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

Nós gostaríamos de reconhecer e agradecer o Rui Wang e Wah Chiu da Baylor College of Medicine, para fornecer o conjunto de dados cryoET e Andrew Bodey da fonte de luz de diamante para auxiliar com o beamtime I13. Partes desta pesquisa foram apoiadas pela concessão do National Institutes of Health (NIH) n. º (P41GM103832), reconhecemos o Diamond Light Source para financiamento em conjunto Imanol Luengo sob STU0079 PhD.

Nota: geralmente útil escalas de parâmetros para cada etapa de processamento e os parâmetros específicos para cada tipo de dados mostrados aqui são fornecidas na tabela 1.
 1. preparar um espaço de trabalho e carregando dados <ol><li>lançar SuRVoS Workbench, clique no botão abrir dataset e no popup resultante, selecione o arquivo de dados a ser segmentados. Escolha uma orientação adequada do conjunto de dados. Em seguida, escolher ou criar uma pasta onde serão armazenados o espaço de trabalho e arquivos associados. Recomenda-se que esta pasta está vazia, quando se inicia uma nova segmentação. Depois que os dados foi carregados, a bancada será aberto com o painel de Plugins no lado esquerdo, o painel de visualização à direita e um conjunto de atalhos da ferramenta entre os dois painéis ( Figura 1).</li>
</ol> 2. Pré-processamento e representação de dados <ol><li>em the ROI Selecione guia, o início de x, y e z de entrada e final coordenadas para a região de interesse e clique em Adicionar. Para escolher o apropriado y e x coordenadas passe o mouse sobre um ponto na imagem. Escolha as coordenadas de z usando o controle deslizante na parte superior do painel de visualização. Depois que tiver sido adicionada a uma região, certifique-se que ele é selecionado, marcando a caixa à direita. Todos os cálculos a jusante serão realizados na região selecionada. Em geral, começando com um pequeno, representante região de interesse (ROI), otimização de parâmetros e então re-aplicação desses parâmetros para toda a área a ser segmentado, aconselha-se.</li>
	<li>Guia em the recurso canais, usar o menu drop-down no topo para escolher um recurso/filtro e adicioná-lo para a fila (veja a discussão para mais informação sobre canais de recurso). Uma vez que um recurso/filtro foi adicionado e selecionado clicando no seu nome, modificar opções específicas para o recurso filtro e escolha o conjunto de dados de entrada no qual executar o recurso/filtro. Uma vez que todas as opções foram escolhidas, clique a caixa de seleção à direita do nome do recurso/filtro para calcular.
	<ol><li>a fim de otimizar os parâmetros para um novo conjunto de dados, adicionar vários filtros/recursos e escolher os parâmetros para eles, antes de ser calculado em ordem, um após o outro. Para fazer isso, adicionar a cada novo recurso/filtro e selecionar parâmetros apropriados, marque a caixa à esquerda de cada recurso/filtro para ser executado e clique na caixa de recursos de computação na parte superior do painel. Consulte a discussão para obter informações adicionais.</li>
	</ol></li></ol> 3. Gerando regiões super apropriado <ol><li>em regiões Super guia, na seção Supervoxels, use o menu drop-down de fonte para selecionar o conjunto de dados filtrado da qual supervoxels será criado. Em seguida, especifique a forma, o espaçamento e a compacidade da supervoxels (veja a discussão e a Figura 2 para mais detalhes). Finalmente, clique no botão Aplicar para gerar o supervoxels. Uma vez que os supervoxels foram criados eles podem ser visualizados no painel de visualização, ligado ou desligado e sua transparência controlada na guia Visualização e atalho janela Visualizador.</li>
	<li>Guia em regiões Super, na seção Megavoxels, use o menu drop-down de fonte para selecionar o conjunto de dados filtrado da qual megavoxels será criado. Em seguida, especifica o lambda, numBins e parâmetros da gama da megavoxels (veja a discussão para mais detalhes). Uma vez que os megavoxels foram criados eles podem ser visualizados no painel de visualização, ligado ou desligado e sua transparência controlada na guia Visualização e atalho janela Visualizador.</li>
</ol> 4. Introdução à anotação <ol><li>em the anotações guia use o botão Adicionar nível para adicionar um nível de anotação. Depois de ter sido adicionado a um nível, use o botão de Adicionar rótulo nesse nível para adicionar um rótulo para a anotação. Uma vez adicionado, o nome e a cor do rótulo podem ser modificados para facilidade de anotação.</li>
	<li>Em seguida, a fim de começar a anotar, selecione o ícone de caneta, da seção de atalho ferramenta. Quando esta opção estiver seleccionada, um conjunto de opções aparecem na parte superior do painel de visualização. Estas opções controlam a largura da caneta e se voxels, supervoxels ou megavoxels será usado para fazer anotações.
