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

אנחנו רוצים להכיר ולהודות Rui וואנג, צ'יו ווה מ ביילור לרפואה למתן את ערכת הנתונים cryoET, אנדרו Bodey ממקור אור יהלום עבור סיוע beamtime I13. חלקים של מחקר זה היו נתמך על ידי המענק הלאומית המכונים לבריאות (NIH) מס (P41GM103832) אנו להכיר מקור אור יהלום למימון במשותף Imanol Luengo תחת PhD STU0079.

הערה: בדרך כלל שימושי טווחים של פרמטרים עבור כל שלב העיבוד ואת הפרמטרים ספציפיות עבור כל סוג נתונים המוצגים כאן הינם מסופקים בכל טבלה 1-
 1-הכנת סביבת העבודה ונתונים טעינת <ol><li>הפעלה SuRVoS עבודה, שעליו מונחים, לחץ על הלחצן ערכת נתונים פתוח, וכתוצאה מכך המוקפץ, בחר את קובץ הנתונים כדי להיות מקוטע. לבחור אוריינטציה המתאים של ערכת הנתונים. בשלב הבא, לבחור או ליצור תיקיה בו סביבת העבודה ואת הקבצים המשויכים יאוחסן. מומלץ תיקיה זו זו ריקה בעת הפעלה של פילוח חדשים. לאחר טעינת הנתונים, עבודה, שעליו מונחים ייפתח עם חלונית תוספים בצד השמאל, חלונית הפריטים החזותיים (מימין) ערכת קיצורי מקשים כלי בין שתי החלוניות ( איור 1).</li>
</ol> 2. Preprocessing וייצוג נתונים <ol><li>ב ה בחר רועי בכרטיסיה קלט ההתחלה z, y ו- x ולהוסיף קצה קואורדינטות עבור האזור של הריבית ולחץ. לבחור המתאים y ו- x קואורדינטות מרחף עם העכבר מעל נקודה על התמונה. בחרו z קואורדינטות בעזרת המחוון ' ' בחלק העליון של חלונית הפריטים החזותיים. ברגע אזור נוספה, ודא שהוא נבחר על ידי סימון התיבה בצד ימין. כל החישובים במורד הזרם יבוצעו על האזור שנבחר. באופן כללי, החל מקטן, נציג אזור בעל עניין (ROI), אופטימיזציה של פרמטרים, ואז החלה מחדש פרמטרים אלה על כל האזור כדי להיות מקוטע מומלץ.</li>
	<li>ב ה כוללים ערוצי הכרטיסיה, השתמש בתפריט הנפתח בחלק העליון כדי לבחור תכונה/מסנן והוספתו לתור (ראה דיון לקבלת מידע נוסף אודות תכונה ערוצים). לאחר תכונה/מסנן נוסף, נבחר על-ידי לחיצה על שמו, לשנות אפשרויות מיוחדות למסנן/התכונה, בחר את ערכת הנתונים הקלט שעליו ניתן להפעיל את תכונת/המסנן. לאחר כל האפשרויות שנבחרו, לחץ על תיבת הסימון מימין שם התכונה/סינון לחישוב.
	<ol><li>על מנת לייעל את הפרמטרים עבור dataset חדש, להוסיף מסננים מרובים/תכונות ובחרו את הפרמטרים עבורם, לפני להיות מחושבים לפי סדר, אחד אחרי השני. כדי לעשות זאת, להוסיף כל מסנן/תכונה חדשה, בחר פרמטרים מתאימים, סמן את התיבה שלצד כל מסנן/תכונה שיש להפעיל ולאחר לחץ על התיבה תכונות המחשוב בחלק העליון של החלונית. לקבלת פרטים נוספים ראה דיון.</li>
	</ol></li></ol> 3. יצירת אזורים סופר המתאים <ol><li>ב אזורים סופר הכרטיסיה, במקטע ' Supervoxels ', השתמש את התפריט הנפתח ' מקור ' כדי לבחור את ערכת הנתונים המסוננים שממנו ייווצרו supervoxels. לאחר מכן לציין את הצורה, ריווח, הקומפקטיות של supervoxels (ראה דיון, איור 2 לפרטים נוספים). לבסוף, לחצו על הלחצן ' החל ' כדי ליצור את supervoxels. ברגע supervoxels נוצרו הם ניתן להציג חלונית הפריטים החזותיים, להפעיל או לבטל ושקיפות שלהם נשלט ויזואליזציה טאב, הצופה החלון קיצור.</li>
	<li>ב ה סופר אזורים בכרטיסיה ', במקטע ' Megavoxels ', השתמש את התפריט הנפתח ' מקור ' כדי לבחור את ערכת הנתונים המסוננים שממנו ייווצרו megavoxels. לאחר מכן, ציין את למדא, numBins גמא הפרמטרים של megavoxels (ראה דיון לפרטים נוספים). ברגע megavoxels נוצרו הם ניתן להציג חלונית הפריטים החזותיים, להפעיל או לבטל ושקיפות שלהם נשלט ויזואליזציה טאב, הצופה החלון קיצור.</li>
</ol> 4. מבוא ביאור <ol><li>ב ביאורי לשונית השתמש בלחצן להוסיף רמה כדי להוסיף רמת ביאור. אחרי רמה נוספה, השתמש בלחצן הוסף תווית ברמה זו כדי להוסיף תווית עבור הביאור. לאחר ההוספה, השם ואת הצבע של התווית שניתן לשנותם כדי להקל על ביאור.</li>
	<li>הבא, על מנת להתחיל ביאור, בחר סמל העט מהמקטע קיצור דרך הכלי. כאשר אפשרות זו נבחרת קבוצת אפשרויות מופיעות בחלק העליון של חלונית הפריטים החזותיים. אפשרויות אלה קובעות את רוחב העט וישמש אם voxels, supervoxels או megavoxels כדי להוסיף ביאורים.
