НейронСтудия
NeuronStudio — некоммерческая программа, созданная в Медицинской школе Икан на горе Синай Центром вычислительной нейробиологии и визуализации. Эта программа выполняла автоматическое отслеживание и реконструкцию нейронных структур по стопкам конфокальных изображений . Полученные модели затем экспортировались в файл в стандартных форматах для дальнейшей обработки, моделирования или статистического анализа. NeuronStudio обрабатывала морфологические детали в масштабах, охватывающих локальную геометрию дендритного позвоночника , от сложной древовидной топологии до грубого пространственного расположения сетей из нескольких нейронов. Его способность к автоматической оцифровке позволила избежать субъективных ошибок, присущих ручному отслеживанию. Программа прекратила поддержку в 2012 году, и страницы проекта были в конечном итоге удалены с веб-сайта ISMMS. Однако его документация и исходный код Windows по-прежнему доступны через Интернет-архив .
Деконволюция
[ редактировать ]Деконволюция изображений имеет важное значение для точных 3D-реконструкций. Деконволюция — это подход к восстановлению изображения, при котором «априорные» знания об оптической системе в форме функции рассеяния точки (PSF) используются для получения более точной оценки объекта. Функция рассеяния точки может быть либо рассчитана на основе фактических параметров микроскопа, измеренных с помощью шариков, либо оценена и итеративно уточнена ( слепая деконволюция ). PSF можно регулировать локально, чтобы учесть изменения преломляющих характеристик ткани в зависимости от глубины и характеристик образца. При автоматическом использовании больших блоков тканей, выложенных плиткой, это происходит быстрее и точнее, чем использование экспериментально определенного PSF .
Скелетирование и оценка диаметра
[ редактировать ]Ошибки квантования возникают в стандартных алгоритмах скелетонирования из-за целочисленной природы цифровых изображений. Требование точного представления точной дендритной геометрии потребовало разработки новых адаптаций стандартных алгоритмов скелетонирования и оценки диаметра для исправления этих ошибок квантования. Итеративные методы скелетонирования с прореживанием могут обеспечить расстояние в вокселах от каждого узла дерева до поверхности объекта. Это расстояние представляет собой метрику D6, полученную путем подсчета количества вокселей по мере их удаления на минимальном 6-связном пути от поверхности к медиальной оси. В существующих алгоритмах скелетирования или векторизации для дендритной морфометрии поперечное сечение ветви в любом узле аппроксимируется круговым, а метрика D6 обеспечивает единственную оценку диаметра. Точность этой оценки диаметра ограничена физическим размером вокселей. Для небольших структур, таких как тонкие дендриты и шипы, состоящих всего из нескольких вокселов, даже при максимальном разрешении изображения, ошибка может быть значительной, если эта мера используется напрямую (см. Рисунок). Чтобы минимизировать ошибку квантования и более точно оценить геометрию узлов, существует новый метод оценки — алгоритм выборки лучей, который использует исходный алгоритм данные в оттенках серого, а не сегментированные изображения для точной, непрерывной оценки радиуса и многонаправленной выборки радиуса для более точного представления некруглых поперечных сечений ветвей и несферических головок позвоночника. [1] [2]
Алгоритм лучей
[ редактировать ]
Алгоритм выборки лучей использует исходные данные в оттенках серого, а не сегментированные изображения для точной, непрерывной оценки радиуса и разнонаправленную выборку радиуса для более точного представления некруглых поперечных сечений ветвей и несферических головок позвоночника. Алгоритм предварительно вычисляет массив единичных векторов, которые производят выборку данных в нескольких направлениях (ядро выборки), на основе которого вычисляется оценка геометрии узла. Точное представление каждого направления ядром выборки требует, чтобы N векторов были равномерно распределены по единичной сфере. Алгоритм использует моделирование