	<ol><li>Para efeitos de formação de modelo, em geral, selecione supervoxels na caixa suspensa nível de anotação e um mediano para a largura da caneta grande deve ser usado. Na aba ' anotações ', selecione o rótulo deve ser anotada, marcando a caixa para a extrema-direita da informação constante do rótulo. Em seguida, clique no painel de visualização para anotar um único supervoxel, ou clique e arraste para anotar muitos. 
		Nota: Voxels e megavoxels pode ser selecionada na caixa suspensa nível de anotação e usado para anotar da mesma forma, que, no caso de megavoxels, pode permitir que muitos milhares de voxels semelhante para ser segmentado, com um único clique do mouse.</li>
	</ol></li></ol> 5. Treinamento de modelo de segmentação usando demonstrado com um dataset microCT.
 Nota: A primeira segmentação para muitos conjuntos de dados é para diferenciar várias grandes regiões do outro. Por exemplo, separando o núcleo do citoplasma, ou a célula de estrutura de gelo e apoio externa. Para este tipo de segmentação, com limites claros delineados e grandes regiões, formação de modelo é útil. Para demonstrar isso, raio-x fase contraste tomográficos dados de Goosegrass serão usados.
<ol><li>Carregar os dados, pré-processar usando a suite de filtro e o recurso e determinar o apropriado supervoxels e/ou megavoxels, conforme descrito nas seções acima usando os parâmetros na tabela 1 como um guia. Continuar a utilizar os parâmetros da tabela 1 e as instruções na seção 4, aproximadamente anotar algumas grandes áreas do conjunto de dados, conforme mostrado na Figura 3. 
	Nota: O conjunto de dados não precisa ser completamente segmentado neste ponto.</li>
	<li>No modelo de formação guia, defina o nível de prever ao nível que contém as anotações manual de treinamento e no descritor de seção definir a região de Supervoxels. Em seguida, selecione os descritores que devem ser usados para diferenciar as regiões de dados clicando no menu suspenso selecione fontes e verificando as caixas dos recursos e filtros de escolha (ver tabela 1 e discussão).</li>
	<li>, Em seguida, clique no botão prever. Após cálculo completo, o painel de visualização será atualizado com as previsões para todos os não-rotulados voxels mostrando que as classes de anotação que eles são previstos de pertencer. Geralmente, os parâmetros padrão para cada metodologia classificador fornecem um bom ponto de partida e o usuário deve apenas precisa alternar entre classificadores para encontrar um bom ajuste. No entanto, para usuários experientes ou especialistas as opções para cada classificador estão disponíveis e podem ser modificadas.</li>
	<li>Após a avaliação dos efeitos das metodologias de formação e escolher um, aplicar refinamento adicional clicando sobre a refinar suspenso na seção refinamento. Pelo fundo da formação modelo tab, a &#34; atualização anotações &#34; seção, certifique-se de que o menu drop-down de visualização está definido para PredictioNS. Use o controle deslizante de confiança para atribuir mais ou menos do supervoxels anotadas para os rótulos de anotação selecionada.</li>
	<li>Depois um nível adequado de confiança foi selecionado com base em inspeção visual, use os botões de salvar junto as etiquetas na parte inferior da ferramenta confiança para salvar as previsões em rótulos específicos. O painel de visualização será atualizada para mostrar as alterações. Cada etiqueta pode ser salva separadamente, e na verdade, rótulos podem ser salvos de sub-regiões menores por introduzir valores a de e para caixas de x, y e z e clicando no botão Salvar para cada rótulo.</li>
	<li>Endereço menor tachar fornecendo mais dados de treinamento, conforme descrito na seção 4. Depois de previsões adequadas são adicionadas às etiquetas, repita o processo do modelo de formação com requinte e adicionando as previsões de alta confiança, até lá não existem mais unlabeled supervoxels. Isto é eficaz porque cada vez que o processo de formação de modelo é executado lá recebem mais supervoxels para treinar com, e, portanto, o processo se torna mais robusto como aumentam as iterações.</li>
</ol> 6. Segmentação usando supraregiões, demonstrado com um CryoET Dataset.
 Nota: segmentação supraregião desde que é útil para áreas menores, discretamente ligadas, o foco aqui será na segmentação das organelas e microtúbulos dentro deste conjunto de dados. Modelo de formação foi usada para segmentar rapidamente a plaqueta do gelo do fundo e do carbono; Estes parâmetros não são discutidos, mas são apresentados na tabela 1.
<ol><li>Carregar os dados, pré-processar usando a suite de filtro e o recurso e determinar o apropriado supervoxels e/ou megavoxels, conforme descrito nas seções acima usando os parâmetros na tabela 1 como um guia.</li>