	<ol><li>לצורך מודל אימון, בדרך כלל, בחר supervoxels בתיבה הנפתחת רמת ביאור, אי, חזרת לעצמך כדי רוחב העט גדול אמור לשמש. בכרטיסייה ' ביאורים ', בחר את התווית כדי להיות מבואר על-ידי סימון התיבה לקצה הימני של המידע תווית. לאחר מכן, לחץ על חלונית להדמיה כדי להוסיף ביאורים supervoxel יחיד, או לחץ וגרור כדי להוסיף ביאורים רבים. 
		הערה: Voxels ו- megavoxels יכול להיות שנבחרה בתיבה הנפתחת רמת ביאור, נהגה להוסיף ביאורים באותה דרך, אשר, במקרה של megavoxels, ניתן לאפשר אלפים רבים של voxels דומה כדי להיות מקוטע בלחיצה על העכבר.</li>
	</ol></li></ol> 5. פילוח באמצעות מודל ההכשרה הפגינו עם microCT dataset.
 הערה: פילוח הראשון עבור datasets רבים היא להבדיל בין אזורים מרובים גדול אחד מהשני. לדוגמה, הפרדת הגרעין הציטופלסמה, או התא מהמבנה החיצוני קרח ותמיכה. עבור סוג זה של פילוח, עם גבולות מוגדרים היטב ברורים ואזורים גדולים, מודל אימון זה שימושי. כדי להדגים את זה, ייעשה שימוש רנטגן שלב ניגודיות נתונים טומוגרפי של Goosegrass.
<ol><li>לטעון את הנתונים של תהליך מוקדם באמצעות חבילת סינון וכוללים, לקבוע supervoxels מתאים ו/או megavoxels כפי שמתואר בסעיפים לעיל באמצעות הפרמטרים ב טבלה 1 כמדריך. ממשיך להשתמש הפרמטרים טבלה 1 ואת ההוראות בסעיף 4, ביאורים בערך כמה אזורים גדולים של ערכת הנתונים, כפי שמוצג באיור 3. 
	הערה: ערכת הנתונים אינו צריך להיות מקוטע לגמרי בשלב זה.</li>
	<li>מודל אימון בכרטיסיה ', קבע את רמת לנבא הרמה שמכילה את הביאורים מדריך אימונים, מתאר מקטע הגדר באזור Supervoxels. בשלב הבא, בחר את מתארי כי הם לשמש כדי להבדיל בין אזורים של הנתונים על-ידי לחיצה על בחר מקורות הנפתחת ובדיקת בתיבות המאפיינים ומסננים של בחירה (ראה טבלה 1, דיון).</li>
	<li>הבא, לחץ על לחצן לנבא. לאחר חישוב השלמת, חלונית הפריטים החזותיים יעודכן עם הנבואה עבור כל voxels ללא התווית על-ידי מציג אשר של המעמדות ביאור שהם צפויים להיות שייך. בדרך כלל, הפרמטרים של ברירת המחדל עבור כל מתודולוגיה המסווג לספק נקודת התחלה טובה, המשתמש צריך רק לעבור בין מסווגים למצוא התאמה טובה. עם זאת, עבור משתמשים מנוסים או מומחה האפשרויות עבור כל המסווג הינם זמינים, שניתן לשנותם.</li>
	<li>לאחר הערכת ההשפעה של מתודולוגיות הדרכה בחירת אחת, החל עידון נוספים על ידי לחיצה על מקד הנפתחת במקטע עידון. At התחתון של ההכשרה דגם טאב, באופן &#34; עדכון ביאורים &#34; סעיף, ודא כי התפריט הנפתח ויזואליזציה מוגדר Predictions. השתמשו במחוון ' ביטחון ' כדי להקצות פחות או יותר של supervoxels unannotated תוויות הביאור הנבחר.</li>
	<li>אחרי רמה מתאימה של ביטחון נבחרה בהתבסס על בדיקה ויזואלית, השתמש בלחצנים שמור ליד התוויות בתחתית הכלי ביטחון כדי להציל את תחזיות לתוך תוויות מסוים. חלונית הפריטים החזותיים יעדכן כדי להציג את השינויים. ניתן לשמור כל תווית בנפרד, ואכן, תוויות להינצל מכל אזורי משנה קטנים יותר על-ידי הזנת ערכים מ ו z, y ו- x תיבות ולחיצה על הלחצן ' שמור ' עבור כל תווית.</li>
	<li>כתובת משנית המטעות על-ידי מתן הכשרה נתונים נוספים כמתואר בסעיף 4. לאחר הוספת תחזיות המתאימה לתוויות, חזור על התהליך של מודל אימון עם עידון והוספת ביטחון מלא תחזיות עד ישנם יותר ללא תווית supervoxels. זה יעיל כי בכל פעם תהליך ההכשרה מודל הפעלת שם יותר מוקצים supervoxels להתאמן עם, ולכן התהליך הופך להיות עמידים יותר כמו להגדיל מספר איטראציות.</li>
</ol> 6. באמצעות אזורים סופר, הפגינו עם CryoET Dataset.
 הערה: פילוח סופר-אזור מאז הוא שימושי עבור אזורים קטנים יותר בצינעה מאוגד, כאן המוקד יהיה על פילוח של organelles ושל microtubules בתוך זה הנתונים (dataset). מודל ההדרכה שימשה מהר קטע של טסיות מן הרקע קרח ו פחם; פרמטרים אלה הם לא נדון עוד, אבל מוצגים בטבלה 1-
<ol><li>לטעון את הנתונים של תהליך מוקדם באמצעות חבילת סינון וכוללים, לקבוע supervoxels מתאים ו/או megavoxels כפי שמתואר בסעיפים לעיל באמצעות הפרמטרים ב טבלה 1 כמדריך.</li>
	<li>הוסף רמות המתאים ותוויות לכרטיסיה ביאור, בחר בתווית ולהתחיל ביאור באמצעות אי, חזרת לעצמך עט רוחב עם supervoxels שנבחר. היו קשובים הצורך לבחור תוויות שונות עבור אובייקטים בסמיכות אחד לשני על מנת למנוע תיוג אותם כאובייקט יחיד.</li>
