق. في الممارسة العملية، استخدام مجموعات البيانات معظم التدريب النموذجي واستراتيجيات تجزئة المنطقة فائقة لتقسيم المناطق/السمات المحددة للفائدة.
في المثال التدريب النموذجي هنا، استخدمت بعض مدخلات التدريب (في شكل دليل المستخدم المستندة إلى سوبيرفوكسيل الشروح) على ثلاث شرائح متباعدة بنفس القدر من البيانات. بهذه الطريقة، يزيد جانب التدريب النموذجي من سورفوس إلى حد كبير السرعة التي تجزئة ممكن لا سيما عندما تعمل مع كبيرة، متباينة مناطق مثل الفجوة بين المناطق في الجسم الاثمار goosegrass كما هو مبين في 3 الرقم.
عند نموذج التدريب، وإذا كان لا يمكن رؤيتها والتنبؤات، قد تكون ضرورية للانتقال إلى علامة التبويب المرئيات وتأكد من أن يتم تشغيل طبقة التنبؤات وتعيين إلى مبلغ مناسب للشفافية. أيضا، سيتم تعيين ثقة 0 كل سوبيرفوكسيل غير مسمى لتسمية، استناداً إلى أقرب تطابق لها أيا كان. فقط ثقة 100 سيتم تعيين تسمية إلا إذا كان لديه فئة واحدة لتسمية أي مباراة النسبي. كل شيء في بين المقايضة لهذين النقيضين. عند تحديد مستوى ثقة ويقترح للتحقق من شرائح قليلة لتفقد بصريا أنه لا توجد أي فوكسيلس تنبأ بشكل غير صحيح قبل حفظ التنبؤ إلى تسمية.
استراتيجية جيدة لشرح استخدام مناطق فائقة استخدام أداة التكبير لتكبير البيانات، وإضافة تعليقات توضيحية العضيات قليلة في وقت واحد على شريحة واحدة، باستخدام نهج "سريع وفوضوي" أولاً (الشكل 4). وبعد ذلك، تحريك لأعلى أو لأسفل الشرائح قليلة في ض وتكرار هذه العملية. لأن سوبيرفوكسيلس ثلاثية الأبعاد، العديد من أخطاء النهج "فوضوي" يتم إصلاحها بواسطة الشروح المقدمة أعلاه أو أسفل الشرائح. بهذه الطريقة، يتم تسريع تجزئة والحدود ترد قبل سوبيرفوكسيلس بدلاً من يدوياً.
وقدمت لتنظيف تسمية، خيارات التحسين تجزئة القياسية. يسبب تمدد التسمية تجزئة المحدد ينمو بنصف قطر معين، يتسبب في تآكل يتقلص. فتح وإغلاق يتم تطبيق تآكل أولاً ثم تمدد، أو العكس بالعكس، على التوالي. وملء الثقوب يفعل ذلك بالضبط. المسألة بالترتيب لهذه العمليات. وبوجه عام، أداء ملء الثقوب، ثم فتح، ثم تمدد يعمل بشكل جيد. يمكن تطبيق كل أسلوب الصقل على شريحة واحدة ("هذا شريحة")، على كل الشرائح في 2D ("جميع شرائح (2D)") أو في 3D ("كاملة الحجم (3D)"). ويوصي جميع شرائح (2D).
أهمية والاتجاهات المستقبلية
تجزئة كفاءة ودقة من عنق الزجاجة المقبلة في معالجة مجموعات البيانات ثلاثية الأبعاد، خاصة مع جمع تيرابايت بيانات الصورة الآلي الروتينية خلال دورات طويلة الأجل. منضدة سورفوس يمكن تسريع عملية تجزئة بمعامل 5 مقارنة بتجزئة اليدوي. أيضا، لأن الحدود التي رسمتها سوبيرفوكسيلس، ينبغي تحسين تباين الانقسامات الناتجة عن ذلك. ونأمل في المستقبل، لاستكشاف سبل استخدام تجزئة منطقة 3D الممثل الاهتمام كبيانات التدريب لتطبيق بقية وحدة التخزين، أو حتى وحدة تخزين منفصلة، بثقة عالية. كذلك سينخفض هذا مقدما مقدار الوقت المستخدم والمدخلات اللازمة لوحدات البيولوجية المعقدة حتى الجزء، المساعدة على تخفيف حدة عنق الزجاجة التجهيز وتجزئة الصورة. هذا، بدوره، سوف يسمح مقارنة كمية من البيانات البيولوجية في الدول المختلفة (مثلاً غير مرض، مرض، تعامل) مع أرقام تجريبية قوية.