	<li>Adicionar níveis adequados e rótulos para a guia de anotação, selecione um rótulo e começar a anotar usando um mediano largura de caneta com supervoxels selecionado. Seja consciente da necessidade de escolher rótulos diferentes para objetos em estreita proximidade com os outros para evitar rotulá-los como um único objeto.</li>
	<li>Para limpar as anotações mais, utilizar métodos de refinamento morfológico (dilatação, erosão, abertura, fechamento e preenchimento de buracos). Estas opções podem ser encontradas na parte inferior da guia anotações. Para usá-los, selecione o método de segmentação etiqueta e refinamento. Insira um valor de raio e escolher como aplicar o refinamento. Clique em refinar.</li>
</ol> 7. Classificação e análise de dados objetos com base em características intrínsecas, demonstrado com um CryoSXT Dataset Nota: geralmente, o próximo passo após a segmentação é a análise dos dados. A ferramenta de divisor de rótulo em SuRVoS permite a classificação de objetos segmentadas usando regras baseadas em características intrínsecas dos objetos tais como a intensidade do objeto média, variância, volume ou posição. A ferramenta de estatísticas de rótulo permite a visualização das relações entre estas medidas para cada nova classe de objeto. Estas são as novas ferramentas poderosas para a análise de conjuntos de dados complexos e 3D após a segmentação.
<ol><li>Carregar os dados, pré-processar usando a suite de filtro e recurso, determinar o segmento conforme descrito nas seções acima usando os parâmetros na tabela 1 como um guia e/ou megavoxels e apropriado supervoxels.</li>
	<li>Depois de segmentação, clique na segunda guia do painel de visualização, chamado divisor de rótulo. Isso adicionará uma nova área para o lado direito da janela - painel de criação de regra.</li>
	<li>Na parte superior desta área, selecione um nível adequado e rótulos para rótulo dividindo. Em seguida, selecione o dataset para consultar e clique em rótulo. Todos os objetos nos rótulos selecionados agora vão ser delineados em azul como objetos separados no painel de visualização e um enredo mostrando a intensidade média dos objetos serão exibidos no painel de criação de regra. Para alterar a medida que está sendo mostrada na trama, clique na caixa drop-down no topo do lado direito.</li>
	<li>Para começar a dividir os objetos em classes relevantes, clique em Adicionar nova etiqueta na parte inferior do painel de criação de regra. O nome e a cor associada a este novo rótulo podem ser alterados conforme descrito anteriormente.
	<ol><li>, Clique em Adicionar nova regra e usando as caixas de entrada suspensa e forma livre definem a regra a ser aplicada. Clique em aplicar para ver os efeitos da nova regra no painel de visualização e o enredo no painel de criação de regra. Várias regras podem ser aplicadas a um único rótulo e vários rótulos podem ser criados no mesmo dataset. 
		Observação: Para coletar todos os objetos sem rótulo, criar um novo rótulo e em vez de adicionar uma regra para isso, clique em selecionar outros.</li>
	</ol></li> <li>Quando os objetos de interesse foram separados em novos rótulos, criar um nível novo e vazio na guia anotações. Em seguida escolha neste nível na guia de criação de regra e clique em salvar rótulos. Isso salvará os novos rótulos para este nível vazio.</li>
	<li>Na borda do painel de visualização, clique na guia Estatísticas de rótulo. Isto irá abrir um novo painel de visualização que pode ser usado para começar a entender as relações entre as classes de objeto de dados. Na parte superior, selecione um nível adequado e rótulos e o conjunto de dados para consulta.
	<ol><li>Selecionar algumas das medidas de interesse, verificando as caixas ao lado deles. Em seguida, clique em rótulo. Isto irá produzir comparação emparelhada parcelas para cada uma das medidas selecionadas. Para atualizar as parcelas, selecione ou desmarque as medidas adequadas e clique em Update trama.</li>
	</ol></li></ol> 8. Exportação de dados e segmentações <ol><li>exportar as parcelas e os dados de medição cru clicando na trama de exportação e exportação de dados, respectivamente, na guia Estatísticas da etiqueta do painel de visualização.</li>
	<li>Exportar os dados de imagem e segmentações clicando na guia de exportação no painel de Plugins. Primeiro, clique para selecionar uma pasta onde os dados serão salvos. Em seguida, selecione a saída (dados brutos Raw anotações, máscaras de segmentação de dados ou mascarado) e o formato (HDF5, MRC ou TIFF). Por último, selecione o nível (is) anotação a ser exportado usando as caixas de seleção e clique em exportar. Os dados podem ser dimensionados e invertidos antes de exportar, se necessário. Ao exportar os dados mascarados, o dataset que será aplicado para o mask(s) pode ser selecionado usando um menu drop-down.</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>