	<li>על מנת לנקות את הביאורים עוד יותר, להשתמש בשיטות מורפולוגיות עידון (התארכות, שחיקה, פתיחה, סגירה ומילוי חורים). אפשרויות אלה ניתן למצוא בחלק התחתון של הכרטיסייה הסברים. כדי להשתמש בהם, בחר את השיטה תווית ועידון של פילוח. הזן ערך רדיוס ובחר כיצד להחיל את העידון. ואז לחץ על מקד.</li>
</ol> 7. סיווג, ניתוח של נתונים אובייקטים בהתבסס על מאפייני הטבועה, הפגינו עם CryoSXT Dataset הערה: בדרך כלל, השלב הבא לאחר פילוח הוא ניתוח של הנתונים. הכלי ספליטר תווית ב- SuRVoS מאפשר הסיווג של אובייקטים מקוטע באמצעות כללים שמבוססים על מאפיינים מהותיים של האובייקטים כגון אובייקט ממוצע עוצמת, סטיה, אמצעי האחסון או מיקום. בכלי הסטטיסטיקה תווית מאפשר הפריט החזותי של קשרי הגומלין בין צעדים אלה עבור כל סוג אובייקט חדש. אלה הם כלים חדשים ובעלי עוצמה לניתוח של מורכבות datasets 3D לאחר פילוח.
<ol><li>לטעון את הנתונים, של תהליך מוקדם באמצעות חבילת סינון וכוללים, לקבוע supervoxels מתאים ו/או megavoxels וקטע כמתואר בסעיפים לעיל באמצעות הפרמטרים ב טבלה 1 כמדריך.</li>
	<li>לאחר פילוח, לחץ על הכרטיסיה השני של חלונית הפריטים החזותיים, קרא תווית הפיצול. פעולה זו תוסיף תחום חדש לצד הימני של החלון - חלונית יצירת הכללים.</li>
	<li>בחלק העליון של אזור זה, בחר רמה מתאימה של תוויות עבור תווית פיצול. לאחר מכן בחר את ערכת הנתונים כדי לבצע שאילתה, לחץ על תווית. כל האובייקטים תוויות שנבחרו כעת יסומנו בכחול כמו אובייקטים נפרדים חלונית הפריטים החזותיים, מגרש מציג את העוצמה הממוצעת של האובייקטים יוצגו בחלונית יצירת הכללים. כדי לשנות את המדד מוצגת בעלילה, לחץ על התיבה הנפתחת בחלק העליון של הצד הימני.</li>
	<li>להתחיל לפצל את האובייקטים השיעורים הרלוונטיים, לחץ על הוסף תווית חדשה בתחתית חלונית יצירת הכללים. ניתן לשנות את השם ואת הצבע המשויך תווית חדשה זו כפי שתואר לעיל.
	<ol><li>, לחץ על הוספת כלל חדש ושימוש בתיבות ערך נפתחת ו צורה חופשית להגדיר שהכלל יוחל. לחץ על החל כדי לראות את השפעות החוק החדש בחלונית להדמיה ואת העלילה בחלונית יצירת הכללים. ניתן להחיל כללי מרובים על תווית אחת, ניתן ליצור תוויות מרובות בתוך ערכת הנתונים באותו. 
		הערה: על מנת לאסוף חפצים ללא תווית, ליצור תווית חדשה, במקום הוספת כלל זה, לחץ על בחר אחרים.</li>
	</ol></li> <li>כאשר האובייקטים עניין כבר התפצלה תוויות חדשות, ליצור רמה חדשה וריקה בכרטיסיה ביאורים. לאחר מכן בחר רמה זו בכרטיסיה יצירה כלל, לחץ על שמור תוויות. זה יחסוך את התוויות החדשות לרמה הזו ריקה.</li>
	<li>על הקצה של חלונית הפריטים החזותיים, לחץ על הכרטיסייה תוויות נתונים סטטיסטיים. פעולה זו תפתח חלונית ויזואליזציה חדשה זה יכול לשמש כדי להתחיל להבין קשרים בין מחלקות אובייקטי נתונים. בחלק העליון, בחר רמה מתאימה תוויות, ואת את ערכת הנתונים לשאילתה.
	<ol><li>בחר כמה צעדים של עניין על-ידי בדיקת בתיבות לצד אותם. לאחר מכן לחץ על תווית. זה יהיה לייצר השוואה pairwise חלקות עבור כל אחד האמצעים שנבחרו. כדי לעדכן את החלקות, בחר או בטל את הבחירה האמצעים המתאימים ולאחר מכן לחץ על עדכון מגרש.</li>
	</ol></li></ol> 8. ייצוא נתונים, Segmentations <ol><li>לייצא החלקות, את נתוני המדידה raw על-ידי לחיצה על מגרש ייצוא, ייצוא נתונים, בהתאמה, בכרטיסיה תווית נתונים סטטיסטיים של חלונית הפריטים החזותיים.</li>
	<li>לייצא את נתוני התמונה ואת segmentations על ידי לחיצה על הכרטיסיה ייצוא בחלונית תוספים. תחילה, לחץ על כדי לבחור תיקיה שבו יישמרו הנתונים. בשלב הבא, בחר את הפלט (נתונים גולמיים, ביאורים Raw, פילוח מסכות או נתונים רעולי פנים) ואת התבנית (HDF5, MRC או TIFF). לבסוף, בחר את level(s) ביאור ייוצאו בעזרת תיבות הסימון ולחץ על ' ייצוא. הנתונים יכול להיות קנה המידה, הפוך לפני ייצוא במידת הצורך. בעת ייצוא הנתונים רעולי פנים, הנתונים (dataset) זה mask(s) תוחל ניתן לבחור באמצעות תפריט נפתחת.</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>