физики элементарных частиц набор N , в котором генерируется случайно ориентированных единичных векторов, что приводит к случайному неравномерному распределению точек на сфере. Затем каждая частица получает от каждой другой частицы силу отталкивания, пропорциональную обратному квадрату расстояния между ними. Путем итеративного смещения частицы в направлении результирующей силы частицы перестраиваются. Эта система будет стремиться к стабильной конфигурации с минимальной энергией примерно за 40 итераций, где каждая частица максимально отделена от своих ближайших соседей. Эту информацию можно использовать для реконструкции трехмерных ветвей произвольной неправильной формы. Диаметр эквивалентного круглого поперечного сечения вычисляется в плоскости, нормальной к медиальной оси, с использованием медианного диаметра нижней полосы (MLBD). Чтобы вычислить MLBD, возьмите набор выборок и добавьте соответствующие пары противоположных векторов. Отсортируйте векторы по размеру, определите нижнюю полосу как нижние 50% и используйте расстояние в позиции N/4, представляющее медиану нижней полосы, чтобы оценить диаметр. [3]
Использование NeuronStudio
[ редактировать ]NeuronStudio в основном используется для количественного морфологического анализа дендритных шипов . Самым большим преимуществом использования трассировки дендритов и шипов на основе NeuronStudio является то, что методы, основанные на автоматической трассировке, не чувствительны к дрейфу или движению дендритов, поскольку каждый дендрит можно отслеживать отдельно в каждом стеке. Это позволяет сравнивать спайны очень длинных записей или более разделенных временных точек. Поскольку анализ NeuronStudio дает точные трехмерные измерения ширины головок и длины позвоночника, этот метод полезен при обнаружении изменений в морфологии позвоночника. Кроме того, использование компьютерных измерений позволяет проанализировать сотни шипов за относительно короткое время. [4]
См. также
[ редактировать ]Внешние ссылки
[ редактировать ]- Родригес, Альфредо (18 февраля 2010 г.). «Инструменты: NeuronStudio (бета) версия 0.9.92, последнее обновление 19 ноября 2009 г.» . CNIC, Медицинская школа Маунт-Синай. Архивировано из оригинала 16 сентября 2018 г.
- «Исходный код NeuronStudio 0.9.92» . CNIC, Медицинская школа Маунт-Синай. 30 сентября 2010 г. Архивировано из оригинала 3 июля 2018 г.
Производные работы (программное обеспечение, основанное на частях этого исходного кода) разрешены при условии, что будет указана заслуга [ автора ]. в публикации и документации таких работ
{{cite web}}: Внешняя ссылка в|quote=
Ссылки
[ редактировать ]- ^ Родригес, А.; Эленбергер, Д.; Келлихер, К.; Эйнштейн, М.; Хендерсон, Южная Каролина; Моррисон, Дж. Х.; Хоф, PR; Уэрн, СЛ (2003). «Автоматическая реконструкция трехмерной морфологии нейронов по изображениям лазерной сканирующей микроскопии». Методы . 30 (1): 94–105. дои : 10.1016/s1046-2023(03)00011-2 . ПМИД 12695107 .
- ^ Уэрн, СЛ; Родригес, А.; Эленбергер, Д.Б.; Роше, AB; Хендерсон, Южная Каролина; Хоф, PR (2005). «Новые методы визуализации, оцифровки и анализа трехмерной морфологии нейронов в нескольких масштабах». Нейронаука . 136 (3): 661–680. CiteSeerX 10.1.1.329.9265 . doi : 10.1016/j.neuroscience.2005.05.053 . ПМИД 16344143 . S2CID 16510030 .
- ^ Родригес, А.; Эленбергер, Д.; Хоф, PR; Уэрн, С.Л. (2006). «Выборка лучей, алгоритм автоматического трехмерного анализа формы по изображениям, полученным с помощью лазерной сканирующей микроскопии». Протоколы природы . 1 (4): 2156–2161. дои : 10.1038/nprot.2006.313 . ПМИД 17487207 . S2CID 16141708 .
- ^ Бертлинг, Энни; Людвиг, Анастасия; Коскинен, Микко; Хотулайнен, Пирта (2012). «Методы трехмерного анализа динамики дендритных шипов». В Конне, П. Майкл (ред.). Визуализация и спектроскопический анализ живых клеток: визуализация живых клеток в здоровом состоянии и при заболеваниях (PDF) . Методы энзимологии. Том. 506. Эльзевир. стр. 391–406. дои : 10.1016/B978-0-12-391856-7.00043-3 . ISBN 978-0-12-391856-7 . ISSN 0076-6879 . ПМИД 22341234 . Проверено 14 июля 2021 г.