Os autores declaram que têm sem interesses financeiros concorrentes.

SuRVoS bancada difere de outros programas de segmentação que otimização dos parâmetros é um passo necessário e importante antes de começar a segmentação real. Em alguns programas de segmentação manual ou semi manual, o usuário começa a segmentação dentro de momentos de abertura de um novo projeto. Com SuRVoS, porque grandes quantidades de volume vão ser segmentadas, com entrada do usuário muito pouco e os limites são delineados pelo programa, otimizar os parâmetros é fundamental para uma segmentação bem sucedida. Especificamente, têm canais e edifício da supraregião são duas áreas onde a atenção deve ser dada.
Dispõem de canais e modelo de formação
Além dos dados brutos, SuRVoS permite ao usuário criar conjuntos de dados adicionais ou canais derivados de uma existente dataset. Estes canais podem ser criados usando uma seleção de metodologias computacionais ou extratores de recurso. Cada uma das representações de dados estão disponível em paralelo e podem ser visualizadas individualmente para avaliar os resultados da aplicação de recurso ou filtro. Por causa destas características, eles são referidos como canais de recurso em SuRVoS. Há muitas opções de canal de recurso fornecidas dentro de SuRVoS. Para obter informações sobre as opções e parâmetros utilizados aqui, consulte a tabela 1, para obter uma lista completa e descrição de canais disponíveis recurso visite https://diamondlightsource.github.io/SuRVoS/ 2. Primeiro, barulhento datasets beneficiará denoising com o Gaussian ou total filtro de variação. Recomenda-se ainda mais cálculos de canal e supervoxel/megavoxel de recurso ser executada usando um esses conjuntos de dados denoised como o fonte de dados. Geralmente, a variação total denoised dataset é usado como a fonte de dados para cálculos de canal e supervoxel/megavoxel de recurso. Sugere-se executar com valores padrão, primeiro, avaliar o resultado em 3D e finalmente, iterativamente otimizar os parâmetros para o dataset. Além disso, o recurso de canais podem ser construídas em "conjuntos de filtro" para especificamente isolar aspectos do dataset e estes podem então ser usados como fontes de dados para criar supervoxels e megavoxels. Enquanto esta estratégia é altamente dependente de dataset, pode ser benéfico.
Têm canais também são usados como fontes para treinar o classificador no treinamento de modelo. Ao decidir em quais canais de recurso para usar, recomenda-se que alguns canais robusto recurso (por exemplo, da detecção de blob, textura e estrutura ou categorias de recursos robustos) são usados quando se trabalha com uma pequena quantidade de anotações para treinar o classificador. Quando se trabalha com uma grande quantidade de dados de treinamento, recomenda-se usar canais de característica mais gerais, de qualquer das categorias, enquanto fornecem informações variadas para o classificador (por exemplo, adicionar os canais de recurso acima lista de local características e categorias de funcionalidades Gaussian).
Há três partes principais para o modelo de formação: fornecendo fontes de entrada de dados que descrevem os dados, usando estas entradas para treinar um classificador e finalmente as previsões de saída de refinação. Geralmente, regiões menores dos dados exigirá mais anotações do usuário para treinar com precisão o classificador, enquanto regiões maiores dos dados exigirá menos anotações do usuário. Modelo de treinamento primeiro sem selecionar um refinamento pode ser usado para encontrar as melhores previsões. Em seguida, incluem o refinamento e otimizar o parâmetro lambda conforme necessário para corrigir problemas com as previsões, como buracos ou bordas irregulares.
Supervoxels e megavoxels