طاولة العمل سورفوس قطعة من البرمجيات المصممة للسماح للباحثين لاستخراج المعلومات ذات الصلة علمياً من بيانات حجمية من عينات مختلفة، بغض النظر عن هيكل الفوائد أو القرار أو طريقة التصوير1، 2. بيانات الحجمي كهذه غالباً ما يتم جمعها باستخدام نظم التصوير المقطعي بالأشعة السينية أو الإلكترون، تقوم بشكل روتيني مختبرات عامة أو مرافق مركزية بسبب تعقيدها. كل من هذه الأساليب، والتقنيات الأخرى، وإنتاج كبير، مجموعات غنية من المعلومات التي تثبت تحديا للجزء مع أما أساليب شبه تلقائي أو يدوياً. خاصة، تتطلب الدولة قرب أصلي المعطل تداولها البرد datasets ظروف التصوير الجرعة المنخفضة، أسفر عن انخفاض نسبة إشارة إلى الضجيج والتباين الفقراء، لا سيما في البرد إلكترون التصوير المقطعي (كريويت)3،4،5 . عاملاً إضافيا في بعض مجموعات البيانات 3D هو وجود التحف الأخذ بالشروط التجريبية الصعبة المعنية، على سبيل المثال إمالة التحف آسفين المفقودة نتيجة لجمع البيانات على مدى محدود النطاق، أسفر عن المعلومات المفقودة و استطالة في اتجاه شعاع3،،من45. حتى عند انخفاض إشارة إلى الضوضاء أو المفقودين آسفين التحف ليست إشكالية (مثل تركيز أيون شعاع SEM6 أو كتلة المسلسل يواجه SEM7)، الطبيعة ثلاثي الأبعاد للعينة، وكمية كبيرة من البيانات المعقدة ويعني أن التحليل لا تزال تستفيد من عملية مؤتمتة لتجزئة البيانات.
حاليا، عند النظر في حجم البيولوجية للخلايا، هناك العديد من الخيارات لتحديد تلقائياً أو شبه تلقائياً ميزات الهاتف الخلوي محددة جداً، مثل الأكتين أو ميكروتوبوليس أو مجمعات البروتين محددة، باستخدام بحث المستندة إلى القالب، أو تحديد الميزات في أنواع معينة من مجموعات البيانات (مثل التباين العالي، الملون، جزءا لا يتجزأ من الراتنج عينات)8،،من910،،من1112. ومع ذلك، في هذه الحالات بداهة معلومات أو نماذج محددة إعداد البروتوكولات ضرورية، الحد من انطباق واسع النطاق لهذه الاستراتيجيات تجزئة. وهناك أيضا الأدوات المتاحة التي تقوم بالتدريب النموذجية على مستوى فوكسل للتعرف على مظهر مختلف الهياكل من الفائدة عندما تعطي المستخدم الإدخال13. بيد أنه في هذا المستوى يمكن أن الطابع المعقد للتدريب واختبار النماذج عرضه للخطأ ومكلفة حسابياً. ونظرا للظروف الصعبة الصورة، والافتقار إلى استراتيجيات تجزئة المطبقة على نطاق واسع، وشبه التلقائي، تجزئة دليل شائع، حتى عند العمل مع المواد البيولوجية المعقدة14،15، 16 , 17-ومع ذلك، من المقبول عموما أن عملية تجزئة دليل ليس فقط مضيعة للوقت، ولكن أيضا عرضه للخطأ، وذاتية ومتغير4،5،18،19 ،20. تقدم بعض البرامج تجزئة أدوات لتسهيل عملية تجزئة اليدوي (أي الاستيفاء، ﻻسو، أو أدوات ضربة)22من21،، ومع ذلك، في حالات datasets صاخبة، فيصعب تطبيقها بنجاح، و حتى عندما يتم استخدامها بنجاح، العملية لا تزال ذاتية ومتغير.
