VesiclePy:一个用于体积电子显微镜的机器学习囊泡分析工具箱
《PLOS Computational Biology》:VesiclePy: A machine learning vesicle analysis toolbox for volume electron microscopy
【字体:
大
中
小
】
时间:2026年05月15日
来源:PLOS Computational Biology 3.6
编辑推荐:
摘要:囊泡是神经元中的关键组成部分,它们负责包装神经递质和神经肽以备释放,从而与其他神经元和细胞进行交流。然而,由于囊泡体积微小,要在整个神经元形态中重建完整的囊泡系统仍然具有挑战性。为此,我们使用了体积电子显微镜(vEM)作为识别和可视化囊泡的工具,该方法具有纳米级分辨率,能够
摘要:囊泡是神经元中的关键组成部分,它们负责包装神经递质和神经肽以备释放,从而与其他神经元和细胞进行交流。然而,由于囊泡体积微小,要在整个神经元形态中重建完整的囊泡系统仍然具有挑战性。为此,我们使用了体积电子显微镜(vEM)作为识别和可视化囊泡的工具,该方法具有纳米级分辨率,能够检测单个囊泡的边界、内容及其三维位置。然而,庞大的vEM数据量给数万个囊泡及其目标细胞的三维分割、分类和空间分析带来了挑战。在这里,我们报告了VesiclePy的开发,这是一个用于自动化分割、分类、校对和空间分析囊泡的集成流程,适用于大体积电子显微镜数据中的神经元掩膜。我们的软件结合了深度学习的效率和人工校对的准确性,提供了分块处理、精确索引、定位以及大vEM数据中单个囊泡分辨率的可视化功能。我们使用Hydra vulgaris的高压冷冻连续电子显微镜数据展示了VesiclePy的可行性,并通过真实手动注释量化了该软件的性能。结果表明,VesiclePy可以处理多TB的连续电子显微镜数据集,高效地标注20个完整神经元中的53,851个囊泡,并将囊泡分为5种类型。每个囊泡都有一个唯一的ID和三维位置,以便进一步分析与附近神经元或非神经元的空间关系。最后,通过结合囊泡数据和每个神经元的形态信息,我们可以将神经元定量聚类为亚型。VesiclePy可在https://github.com/PytorchConnectomics/VesiclePy上获取,采用MIT许可证。
引言:神经元利用囊泡储存神经递质和神经肽,并在膜上释放它们以与邻近和远处的细胞进行交流。了解囊泡的形态和空间分布有助于理解神经元交流的内容、机制和目标。鉴于囊泡体积小且性质短暂,电子显微镜非常适合捕捉亚细胞级别的囊泡膜和结构。然而,大多数分析仅限于使用手动[1,2]或自动[3,4]分割的突触和小囊泡,而含有神经肽及其在突触外释放位点的大囊泡尚未在完整神经元中进行系统的三维表征。在这里,我们介绍了VesiclePy,这是一个Python流程,提供了自动化分割、分类、校对、空间分析以及根据囊泡组成和神经元形态对神经元进行分类的简化过程。在这个示例数据集中,我们获得了来自Hydra的内胚层的1,829张连续电子显微镜(SEM)图像和20个神经元的分割结果[5]。Hydra具有数百个神经元的简单神经系统,以及分布稀疏的神经网络,神经元之间的接触较少(图1A)。Hydra的内胚层神经元包含大量大囊泡,包括密集核心囊泡(DCV)、透明囊泡(CV,图1B)和带有光环的密集核心囊泡(DCVH,图1C),这些囊泡可能含有神经肽和神经递质。还有小透明囊泡(SCV)和小密集囊泡(SDV),主要位于细胞体中,可能不参与突触释放。囊泡的位置可以告诉我们它们的潜在目标,在这种情况下通常不在另一个神经元附近,表明是突触外的旁分泌释放。每个神经元都包含所有类型的囊泡,但不同类型囊泡的比例可能因神经元类型而异。据我们所知,VesiclePy是第一个端到端框架,它在单一流程中整合了囊泡分割、分类、空间分析和神经元级聚类,填补了从像素级分割到网络级生物学洞察之间的空白,例如本研究中展示的无监督神经元分类。
设计与实现:我们设计了VesiclePy作为一个统一框架,可以并行处理大囊泡和小囊泡,促进从原始体积数据到高级形态聚类的过渡(图2)。虽然像SynapseNet [4]和CryoVesNet [3]这样的专用工具在重建特定突触活性区域内的囊泡簇方面非常有效,但它们并不适用于全细胞范围内的囊泡普查。VesiclePy通过提供一个跨整个细胞体积的广泛囊泡分析框架来解决这一问题。在这项研究中,我们利用这一基础设施来绘制神经元体积内的非突触释放位点,但该流程可以推广到任何对囊泡的全面分布和形态多样性感兴趣的细胞环境中。通过优先考虑完整的细胞器系统,我们的方法使研究人员能够根据总组成而不是仅基于局部连接性来定义细胞身份。
下载:PNG(更大图像)TIFF(原始图像)
图1. Hydra vulgaris中的电子显微镜图像、神经元分割和五种类型的囊泡。(A) 代表性电子显微镜切片,一个神经元上用黄色标注,另一个神经元上用红色标注,比例尺1 μm (B) 一个神经元中密集核心囊泡(DCV,紫色箭头)和透明囊泡(CV,绿色箭头)的特写电子显微镜图像(黄色)。(C) 一个神经元中带有光环的密集核心囊泡(DCVH,橙色箭头)(D) 靠近高尔基体的细胞体中的小透明囊泡(SCV,蓝色箭头)和小密集囊泡(SDV,红色箭头)。(B)-(D) 比例尺500 nm。https://doi.org/10.1371/journal.pcbi.1013499.g001