Supervoxels são aglomerados de vários nas proximidades, semelhante voxels38,39. Supervoxels começam como uma grade padrão 3D sobreposta os dados que então é deformada iterativamente a fim de respeitar os limites subjacentes e, assim, melhor representar os dados. Criação de Supervoxel e deformação é controlada por quatro entradas de usuário: fonte de dados, superpixel forma, espaçamento e compacidade. A fonte de dados fornece as entradas de dados que são consultadas durante a criação do supervoxel. Qualquer fonte pode ser usada, incluindo fontes de dados filtrados. Os parâmetros de forma superpixel determinam a grelha de partida 3D e a forma desejada aproximada do supervoxels resultante. Alterando estes parâmetros pode aumentar ou diminuir o tamanho da supervoxels antes da deformação. Os parâmetros de espaçamento Definirm a importância dos limites em cada direção. Alterando estes parâmetros pode enfatizar os limites em uma ou duas direções em detrimento de outro (s), ou seja, o supervoxels resultante se deformará para acompanhar melhor os limites dados na direção de determinado (s). O último parâmetro, compacidade, controla quanto a supervoxels pode deformar-se. Um número de baixa compacidade permite que o supervoxels a deformar-se mais. Esses parâmetros devem ser otimizados para fornecer supervoxels que representam os limites dos dados de interesse. Nota: Atualmente, parâmetros de forma de supervoxel devem ser igual a 1024 ou menos quando multiplicados juntos.
Em alguns aspectos, supervoxel parâmetros podem compensar um ao outro, ou seja, não há ninguém "resposta certa" ao decidir sobre parâmetros. Por exemplo, uma grande grelha de partida (por exemplo, forma de superpixel: 10 x 10 x 10) e um número de baixa compacidade (ex. 20) pode dar supervoxels com aderência de limite similar em comparação com uma grelha de partida pequena (por exemplo, superpixel forma 5 x 5 x 5) e uma maior número de compacidade (por exemplo, 50). Porque existem mais, supervoxels menor no segundo cenário, não têm a deformar-se tanto a representam limites. Ambos os conjuntos de parâmetros podem ser apropriados para segmentação do dataset.
A maior consideração quando escolher parâmetros de supervoxel é o quanto os supervoxels representam os dados. Exibir o supervoxels sozinho, sem dados por debaixo deles, como na Figura 2D, é uma boa maneira de avaliar parâmetros de supervoxel. Quando exibido desta forma, as bordas e os contornos das formas encontradas nos dados ainda devem estar visíveis no supervoxels.
Megavoxels são conglomerados de vários vizinhos, semelhante supervoxels38,39. Novamente são controlados por quatro entradas de usuário: fonte de dados, lambda, numbins e gama. Como com supervoxels, a fonte de dados fornece as entradas de dados que são consultadas durante a criação do megavoxel. Lambda e numbins tanto impacto a aderência de tamanho e limite do megavoxels. Como os megavoxels crescer maior (lambda elevado, baixo numbins), sua aderência limite diminui. O inverso também é verdadeiro, aderência limite aumentará com menor megavoxels (lambda baixa, alta numbins), no entanto como diminui o tamanho de megavoxel, assim como sua utilidade em segmentação de grandes quantidades de voxels rapidamente. O parâmetro opcional gama controla o fator de suavidade versus o custo de mesclar dois supervoxels juntos. Pequenos valores de gama podem realçar a similaridade entre dois supervoxels, à custa de ter menos megavoxels globais.
Como com supervoxels, a maior consideração quando escolhendo e otimização de parâmetros de megavoxel é bem como os megavoxels representam os dados. Exibir o megavoxels sozinho, como descrito por supervoxels novo pode ser usado para avaliar parâmetros. No entanto, porque megavoxels geralmente será muito maior e são tridimensionais, usando o t de ferramentas de anotaçãoo único megavoxels para garantir a fronteira entre as regiões de interesse é apertada de escolher também é recomendado.
Estratégia de anotação