تقليديا، قد استخدمت الانقسامات في طريقتين متميزة: نوعيا أو كمياً. مع تحسن تقنيات التصوير واستراتيجيات تجزئة، فقد أصبح أكثر شيوعاً لاستخدام تجزئة كأداة كمي للإجابة على الأسئلة البيولوجية وحقيقة "أرض" خوارزمية التنمية8،12، 15،23،،من2425. من أجل القيام بذلك، مفصل الضوابط والتوازنات المطلوبة لتقليل التقلبات والذاتية في جميع أنحاء عملية26. ومع ذلك، هذه الاحتياطات كذلك زيادة الطابع تستغرق وقتاً طويلاً من تجزئة. ولهذا السبب، من الضروري توفر استراتيجية تجزئة أسرع وأقل متغير.
يبدأ منضدة سورفوس لمعالجة هذه القضايا من خلال توفير المستخدم مع مجموعة مختارة من آلة التعلم والأدوات التي تساعد المستخدم في عملية التجزئة، بينما أيضا إرشاد المستخدم من خلال الخطوات المطلوبة ومعالجة الصور. لتحقيق هذا الهدف، واثنان من الابتكارات الرئيسية تنفذ معا في سورفوس. أولاً، فإنه يستخدم التسلسل هرمي منطقة فائقة لمجموعة مماثلة، المناطق القريبة من البيانات استناداً إلى خصائصها المتأصلة. يمثل كل المناطق في التسلسل الهرمي نفس وحدة التخزين باستخدام عناصر أقل، في حين لا يزال توفير التزام الحدود قوية. وهكذا، مناطق فائقة الحد من الطابع المعقد لتجزئة وحدة تخزين قبل عدة أوامر من ضخامة حتى الآن لا تزال تمثل البيانات دون فقدان كبير للمعلومات27. ثانيا، سورفوس يوفر استراتيجية تجزئة شبه إليه التي تستخدم مدخلات تجزئة اليدوي الحد الأدنى لتدريب المصنفات، التي تستخدم فيما بعد الجزء ال28،حجم المتبقية29. هذه الاستراتيجية تقليل تجزئة اليدوي، وإلى حد كبير تقليل مقدار الوقت المستخدم قضى على تجزئة، وعند استخدام مناطق فائقة، يزيل اليدوي ترسيم الحدود، ويحتمل أن تكون الحد من تقلب والذاتية.
آخر سمة رئيسية من سورفوس هو "أداة التقسيم التسمية"، حيث يمكن تصنيف مستخدم سلسلة من الكائنات مقسم مسبقاً استناداً إلى خصائصها المتأصلة. بعد تقسيم الكائنات المختلفة ذات الاهتمام، يمكن استخدام هذه الأداة لتقسيم المجموعة إلى فئات فرعية تستند إلى تدابير مثل كائن متوسط الكثافة، والفرق، وحجم، والموقع، و ما إلى ذلك وهذا مفيد عند تصنيف مجموعات كبيرة من الكائنات مع عالية التعقيد. على سبيل المثال، يمكن تقسيم مجموعة من العضيات الخلوية إلى الميتوكوندريا، حويصلات فارغة، قطرات الدهن، إلخ.؛ أو مجموعة من المواد التي يمكن فصلها تضمينات استناداً إلى حجم أو شكل. مرة واحدة مجزأة بطاقات عنونة فردية يمكن التقسيم إلى مجموعات باستخدام أي عدد من المصنفات، والحد من التحيز القائم على تحديد الهوية.
منضدة سورفوس قد استخدمت بنجاح من للجزء المتعلق بالبيانات من عدة تقنيات التصوير. وهنا، يستخدم السنكروتروني الأشعة السينية المرحلة التباين الطبقي (ميكروكت) للهيئة الاثمار مصنع تثبت سيجمينتاتيحول استخدام نموذج التدريب، البرد إلكترون التصوير المقطعي (كريوت) من الصفائح الدموية البشرية يستخدم لإظهار تجزئة استخدام سوبر--وميجافوكسيلس، والبرد الناعمة الأشعة السينية التصوير المقطعي (كريوسكست) من خط خلية الثدييات يستخدم لإظهار التسمية تقسيم أدوات

