Автоматическая трассировка и реконструкция нейронов в NeuronStudio: методы и алгоритмы.
NeuronStudio
Автоматическая трассировка нейронов: NeuronStudio – программа для реконструкции нейронных структур из микроскопических изображений. Точная, быстрая, без ошибок ручной трассировки.
Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Содержание
Введение
NeuronStudio была некоммерческой программой, разработанной в Медицинской школе Айкана при горе Синай Центром вычислительной нейробиологии и визуализации. Эта программа выполняла автоматическое прослеживание и реконструкцию структур нейронов на основе конфокальных стопок изображений. Полученные модели затем экспортировались в файлы, используя стандартные форматы для последующей обработки, моделирования или статистического анализа. NeuronStudio обрабатывала морфологические детали в масштабах от локальной геометрии дендритных шипиков и сложной топологии древовидной структуры до общего пространственного расположения многонейронных сетей. Благодаря возможности автоматической дигитализации, программа позволяла избежать субъективных ошибок, свойственных ручному прослеживанию. Поддержка программы была прекращена в 2012 году, а страницы проекта в конечном итоге были удалены с сайта ISMMS. Однако документация и исходный код для Windows все еще доступны в Интернет-архиве.
NeuronStudio was a non commercial program created at Icahn School of Medicine at Mount Sinai by the Computational Neurobiology and Imaging Center. This program performed automatic tracing and reconstruction of neuron structures from confocal image stacks. The resulting models were then exported to file using standard formats for further processing, modeling, or for statistical analyses. NeuronStudio handled morphologic details on scales spanning local Dendritic spine geometry through complex tree topology to the gross spatial arrangement of multi neuron networks. Its capability for automated digitization avoided the subjective errors inherent in manual tracing. The program ceased to be supported in 2012 and the project pages were eventually removed from the ISMMS Website. Its documentation and the Windows source code however are still available via the Internet Archive.
Деконволяция
Деконволирование изображенных данных необходимо для точной 3D-реконструкции. Деконволюция – это метод восстановления изображения, в котором для получения более точной оценки объекта используются априорные знания об оптической системе в виде функции рассеяния точки (PSF). Функция рассеяния точки может быть рассчитана на основе фактических параметров микроскопа, измерена с использованием шариков или оценена и итеративно уточнена (слепая деконволюция). PSF можно локально корректировать с учетом изменений преломляющих характеристик ткани в зависимости от глубины и характеристик образца. Для автоматизированной обработки больших, составленных из плиток блоков ткани это быстрее и точнее, чем использование экспериментально определенной PSF.
Deconvolution of imaged data is essential for accurate 3D reconstructions. Deconvolution is an image restoration approach where 'a priori' knowledge of the optical system in the form of a point spread function (PSF) is used to obtain a better estimate of the object. A point spread function can be either calculated from the actual microscope parameters, measured with beads, or estimated and iteratively refined (Blind deconvolution). PSFs can be adjusted locally to account for variations in refractive characteristics of the tissue with depth and sample characteristics. For automated use with large, tiled tissue blocks, this is faster and more accurate than using an experimentally determined PSF.
Скелетнизация и оценка диаметра
Ошибки квантования возникают в стандартных алгоритмах скелетизации из-за целочисленной природы цифровых изображений. Необходимость точного представления тонкой дендритной геометрии потребовала разработки новых адаптаций стандартных алгоритмов скелетизации и оценки диаметра для коррекции этих ошибок квантования. Итеративные методы скелетизации с помощью истончения позволяют определить расстояние в вокселях от каждого узла дерева до поверхности объекта. Это расстояние является метрикой D6, получаемой путем подсчета количества вокселей, удаляемых по минимальному 6-связному пути от поверхности к медиальной оси. В существующих алгоритмах скелетизации или векторизации для дендритной морфометрии поперечное сечение ветви в любом узле аппроксимируется как круглое, а метрика D6 предоставляет единственную оценку диаметра. Точность этой оценки диаметра ограничена физическим размером вокселей. Для небольших структур, таких как тонкие дендриты и шипики, состоящие всего из нескольких вокселей даже при максимальном разрешении изображения, ошибка может быть значительной при прямом использовании этой меры (см. рисунок). Для минимизации ошибки квантования и более точной оценки геометрии узлов существует новый метод оценки – алгоритм Rayburst Sampling, который использует исходные данные в оттенках серого, а не сегментированные изображения, для точной и непрерывной оценки радиуса, а также многонаправленный отбор проб радиуса для более точного представления нециркулярных поперечных сечений ветвей и не сферических головок шипиков.