Duas estratégias de anotação geral têm sido descritas: uma abordagem de treinamento do modelo é útil para a separação de grandes regiões de um dataset, enquanto uma abordagem de segmentação supraregião é útil para menores, mais diversos recursos como organelas individuais. As anotações podem ser organizadas de forma hierárquica, para que seja possível anotar grandes regiões primeiro e, em seguida, subdividir os em regiões mais específicas usando uma relação pai-filho. O rótulo do pai para um rótulo pode ser atribuído, clicando na área à direita da seleção de cor do rótulo e escolhendo um rótulo pai adequado um nível anterior. Na prática, a maioria dos conjuntos de dados usam o modelo formação e estratégias de segmentação supraregião de regiões/características específicas de interesse do segmento.
No modelo formação exemplo aqui, algumas entradas de treinamento (sob a forma de anotações de manual de usuário baseado em supervoxel) foram utilizadas em três fatias equidistantes dos dados. Desta forma, o aspecto de treinamento de modelo de SuRVoS aumenta enormemente a velocidade com que a segmentação é possível especialmente quando trabalhando com grandes, diferenciadas regiões tais como a divisão entre as regiões do corpo de frutificação goosegrass como destaque no Figura 3.
Quando o modelo de formação, se as previsões não podem ser vistas, pode ser necessário ir para a guia de visualização e certifique-se que a camada de previsões é ativada e definido como uma quantidade adequada de transparência. Também, uma confiança de 0 irá atribuir todas as supervoxel sem rótulo para um rótulo, com base em qualquer que seja a correspondência mais próxima é. Confiança de 100 apenas irá atribuir um rótulo, se apenas uma categoria de rótulo tem qualquer correspondência proporcional. Todo o resto é uma troca destes dois extremos. Ao selecionar um nível de confiança, sugere-se para verificar algumas fatias para inspecionar visualmente que não existem nenhum voxels incorretamente previsto antes para salvar a previsão de um rótulo.
Uma boa estratégia para anotar usando supraregiões é usar a ferramenta de ampliação para ampliar os dados, anotar algumas organelas, uma vez por uma fatia, usando uma abordagem "rápido e sujo" primeiro (Figura 4). Em seguida, mover para cima ou para baixo umas fatias em Z e repita este processo. Porque supervoxels são tridimensionais, muitas das falhas da abordagem "sujo" são fixadas por anotações feitas em acima ou abaixo de fatias. Desta forma, a segmentação é acelerada e os limites são fornecidos pelo supervoxels, em vez de manualmente.
Para limpar um rótulo, opções de refinamento de segmentação padrão foram fornecidas. Dilatação faz com que o rótulo de segmentação selecionado crescer pelo determinado raio, erosão provoca a encolher. Abertura e fechamento são a aplicação de erosão primeira e depois a dilatação ou vice-versa, respectivamente. E preenchimento de buracos faz exatamente isso. A ordem destas operações importa. Em geral, realizando preenchimento de buracos, em seguida, abertura e, em seguida, dilatação funciona bem. Cada método de refinamento pode ser aplicado em uma única fatia ("esta fatia"), em todas as fatias em 2D ("todas as fatias (2D)") ou em 3D ("todo volume (3D)"). Recomenda-se a todas as fatias (2D).
Significado e sentidos futuros
Segmentação eficiente e precisa é o próximo gargalo no processamento de conjuntos de dados 3D, especialmente com a coleção de rotina automatizada de terabytes de dados de imagem durante as sessões de longo prazo. SuRVoS bancada pode acelerar o processo de segmentação por um fator de 5 em comparação com segmentação manual. Também, porque os limites são delineados pela supervoxels, a variabilidade das Segmentações resultantes deve melhorar. No futuro, esperamos explorar maneiras de usar a segmentação de uma região 3D representativa de interesse como dados de treinamento para aplicar para o resto do volume, ou mesmo um volume separado, com alta confiança. Este avanço iria diminuir ainda mais a quantidade de tempo do usuário e de entrada necessária para segmento mesmo complexo biológico os volumes, ajudando a aliviar o gargalo de processamento e segmentação de imagem. Este, por sua vez, permitirá a comparação quantitativa de dados biológicos em vários Estados (por exemplo, não-doença, doença, tratada) com números experimentais robustos.