המחברים מצהירים שיש להם אינטרסים כלכליים אין מתחרים.

SuRVoS עבודה, שעליו מונחים שונה מזה של תוכניות אחרות פילוח אופטימיזציה של פרמטרים היא צעד הכרחי וחשוב לפני תחילת את פילוח בפועל. בתוכניות מסוימות פילוח ידנית או חצי ידנית, המשתמש מתחיל הממיין תוך רגעים ספורים של פתיחת פרוייקט חדש. עם SuRVoS, בגלל כמויות גדולות של אמצעי האחסון מקוטע עם קלט מועט מהמשתמש גבולות מפורטים על-ידי התוכנית, אופטימיזציה של הפרמטרים הינה קריטית פילוח מוצלחת. באופן ספציפי, תכונה ערוצי סופר-אזור בילדינג נמצאים בשני תחומים שבהם צריך להיות משולם תשומת לב.
ערוצי תכונה והכשרה מודל
בנוסף הנתונים הגולמיים, SuRVoS מאפשר למשתמש ליצור datasets נוספים או ערוצי נגזר על ערכת נתונים קיימים. ערוצים אלה יכולים להיווצר באמצעות מבחר של מתודולוגיות חישובית או תכונה תמציות. כל אחת מייצגת נתונים זמינים במקביל, וכן יכולים להיות מוצגים בנפרד כדי להעריך את התוצאות של יישום תכונה או המסנן. בשל מאפיינים אלו, מתייחסים אליהם כאל תכונה ערוצים ב- SuRVoS. ישנן אפשרויות רבות ערוץ תכונה שרשמת SuRVoS. לקבלת מידע אודות האפשרויות ואת הפרמטרים משמש כאן, ראה טבלה 1, עבור רשימה מלאה ולבקר תיאור של תכונה זמינה ערוצי https://diamondlightsource.github.io/SuRVoS/ 2. ראשית, רועש datasets יהנה denoising עם גאוסיאן או סיכום וריאציה מסנן. מומלץ נוסף חישובי ערוץ ו supervoxel/megavoxel תכונה להתבצע באמצעות אחד אלה datasets denoised כמקור הנתונים. בדרך כלל, ערכת הנתונים הכולל וריאציה denoised משמש כנתוני המקור עבור תכונה חישובי ערוץ ו supervoxel/megavoxel. הוא הציע להפעיל קודם עם ערכי ברירת המחדל, להעריך את התוצאה ב- 3D, סוף סוף, iteratively לייעל את הפרמטרים עבור ערכת הנתונים. בנוסף, כוללים ערוצי יכול להיות בנוי לתוך "מערכות סינון" כדי במיוחד לבודד את היבטי את ערכת הנתונים, אלה יכולים מכן לשמש כמקורות נתונים, ליצור supervoxels ו- megavoxels. בעוד אסטרטגיה זו היא מאוד dataset התלויים, זה יכול להיות מועיל.
תכונה ערוצי משמשים גם כמקורות לאמן את המסווג באימון מודל. כאשר מחליטים על איזו תכונה ערוצים לשימוש, מומלץ כי כמה ערוצים התכונות החזקה (למשל, זיהוי הכתמים, מרקם, מבנה או תכונות חזקות קטגוריות) משמשים בעת עבודה עם כמות קטנה של ביאורים לאמן . מסווג. בעת עבודה עם כמות גדולה של נתונים אימון, מומלץ להשתמש יותר ערוצי תכונה כללית, מכל הקטגוריות כל עוד הם מספקים מידע מגוונים למסווג (למשל, להוסיף הערוצים תכונה הרשימה לעיל מתוך מקומי תכונות וקטגוריות תכונות לפי עקומת גאוס).
ישנם שלושה חלקים עיקריים מודל אימון: מתן מקורות קלט נתונים המתארים הנתונים, באמצעות תשומות אלה לאמן מסווג, וכוונון סוף סוף את תחזיות פלט. באופן כללי, אזורים קטנים של הנתונים ידרוש עוד ביאורים למשתמש לאמן במדויק את המסווג, בעוד אזורים גדולים יותר של הנתונים ידרוש פחות משתמש ביאורים. מודל אימון קודם מבלי לבחור עידון ניתן למצוא את תחזיות הטוב ביותר. לאחר מכן לכלול העידון, למטב את פרמטר למדא כנדרש, כדי לתקן את הבעיות עם הנבואה כגון חורים או קצוות משוננים.
Supervoxels, megavoxels