Quantization errors arise in standard skeletonization algorithms from the integer nature of digital images. The requirement for accurate representation of fine dendritic geometry has required the development of novel adaptations of standard skeletonization and diameter estimation algorithms to correct for these quantization errors. Iterative thinning skeletonization methods can provide a distance in voxels from each tree node to the surface of the object. This distance is the D6 metric, obtained by counting the number of voxels as they are removed in the minimal 6 connected path from the surface to the medial axis. In existing skeletonization or vectorization algorithms for dendritic morphometry, the branch cross section at any node is approximated as circular, with the D6 metric providing the single diameter estimate. The precision of this diameter estimate is limited to the physical size of the voxels. For small structures such as thin dendrites and spines, comprising only a few voxels even at maximal imaging resolution, the error can be significant if this measure is used directly (see figure). To minimize quantization error and evaluate more precisely the geometry of the nodes, a new estimation technique exists, the Rayburst Sampling Algorithm that uses the original grayscale data rather than the segmented images for precise, continuous radius estimation, and multidirectional radius sampling to more accurately represent non circular branch cross sections and non spherical spine heads.
Алгоритм Rayburst
Алгоритм Rayburst Sampling использует исходные данные в оттенках серого, а не сегментированные изображения, для точной оценки непрерывного радиуса и многонаправленной выборки радиуса, чтобы более точно представить нециркулярные сечения ветвей и несферические головки осей. Алгоритм предварительно вычисляет массив единичных векторов, которые выполняют выборку данных в нескольких направлениях (Ядро выборки), на основе которого вычисляется оценка геометрии узла. Для точного представления каждого направления ядром выборки необходимо, чтобы N векторов были равномерно распределены по единичной сфере. В алгоритме используется симуляция физики частиц, в которой генерируется набор из N случайно ориентированных единичных векторов, что приводит к случайному, неравномерному распределению точек на сфере. Каждая частица получает отталкивающую силу от каждой другой частицы, пропорциональную обратному квадрату расстояния между ними. Итеративно перемещая частицу в направлении результирующей силы, частицы перестраиваются. Эта система стремится к стабильной конфигурации с минимальной энергией примерно за 40 итераций, где каждая частица максимально удалена от своих ближайших соседей. Эта информация может быть использована для реконструкции 3D-ветвей произвольно неправильной формы. Диаметр эквивалентного круглого сечения вычисляется в плоскости, нормальной к медиальной оси, с использованием диаметра нижней полосы медианы (MLBD). Для вычисления MLBD возьмите набор выборок и сложите соответствующие пары противоположных векторов. Отсортируйте векторы по величине, определите нижнюю полосу как нижние 50% и используйте расстояние в позиции N/4, представляющее медиану нижней полосы, для оценки диаметра.
The Rayburst Sampling Algorithm uses the original grayscale data rather than the segmented images for precise, continuous radius estimation, and multidirectional radius sampling to more accurately represent non circular branch cross sections and non spherical spine heads. The algorithm precomputes an array of unit vectors which sample the data in multiple directions, (the Sampling Core) from which an estimate of the node's geometry is computed. Accurate representation of each direction by the sampling core requires that the N vectors should be uniformly spaced over the unit sphere. The algorithm uses a particle physics simulation in which a set N of randomly oriented unit vectors is generated, resulting in a random, nonuniform distribution of points on the sphere. Each particle then receives a repulsive force from every other particle, proportional to the inverse square of the distance between them. By iteratively displacing the particle in the direction of the resultant forces, the particles rearrange themselves. This system will tend to a stable, minimum energy configuration within approximately 40 iterations, where each particle is maximally separated from its closest neighbors. The information can be used to reconstruct 3D branches of arbitrarily irregular shapes. The diameter of an equivalent circular cross section is computed in the plane normal to the medial axis using the Median Lower Band Diameter (MLBD). To compute the MLBD, take the set of samples and add the corresponding pairs of opposite vectors. Sort the vectors by size, define the lower band as the lower 50%, and use the distance at position N/4, representing the median of the lower band, to estimate the diameter.
Использование NeuronStudio
NeuronStudio в основном используется для количественного морфологического анализа дендритных шипов. Главное преимущество трассировки дендритов и шипов с помощью NeuronStudio заключается в том, что методы, основанные на автоматической трассировке, нечувствительны к дрейфу или смещению дендритов, поскольку каждый дендрит может быть отслежен отдельно в каждом стеке изображений. Это позволяет сравнивать шипы из очень длительных записей или более отдаленных друг от друга моментов времени. Поскольку анализ в NeuronStudio обеспечивает точные трехмерные измерения ширины головок шипов и длины шипов, этот метод полезен для выявления изменений в морфологии шипов. Кроме того, использование компьютерных измерений позволяет анализировать сотни шипов за относительно короткое время.
NeuronStudio is mainly used for quantitative morphological analysis of Dendritic spines. The biggest advantage of using NeuronStudio based tracing of dendrites and spines is that the methods based on automatic tracing are not sensitive to the drift or movement of dendrites, because each dendrite can be separately traced in every stack. This allows to compare spines from very long recordings or more separated time points. As the NeuronStudio analysis results in accurate 3D measurements of width of spine heads and spine length, this method is useful in detecting changes in spine morphology. Further, the use of computer based measuring enables the analysis of hundreds of spines in a relatively short time.