A bancada de SuRVoS é um pedaço de software projetado para permitir que os pesquisadores extrair informações cientificamente relevantes de dados volumétricos de várias amostras, independentemente da estrutura de interesse, a resolução ou a modalidade de imagem1, 2. Dados volumétricos como estas muitas vezes são coletadas usando sistemas de tomografia computadorizada de raios-x ou elétrons, rotineiramente com base em grandes laboratórios ou instalações centralizadas, devido à sua complexidade. Ambos esses métodos e outras técnicas, produzir grande, informações ricas datasets que constituir um desafio para o segmento com qualquer um dos métodos semiautomático ou manualmente. Particularmente, estado quase nativo cryo-imobilizado datasets requerem condições de imagem de baixa dose, resultando em uma baixa relação sinal-ruído e contraste pobre, especialmente em criogenia elétron tomography (cryoET)3,4,5 . Um fator adicional em alguns conjuntos de dados 3D é a presença de artefatos introduzido pelas condições desafiadoras experimentais envolvidas, por exemplo artefatos de cunha desaparecido devido a coleta de dados sobre um limitado inclinação gama, resultando em falta de informação e alongamento na direção do feixe,4,3,5. Mesmo quando baixo sinal-ruído ou faltando cunha de artefatos não é problemáticas (por exemplo, focado SEM6 de feixes de iões ou bloco serial enfrentar SEM7), a complexidade e a natureza tridimensional da amostra e a grande quantidade de dados significam análise seria ainda beneficie de um processo automatizado de segmentação de dados.
Atualmente, quando se considera volumes biológicos das células, existem muitas opções para automaticamente ou semi-automaticamente identificando características celulares muito específicas, tais como a actina, microtúbulos ou complexos de proteínas específicas, usando uma pesquisa baseada em modelo, ou identificando recursos em determinados tipos de conjuntos de dados (por exemplo, alto contraste, manchado, amostras de resina-incorporado)8,9,10,11,12. No entanto, nestes casos apriorísticas informações ou protocolos de preparação de amostra específico são necessários, limitando a ampla aplicabilidade destas estratégias de segmentação. Também existem ferramentas disponíveis que executam o modelo de formação a nível de voxel para aprender o aparecimento de várias estruturas de interesse quando dado de entrada de usuário13. No entanto, a este nível a complexidade da formação e os modelos de teste pode ser computacionalmente caro e sujeito a erros. Dadas as difíceis condições de imagem e a falta de estratégias de segmentação amplamente aplicável, semi automática, manual segmentação é comum, mesmo quando trabalhando com materiais biológicos complexos14,15, 16 , 17. no entanto, é geralmente aceite que o processo de segmentação manual não é apenas demorado, mas também propenso, subjetiva e variável4,5,18,19 ,20. Alguns programas de segmentação oferecem ferramentas para facilitar o processo de segmentação manual (ou seja, interpolação, laço ou ferramentas de golpe)21,22, no entanto, em casos de datasets barulhento, eles são difíceis de aplicar com sucesso, e mesmo quando eles são usados com sucesso, o processo ainda é subjetiva e variável.
Tradicionalmente, as segmentações têm sido utilizadas de duas maneiras distintas: qualitativa ou quantitativamente. Como melhoram a imagem de tecnologias e estratégias de segmentação, tornou-se mais comum para usar a segmentação como uma ferramenta quantitativa para responder a questões biológicas e como uma "verdade de chão" para algoritmo desenvolvimento8,12, 15,23,24,25. Para isso, saldos e verificações detalhadas são necessários para diminuir a variabilidade e subjetividade em todo o processo de26. No entanto, estas precauções ainda mais aumentam a natureza demorada de segmentação. Por isso, é fundamental para fornecer uma estratégia de segmentação mais rápida e menos variável.
A bancada de trabalho de SuRVoS começa a abordar estas questões, fornecendo o usuário com uma seleção de aprendizado de máquina e ferramentas que auxiliam o usuário no processo de segmentação, enquanto também orientando o usuário pelas etapas necessárias de processamento de imagem. Para conseguir isso, duas inovações principais são implementadas juntos no SuRVoS. Primeiro, ele usa uma hierarquia de supraregião de grupo similar, regiões próximas dos dados com base em suas propriedades inerentes. Cada uma das regiões na hierarquia representa o mesmo volume usando menos elementos, enquanto continua a fornecer a aderência forte limite. Assim, supraregiões reduzem a complexidade de segmentar um volume por várias ordens de magnitude, ainda continuam a representar os dados sem perda significativa de informação27. Em segundo lugar, o SuRVoS fornece uma estratégia de segmentação semi-automático que utiliza o mínimo de segmentação manual entradas para treinar os classificadores, que são então utilizados para segmentar o restante volume28,29. Esta estratégia reduz a segmentação manual, grandemente, diminuindo a quantidade de usuário tempo gasto na segmentação e, quando usando supraregiões, remove manual delimitação de fronteiras, potencialmente reduzindo a variabilidade e subjetividade.
Uma outra característica fundamental do SuRVoS é a ferramenta de divisor de rótulo, segundo o qual um usuário pode classificar uma série de objetos já segmentados com base em suas propriedades inerentes. Após a segmentação de vários objetos de interesse, esta ferramenta pode ser usada para dividir o conjunto em subclasses, com base em medidas como objeto de média intensidade, variância, tamanho, localização, etc. isto é útil quando a classificação dos grandes grupos de objetos com alta complexidade. Por exemplo, um grupo de organelas celulares pode ser dividido em mitocôndrias, vesículas vazias, gotículas lipídicas, etc.; ou um conjunto de material inclusões podem ser separados com base no tamanho ou forma. Uma vez segmentado os rótulos individuais pode ser dividida em grupos usando qualquer número de classificadores, reduzir o viés de identificação.
A bancada de trabalho de SuRVoS com sucesso serviu para dados do segmento de várias técnicas de imagem. Aqui, o síncrotron raio x fase contraste tomografia computadorizada (microCT) do corpo frutífero de uma planta é usada para demonstrar segmentatiusando o modelo formação, tomografia computadorizada de elétron de cryo (cryoET) de plaquetas humanas é usada para demonstrar a segmentação usando supere megavoxels, e crio suave raio x tomografia computadorizada (cryoSXT) de uma linhagem de células de mamíferos é usada para demonstrar o rótulo divisão ferramentas