Supervoxels הם אשכולות רבים בקרבת מקום,38,voxels דומה39. Supervoxels מתחילים כמו רשת 3D סטנדרטי על הנתונים ואז מום iteratively על מנת לדבוק לגבולות הבסיסית, לכן כדאי שייצגו את הנתונים. Supervoxel ויצירת דפורמציה נשלטת על ידי ארבעה לקלט מהמשתמש: מקור הנתונים, superpixel צורה, ריווח, הקומפקטיות. מקור הנתונים מספק את תשומות הנתונים יישאלו במהלך יצירת supervoxel. ניתן להשתמש מכל מקור שהוא לרבות מקורות נתונים מסוננים. הפרמטרים צורה superpixel קבע הזינוק התלת-ממד לצורה הרצויה משוער של supervoxels שנוצר. שינוי פרמטרים אלה באפשרותך להגדיל או להקטין supervoxels לפני דפורמציה. הפרמטרים ריווח להגדיר את החשיבות של גבולות לכל כיוון. שינוי פרמטרים אלה מדגישים גבולות באחד או בשני כיוונים על חשבון האחר (s), כלומר את supervoxels שנוצר עיוות לעקוב טוב יותר גבולות נתונים direction(s) נתון. הפרמטר האחרון, הקומפקטיות, קובע כמה supervoxels יכולה לעוות. מספר הקומפקטיות נמוכה מאפשרת את supervoxels לעוות יותר. פרמטרים אלה צריכים להיות מוטבת לספק supervoxels המייצגים את הגבולות של נתונים מעניינים. הערה: כיום, פרמטרים צורה supervoxel להיות שווה 1024 או פחות כאשר התרבו ביחד.
במובנים מסוימים, supervoxel פרמטרים יכול לפצות על אחד את השני, כלומר אין אף אחד "התשובה הנכונה" כאשר מחליטים על פרמטרים. לדוגמה, רשת התחלה גדולים (למשל superpixel צורה: 10 x 10 x 10) ואת מספר הקומפקטיות נמוך (דוגמה 20) רשאי לתת supervoxels עם הדבקות גבול דומה לעומת רשת התחלה קטנה (למשל superpixel צורה 5 x 5 x 5), גבוהה יותר מספר הקומפקטיות (למשל 50). מכיוון שישנם יותר, קטן יותר supervoxels בתרחיש השני, הם לא חייבים לעוות כל כך הרבה כדי לייצג את גבולות. שני מערכי הפרמטרים יכול להיות מתאים חלוקת ערכת הנתונים.
השיקול הגדול ביותר בעת בחירת הפרמטרים supervoxel הוא כמה טוב supervoxels מייצגים את הנתונים. הצגת את supervoxels לבד, בלי נתונים מתחתם, כמו איור דו-ממדי, היא דרך טובה להעריך supervoxel פרמטרים. בעת הצגת בדרך זו, הקצוות ואת קווי המתאר של צורות נמצאו הנתונים עדיין צריך להיות גלוי supervoxels.
Megavoxels הם וקונצרנים של מספר שכנים, בדומה supervoxels38,39. הם נשלטים על ידי ארבעה לקלט מהמשתמש שוב: מקור הנתונים, למבדה, numbins וגמא. בדומה supervoxels, מקור הנתונים מספק את תשומות הנתונים יישאלו במהלך יצירת megavoxel. למדא וגם numbins השפעת גודל וגבול הדבקות של megavoxels. ככל megavoxels גדלים גדולים יותר (גבוהה למדא, numbins נמוך), שדבקו גבול פוחתת. היפוכה הוא גם נכון, גבול הציות יגדל עם megavoxels קטן יותר (למדא נמוך, numbins גבוהה), אולם כפי מקטין גודל megavoxel, כך גם התועלת שלהם ב הממיין כמויות גדולות של voxels במהירות. הפרמטר האופציונלי גמא שולט הגורם החלקות לעומת העלות של מיזוג שני supervoxels ביחד. ערכים קטנים של גמא ניתן לשפר את הדמיון בין שתי supervoxels, על חשבון שיש הכוללת פחות megavoxels.
כמו supervoxels, השיקול הגדול ביותר בעת בחירת ומיטוב פרמטרים megavoxel הוא כמה טוב megavoxels מייצגים את הנתונים. ניתן להשתמש שוב מציג את megavoxels לבד כמתואר עבור supervoxels להערכת פרמטרים. עם זאת, מכיוון megavoxels בדרך כלל יהיה הרבה יותר גדול הם תלת מימדי, באמצעות ה-t כלי ביאורo לבחור megavoxels יחיד כדי להבטיח הגבול בין אזורי עניין חזק מומלץ גם.
ביאור אסטרטגיה