<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

هو تجزئة عملية عزل مناطق محددة أو الكائنات الموجودة ضمن وحدة تخزين المصورة، حتى يمكن اتخاذ إجراء مزيد من الدراسة في هذه المجالات ذات الاهتمام. عند النظر في تحليل النظم البيولوجية المعقدة، تجزئة بيانات الصورة ثلاثية الأبعاد خطوة مكثفة تستغرق وقتاً طويلاً وحزب العمل. مع زيادة توافر العديد من طرائق التصوير ونظم جمع البيانات آليا، وهذا تحديا زيادة للأحياء التجريبية الحديثة للانتقال من البيانات إلى المعرفة. ويصف هذا المنشور استخدام منضدة سورفوس، برنامج مصمم لمعالجة هذه القضايا بتوفير أساليب لشبه تلقائياً الجزء البيولوجية الحجمي البيانات المعقدة. ثلاث مجموعات متباينة التكبير والتصوير طرائق هي المعروضة هنا، كل منها تسليط الضوء على الاستراتيجيات المختلفة لتجزئة مع سورفوس. المرحلة تباين الأشعة السينية التصوير المقطعي (ميكروكت) في الهيئة الاثمار مصنع يستخدم لإظهار تجزئة باستخدام نموذج التدريب، يستخدم التصوير المقطعي الإلكترون cryo (كريوت) من الصفائح الدموية البشرية تثبت تجزئة استخدام سوبر-ميجافوكسيلس، والبرد الناعمة ويستخدم التصوير المقطعي بالأشعة السينية (كريوسكست) من خط خلية الثدييات تثبت التسمية تقسيم أدوات. وترد أيضا استراتيجيات والمعلمات لكل نوع بيانات. عن طريق مزج مجموعة عمليات شبه التلقائي إلى أداة تفاعلية واحدة، سورفوس يوفر العديد من الفوائد. عموما يتم تقليل الوقت للجزء المتعلق بالبيانات الحجمي بعامل خمسة عند مقارنتها بتجزئة اليدوي، ودعامة أساسية في العديد من مجالات تجهيز الصورة. هذا تحقيق وفورات كبيرة عند تجزئة دليل كامل يمكن أن يستغرق أسابيع جهد. بالإضافة إلى ذلك، يتم تناول الذاتية من خلال استخدام الحدود التي تم تحديدها حسابياً، وتقسيم مجموعات معقدة من الكائنات بخصائصها محسوب وليس على أساس حالة بحالة.

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

حجم تجزئة وتحليل المواد البيولوجية باستخدام منضدة سورفوس (منطقة عظمى تجزئة وحدة التخزين)

تجزئة البيانات ثلاثية الأبعاد من العديد من تقنيات التصوير عقبة رئيسية في تحليل النظم البيولوجية المعقدة. هنا، يمكننا وصف استخدام منضدة سورفوس إلى شبه تلقائياً الجزء البيانات الحجمي على طول-نطاقات مختلفة باستخدام مجموعات البيانات المثال من البرد-إلكترون التصوير المقطعي والتصوير المقطعي بالأشعة السينية اللينة البرد وتقنيات التصوير المقطعي بالأشعة السينية على النقيض المرحلة.

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 ...

Research

JoVE Journal

Biology

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

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

Large Volume 20L+ Filtration of Coastal Seawater Samples

كبيرة الحجم (20L +) الترشيح لعينة من ماء البحر الساحلية

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

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

Small Volume 1-3L Filtration of Coastal Seawater Samples

حجم صغير (1 - 3L) الترشيح للعينات مياه البحر الساحلية

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

تعيين تركيز الأحماض النووية والبروتينات باستخدام الصغرى ، حجم الطيف نانو بيو المواصفات

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

مختبر تقنيات العقيم: التحويلات الحجم مع الماصات المصلية وMicropipettors

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

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

إعادة بناء 3 الأبعاد حجم الأنسجة وتطبيقاتها لدراسة ماوس الغدد الثديية

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

القلب حجم الضغط تحليل حلقة عن طريق القسطرة المواصلة في الفئران

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

قياس حجم حلقات الضغط في الماوس

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

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

ACT-المعزوفة: المقاصة الأنسجة البيولوجية وطرق Immunolabeling للتصوير حجم

The identification and exploration of the detailed organization of organs or of the whole body at the cellular level are fundamental challenges in ...

Biological Sample Preparation by High-pressure Freezing, Microwave-assisted Contrast Enhancement, and Minimal Resin Embedding for Volume Imaging

إعداد العينات البيولوجية بالتجميد ذات الضغط العالي، وتعزيز النقيض ساعدت الموجات الدقيقة، والحد الأدنى راتنج التضمين لتصوير حجم

The described sample preparation technique is designed to combine the best quality of ultrastructural preservation with the most suitable contrast for the ...

Array Tomography Workflow for the Targeted Acquisition of Volume Information using Scanning Electron Microscopy

سير عمل التصوير المقطعي للصفيف للحصول المستهدف على معلومات الحجم باستخدام المجهر الإلكتروني المسح الضوئي

Electron microscopy is applied in biology and medicine for imaging of cellular and structural details at nanometer resolution. Historically, Transmission ...