<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

Segmentação é o processo de isolar regiões específicas ou objetos dentro de um volume de imagem, para que um estudo mais aprofundado pode ser realizado nestas áreas de interesse. Ao considerar a análise de sistemas biológicos complexos, a segmentação de dados de imagem tridimensional é uma etapa intensiva demorada e trabalhista. Com o aumento da disponibilidade de diversas modalidades de imagem e com sistemas de recolha de dados automatizada, isto coloca um desafio crescente para o biólogo experimental moderno mover dados para o conhecimento. Esta publicação descreve o uso da bancada de SuRVoS, um programa desenhado para resolver esses problemas, fornecendo métodos para semi-automaticamente segmento complexo volumétrico dados biológicos. Três conjuntos de dados de diferentes ampliação e as modalidades de imagem são apresentados aqui, cada um destacando diferentes estratégias de segmentação com SuRVoS. Tomografia de raio-x de contraste fase (microCT) do corpo frutífero de uma planta é usada para demonstrar utilizando treinamento de modelo de segmentação, tomografia computadorizada de elétron de cryo (cryoET) de plaquetas humanas é usada para demonstrar a segmentação usando supere megavoxels e crio macio Tomografia computadorizada de raios-x (cryoSXT) de uma linhagem de células de mamíferos é usada para demonstrar o rótulo dividindo ferramentas. Estratégias e parâmetros para cada tipo de dados também são apresentados. Misturando uma seleção de processos semiautomáticas em uma única ferramenta interativa, o SuRVoS oferece vários benefícios. Geral, hora de dados volumétricos de segmento é reduzida por um fator de cinco quando comparado a segmentação manual, dos pilares em muitos campos de processamento de imagem. Esta é uma economia significativa quando segmentação manual completo pode demorar semanas de esforço. Além disso, subjetividade é abordada através da utilização de limites computacionalmente identificados e divisão complexas coleções de objetos por suas propriedades calculadas em vez de em uma base caso-a-caso.

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

Volume de segmentação e análise de materiais biológicos, usando a bancada de trabalho de SuRVoS (região super Volume segmentação)

Segmentação de dados tridimensionais de muitas técnicas de imagem é um grande gargalo em análise de sistemas biológicos complexos. Aqui, descrevemos o uso de SuRVoS Workbench para semi automaticamente dados de volumétrica do segmento em diversas escalas de comprimento usando conjuntos de dados de exemplo de técnicas de tomografia computadorizada de raios-x de contraste fase, cryo macio tomography do raio x e tomografia computadorizada do cryo-elétron.

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

Volume grande (20L +) Filtração das amostras Seawater Coastal

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

Biologia

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

Small Volume 1-3L Filtration of Coastal Seawater Samples

Volume pequenas (1-3L) Filtragem de Amostras de Água do Mar Coastal

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

Determinação de concentração de ácidos nucléicos e proteínas Usando o Micro-volume Bio-spec Espectrofotômetro 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

Assépticas Técnicas de Laboratório: transferências de volume com pipetas sorológicas e micropipetas

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

Reconstrução de 3-Dimensional Volume Histologia e sua Aplicação para o Estudo de Rato glândulas mamárias

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 Pressão-Volume Análise loop usando Conductance Cateteres em Ratos

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

Medição do volume Pressão Loops no mouse

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: Clearing tecido biológico e Métodos imunomarcação for Imaging Volume

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

Preparação de amostras biológicas por congelamento de alta pressão, realce de contraste assistida por microondas e resina mínima incorporação para a imagem latente de Volume

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

Fluxo de trabalho de tomografia de array para a aquisição direcionada de informações de volume usando microscopia eletrônica de varredura

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