תוארו שתי אסטרטגיות ביאור כללי: בגישה האימונים מודל שימושי עבור הפרדת אזורים גדולים של מבנה נתונים, בעוד בגישה פילוח אזור סופר שימושי עבור תכונות קטן יותר, יותר מגוונת כגון organelles בודדים. ניתן לארגן ביאורים באופן הירארכי כך ניתן להוסיף ביאורים אזורים גדולים קודם, ואז לסעף את אותם אזורים ספציפיים יותר באמצעות קשר הורה-ילד. ניתן להקצות את תווית אב עבור תווית על ידי לחיצה על האזור בצד ימין של תווית צבע הבחירה ובחירה תווית אב המתאים מרמה קודמת. בפועל, רוב datasets להשתמש מודל ההכשרה והן סופר-אזור פילוח אסטרטגיות כדי פילוח אזורי/תכונות ספציפיות של ריבית.
בדוגמה מודל אימון כאן, כמה תשומות ההכשרה (בצורה של המשתמש ידני המבוסס על supervoxel ביאורים) שימשו על שלוש פרוסות במרווחים באותה מידה של הנתונים. בדרך זו, ההיבט הכשרה מודל של SuRVoS במידה רבה מגביר את מהירות שבה פילוח הוא אפשרי במיוחד כאשר עובדים עם גדולים, הבדיל אזורים כגון הפער בין האזורים בגוף fruiting goosegrass כפי שמסומן ב- איור 3.
כאשר מודל הדרכה, אם לא ניתן לראות את תחזיות, זה ייתכן שיהיה צורך גש לכרטיסיה ויזואליזציה ולוודא כי השכבה תחזיות מופעלת והגדר הכמות המתאימה של שקיפות. כמו כן, ביטחון של 0 להקצות כל supervoxel ללא תווית תווית, בהתבסס על מה ההתאמה הקרובה ביותר היא. ביטחון של 100 להקצות תווית רק אם רק קטגוריה אחת של תוויות יש התאמה פרופורציונלית. מה שביניהם םייק של שני קצוות אלה. בעת בחירת רמת ודאות הוא הציע לבדוק כמה פרוסות לבחון מבחינה ויזואלית כי שם הם לא voxels באופן שגוי החזוי לפני שמירת הנבואה על תווית.
אסטרטגיה טובה עבור הוספת ביאורים באמצעות אזורים-העל היא להשתמש בכלי ההגדלה כדי להגדיל את תצוגת הנתונים, ביאורים organelles כמה בבת אחת על פרוסה אחת, באמצעות גישה של "מהיר, מבולגן" קודם (איור 4C). בשלב הבא, הזז למעלה או למטה כמה פרוסות ב- Z, חזור על תהליך זה. מאחר supervoxels הם תלת מימדי, רבים המגרעות של הגישה "מבולגן" נפתרות על-ידי ביאורים בדוגמא למעלה או למטה פרוסות. בדרך זו, פילוח הוא האיץ את, הגבולות הינם מסופקים על ידי supervoxels ולא באופן ידני.
לנקות את תווית, סופקו אפשרויות פילוח סטנדרטי עידון. התארכות גורמת התווית שנבחרה פילוח לגדול ע י נתון רדיוס, שחיקה גורמת לו להתכווץ. פתיחה וסגירה של אלו היישום של שחיקת הראשון ואז התארכות, או להיפך, בהתאמה. מילוי חורים עושה בדיוק את זה. משנה הסדר של פעולות אלה. באופן כללי, מבצע מילוי חורים, ולאחר מכן פתיחה ולאחר מכן התארכות עובד היטב. כל שיטת עידון יכול להיות מיושם על פרוסה אחת ("זו פרוסה"), על כל הפרוסות ב- 2D ("כל הפרוסות (2D)") או ב- 3D ("כל אמצעי אחסון (3D)"). כל הפרוסות (2D) מומלץ.
משמעויות וכיוונים עתידיים
פילוח יעיל ומדויק הוא צוואר הבקבוק הבא בעיבוד של datasets תלת-ממד, במיוחד עם אוסף אוטומטית שגרתית של טרה-בתים של נתוני התמונה במהלך מפגשים הארוך. SuRVoS עבודה, שעליו מונחים באפשרותך להאיץ את התהליך. פילוח לפי פקטור של 5 לעומת פילוח ידנית. גם, כי הגבולות מפורטים על-ידי supervoxels, ההשתנות של segmentations תוצאות צריך לשפר. בעתיד, אנו מקווים לבחון דרכים באמצעות את פילוח של אזור 3D נציג עניין כנתונים הכשרה כדי להחיל שאר אמצעי האחסון, או אפילו כאמצעי אחסון נפרדים, עם ביטחון עצמי גבוה. זה מראש להקטין עוד יותר את כמות זמן המשתמש ואת קלט צורך כרכים ביולוגיים מורכבים אפילו קטע, עוזר כדי להקל על עיבוד של פילוח צוואר הבקבוק תמונה. בתורו, פעולה זו תאפשר השוואה כמותית של נתונים ביולוגיים במצבים שונים (למשל אי-מחלה, מחלת, מטופלים) במספרים ניסיוני חזקים.

SuRVoS עבודה, שעליו מונחים הוא פיסת תוכנה שנועדה לאפשר לחוקרים לחלץ מידע רלוונטי מבחינה מדעית של נפחי נתונים מדגמים שונים, ללא קשר למבנה של הריבית, רזולוציה או הדמיה מודאליות1, 2. נפחי נתונים כגון אלה נאספים לעתים קרובות באמצעות מערכות טומוגרפיית קרני רנטגן או אלקטרונים, באופן שגרתי מבוסס מעבדות בכללותו או מתקנים מרכזי עקב המורכבות שלהם. הן של שיטות אלה, ואת אחרים טכניקות, התוצרת גדולים, מידע עשיר datasets אשר להוכיח מאתגר פלח בשיטות או חצי-אוטומטי או ידני. במיוחד, קרובה לשפת אם המדינה הקפאה. מרותק למיטה datasets דורשים תנאים הדמיה במינון נמוך, וכתוצאה מכך יחס אות לרעש נמוך והניגודיות המסכן, במיוחד של הקפאה אלקטרון טומוגרפיה (cryoET)3,4,5 . גורם נוסף כמה datasets תלת-ממד היא הנוכחות של ממצאים שהוצגו על ידי התנאים ניסיוני ומאתגר מעורבים, לדוגמה חסרים חפצים טריז עקב איסוף נתונים על מוגבל הטיה טווח, וכתוצאה מכך מידע חסר, התארכות בכיוון של קרן3,4,5. אפילו כאשר נמוך אות לרעש או חסרים חפצים טריז אינם בעייתיים (למשל ממוקדת קרן יון SEM6 או בלוק טורי פנים SEM7), המורכבות ואת הטבע תלת מימדי של המדגם, וכן כמות גדולה של נתונים להיות ניתוח עדיין ליהנות תהליך אוטומטי עבור פילוח נתונים.
כיום, כאשר בוחנים כרכים הביולוגי של תאים, ישנן אפשרויות רבות לזיהוי אוטומטי או חצי-אוטומטית תכונות הסלולר מאוד ספציפי, כגון אקטין, microtubules או קומפלקסים חלבון ספציפי, באמצעות חיפוש המבוסס על התבנית, או זיהוי תכונות בסוגים מסוימים של נתונים (datasets) (למשל חדות גבוהה, צבעונית, דגימות שרף-מוטבע)8,9,10,11,12. עם זאת, באלה המקרים א-פריורי מידע או מדגם ספציפי הכנת פרוטוקולים נחוצים, הגבלת תחולת אסטרטגיות אלו מקטעי רחבה. יש גם כלים זמינים לביצוע מודל אימון ברמת voxel כדי ללמוד את המראה של מבנים שונים של עניין כשנותנים קלט משתמש13. עם זאת, ברמה זו המורכבות של הדרכה ובדיקות הדגמים ניתן לשגיאות שהמפתחות יקר. בהינתן התנאים תמונה מאתגרת, והיעדר אסטרטגיות פילוח בהרחבה ישימים, חצי אוטומטי, ידני פילוח מצוי, גם בעבודה עם חומרים ביולוגיים מורכבים14,15, 16 , 17. עם זאת, בדרך כלל מקובל כי התהליך של פילוח ידני אינה רק זמן רב, אך גם לשגיאות סובייקטיבית, המשתנה4,5,18,19 ,20. חלק מהתוכניות פילוח מציעות כלים כדי להקל על התהליך פילוח ידנית (קרי אינטרפולציה, לאסו או מכה כלי)21,22, עם זאת, במקרים של datasets רועש, הם קשים ליישם בהצלחה, ו אפילו כאשר הם משמשים בהצלחה, התהליך הוא עדיין סובייקטיבי ומשתנה.
באופן מסורתי, segmentations היו בשימוש בשתי דרכים נפרדות: איכותית או באופן כמותי. כפי טכנולוגיות הדמיה ואסטרטגיות פילוח לשפר, זה הפך נפוץ יותר לשימוש פילוח ככלי כמותי כדי לענות על השאלות הביולוגיות, כמו "אמת הקרקע" עבור אלגוריתם פיתוח8,12, 15,23,24,25. כדי לעשות זאת, מפורט איזונים ובלמים נדרשים כדי להקטין את השתנות, הסובייקטיביות לאורך כל תהליך26. עם זאת, הזהירות נוספת להגדיל פילוח אופי גוזלת זמן. לכן, חיוני לספק אסטרטגיה מהיר יותר, פחות משתנה פילוח.
SuRVoS עבודה, שעליו מונחים מתחיל לטפל בסוגיות אלה על ידי מתן המשתמש עם מבחר של למידה ממוחשבת, עיבוד כלי המסייע המשתמש בתהליך פילוח, תוך כדי גם מדריך למשתמש דרך השלבים הנדרשים תמונה. כדי להשיג זאת, שני החידושים העיקריים מיושמים יחד ב- SuRVoS. ראשית, היא משתמשת היררכיה אזור סופר לקבוצה דומה, באזורים הסמוכים של הנתונים בהתבסס על מאפייניהם הטבועה. כל אחד האזורים בהיררכיית מייצג באותו אמצעי אחסון באמצעות אלמנטים פחות, תוך כדי מתן גבול חזק להתמדה. לפיכך, סופר-אזורים להפחית את המורכבות של הממיין אמצעי אחסון על-ידי במספר סדרי גודל, עדיין עדיין מייצג את הנתונים ללא אובדן משמעותי של מידע27. שנית, SuRVoS מספקת אסטרטגיה אוטומטית למחצה פילוח המשתמשת תשומות פילוח ידנית מינימלית לאמן מסווגים, אשר משמשות קטע28,אמצעי האחסון הנותרת29. אסטרטגיה זו מפחיתה את פילוח ידנית, במידה רבה להקטין את כמות הזמן משתמש הממיין ומסירה, בעת שימוש אזורים סופר, ידני תיחום הגבולות, הפחתת פוטנציאל ההשתנות הסובייקטיביות.
נוספים התכונות המרכזיות של SuRVoS הוא כלי ספליטר תווית, לפיה משתמש ניתן לסווג סדרה של אובייקטים שכבר ומחולקת על סמך מאפייניהם הטבועה. לאחר פילוח של אובייקטים שונים, עניין, כלי זה יכול לשמש כדי לחלק את ערכת מחלקות בהתבסס על אמצעים כגון עוצמת אובייקט ממוצע, שונות, גודל, מיקום, וכו ' זו שימושית כאשר סיווג קבוצות גדולות של עצמים בעזרת המורכבות גבוהה. לדוגמה, קבוצה של organelles הסלולר ניתן לחלק את המיטוכונדריה, שלפוחית ריקה, טיפות השומנים, וכו '.; או סט של החומר ניתן להפריד תכלילים בהתבסס על גודל או צורה. ברגע מקוטע התוויות בודדים יכול להיות פיצול לקבוצות באמצעות מספר כלשהו של מסווגים, הפחתת זיהוי הטיה.
SuRVoS עבודה, שעליו מונחים בהצלחה שימש קטע נתונים של מספר טכניקות הדמיה. . הנה, סינכרוטרון רנטגן שלב ניגודיות טומוגרפיה (microCT) של הגוף fruiting של צמח משמש כדי להדגים segmentatiבאמצעות מודל אימון, הקפאה אלקטרון טומוגרפיה (cryoET) של טסיות האנושי משמש כדי להדגים באמצעות סופר - ו megavoxels, ומשמשת הקפאה רך רנטגן טומוגרפיה ממוחשבת (cryoSXT) של קו בתרבית של תאים כדי להדגים את התווית פיצול כלים

<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

פילוח הוא התהליך של לבודד אזורים ספציפיים או אובייקטים בתוך אמצעי הדמיה, כך ניתן לבצעם מחקר נוסף על אלו תחומי עניין. כאשר שוקלים הניתוח של מערכות ביולוגיות מורכבות, פילוח של נתוני תמונה תלת-ממדית היא צעד אינטנסיבית זמן רב ודיני. עם הזמינות מוגברת של שיטות הדמיה רבים ועם ערכות איסוף נתונים אוטומטיים, זה מהווה אתגר מוגברת של הביולוג ניסיוני מודרניים להעביר נתונים אל הידע. פרסום זה מתאר את השימוש SuRVoS עבודה, שעליו מונחים, תוכנית המיועדת לטיפול בבעיות אלה על-ידי מתן שיטות באופן אוטומטי למחצה קטע ביולוגי נפחי נתונים מורכבים. שלושה נתונים (datasets) שונות ההגדלה ואת שיטות הדמיה מוצגים כאן, כל סימון אסטרטגיות שונות של הממיין עם SuRVoS. שלב ניגודיות רנטגן טומוגרפיה (microCT) של הגוף fruiting של צמח משמש כדי להדגים באמצעות מודל אימון, הקפאה אלקטרון טומוגרפיה (cryoET) של טסיות האנושי משמש כדי להדגים באמצעות סופר - megavoxels, ואת הקפאה רך רנטגן טומוגרפיה ממוחשבת (cryoSXT) של קו בתרבית של תאים משמש כדי להדגים את התווית פיצול כלים. אסטרטגיות ופרמטרים עבור כל סוג נתונים מוצגים גם. על ידי מיזוג מבחר של תהליכים אוטומטיים למחצה לתוך כלי אינטראקטיבי אחד, SuRVoS מספקת מספר יתרונות. באופן כללי הזמן קטע נפחי נתונים מוקטן פי חמש בהשוואה פילוח ידנית, עמוד התווך בתחומים רבים של עיבוד תמונה. זה חסכון משמעותי כאשר פילוח ידנית מלאה יכול לקחת שבועות של מאמץ. בנוסף, הסובייקטיביות מופנית באמצעות גבולות שהמפתחות מזוהה ואוספי פיצול מורכבים של אובייקטים לפי תכונותיהם מחושב ולא על בסיס מקרה לגופו.

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

נפח פילוח וניתוח של חומרים ביולוגיים באמצעות SuRVoS (סופר-אזור אחסון פילוח) עבודה, שעליו מונחים

פילוח נתונים תלת-ממדיים של טכניקות הדמיה רבות הוא שמכבידות בניתוח של מערכות ביולוגיות מורכבות. כאן, אנו מתארים את השימוש SuRVoS עבודה, שעליו מונחים באופן אוטומטי למחצה קטע נתונים נפחי-אורך-סולמות שונים באמצעות דוגמה datasets מ טומוגרפיה הקפאה אלקטרונים, הקפאה רך רנטגן טומוגרפיה וטכניקות שלב ניגודיות רנטגן טומוגרפיה.

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

נפח גדול (20L +) סינון של דגימות מי ים החוף

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

נפח קטן (1-3L) סינון של דגימות מי ים החוף

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

קביעת ריכוז חומצות גרעין וחלבונים שימוש Micro בנפח Bio-spec ספקטרופוטומטר Nano

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

טכניקות מעבדה אספטיים: העברות נפח עם טפטפות ו Micropipettors סרולוגיות

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

שחזור נפח היסטולוגיה 3 ממדים ויישומו לחקר מאוס החלב בלוטות

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

לחץ-נפח לב ניתוח לולאה באמצעות מוליכות קטטרים בעכברים

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

מדידת לולאות נפח לחץ העכבר

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-Presto: סליקה רקמות ביולוגיות ושיטות immunolabeling הדמיה נפח

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

הכנת הדוגמא ביולוגית על ידי הקפאת בלחץ גבוה, שיפור ניגודיות בסיוע מיקרוגל, ושרף מינימלי הטמעה של אמצעי הדמיה

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

זרימת עבודה טומוגרפיה של מערך לרכישה ממוקדת של מידע אודות אמצעי אחסון באמצעות סריקת מיקרוסקופיית אלקטרונים

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