尽管这里是在高压冷冻的Hydra vulgaris连续SEM数据上展示的,但VesiclePy的模块化设计并不依赖于特定于生物体的先验知识。分割核心基于体素级别的对比度和空间连续性,并且可以在提供适当真实注释的情况下重新训练于其他vEM数据集。原则上,该流程可以应用于其他大规模体积电子显微镜数据集,包括连接组学资源如FlyWire [6]、MICrONS [7]或H01数据集 [8],前提是这些数据集有适当的囊泡注释用于模型训练或微调。然而,性能可能会受到固定协议、成像方式、体素各向异性或信噪比差异等因素的影响。在这种情况下,建议使用一小部分标记的体积进行微调。VesiclePy中实现的迭代人工干预校正循环旨在有效减轻这种跨数据集的变异性。我们的流程包括用于分割、分类、分析、可视化的模块化处理中心,以及额外的统计和聚类分析。我们使用一个深度学习模型进行迭代训练,该模型使用真实数据进行训练来分割大囊泡;对于小囊泡的分割难度较大时,提供了一个手动分割工具。囊泡亚型的分类采用监督方法对大细胞器进行分类,而对于小囊泡群体则使用变分自编码器(VAE)进行无监督识别。除了简单的检测之外,分析模块还提取三维坐标和形态描述符,这些信息用于计算局部密度和与感兴趣生物区域的空间接近度。这些指标支持多尺度可视化,并提供了基于细胞器和解剖学特征的神经元亚型聚类所需的综合特征集(图2)。
大囊泡实例分割:在三维中单独检测和分割囊泡是任何下游囊泡形态和位置分析的基础。然而,每个神经元都有数千个分布稀疏的囊泡,其中大多数跨越多个z切片。人工注释将极其耗时且容易出错。因此,我们使用了一个迭代的半自动化3D-UNet [9]卷积神经网络,具体来说是NucMM挑战中描述的架构[10],该网络从用户标注的体积中学习并提供多通道三维语义分割预测。此外,我们使用CLAHE [11]作为预处理步骤来提高图像对比度,然后应用多通道分水岭算法来实现单个囊泡的实例分割。这些预测随后由人类进行校正,并由模型学习以产生更好的预测结果。图像的数字增强和错误区域的采样进一步改善了预测结果。开发过程遵循训练、预测、人工校正和错误区域采样的循环过程,以提高模型性能。首先,我们标注了多个真实体积,并将它们分为训练、验证和测试三个子集,大致比例为80/10/10。在验证预测结果后,我们识别出失败模式并选择了需要改进的额外区域。然后我们在这些体积上生成预测并纠正任何错误,以便在下一个训练和预测周期中使用它们作为真实数据。这里,我们使用“训练周期”一词来表示一轮完整的注释、模型训练、预测和人工校正。表1中报告的训练迭代指的是模型优化期间执行的单独梯度更新步骤。例如,在使用26个体积进行两个训练周期后(图3B-3C),我们发现含有高浓度密集核心囊泡和带有光环的密集核心囊泡的区域性能较差。通过连通组件,我们找到了33个不同的小子体积,共354,022,199个体素,这些体积中含有这些密集囊泡,然后手动纠正了它们。这些子体积被用作第三个训练周期的训练数据(图3D)。
下载:PNG(更大图像)TIFF(原始图像)
表1. 分割模型训练和性能。https://doi.org/10.1371/journal.pcbi.1013499.t001
下载:PNG(更大图像)TIFF(原始图像)
图3. 训练检查点和分割失败模式的示例结果。(A) 应用CLAHE后的电子显微镜图像。(B) 100,000次迭代后的预测;白色箭头表示假阴性,而黄色囊泡显示了由于早期训练噪声导致的失败案例。(C) 300,000次迭代后的结果;白色箭头标记了一个假阴性的密集核心囊泡。(D) 1,000,000次迭代后的结果;白色箭头标记了改进的结果。比例尺:200 nm。https://doi.org/10.1371/journal.pcbi.1013499.g003
实例分割:为了实现精确的囊泡实例分割,我们预测了一个包含二值分割、轮廓图和距离变换图的三通道体积。虽然3D U-Net [9,10]处理体积上下文并输出三维目标距离变换,但轮廓图是逐层生成的(二维),以捕捉精确的平面边界。我们使用3D种子分水岭算法 [12] 将这个多通道预测合并为单通道标记实例。关键的是,种子不是通过简单的局部最大值检测生成的;相反,它们是通过所有三个通道的严格阈值交集生成的(高二值、低轮廓、高距离)。在连通组件标记和小种子去除之后,这些区域成为填充的起点。为了缓解通道之间的矛盾——例如轮廓图预测边界而二值掩膜预测前景——算法应用了严格的层次结构。轮廓通道主要作为种子抑制器;它不会自动将体素从前景填充掩膜中排除。前景掩膜严格由二值和距离通道定义,而实际的分水岭地形由反转的二值掩膜驱动。失败案例,如带有孔洞的囊泡(图3B)或部分重建(图3D),通常源于噪声较大的二值预测。我们的迭代流程通过将错误子体积采样到后续训练周期中来解决这些问题。为了评估模型性能,我们使用了前景调整后的Rand指数(RAND)、精确度和召回率以及F1分数。RAND指数(数值越低越好)衡量预测标签和真实标签之间的拓扑相似性。精确度和召回率(数值越高越好)分别量化过度分割和欠分割。最后,我们包括F1分数作为一个平衡指标,以评估数据集中精确度和召回率的调和平均值。
监督下的囊泡类型分类:囊泡的形态有助于确定其在动态生物过程中的类型、内容和状态。在示例数据集中,我们能够识别出三种形态上不同的大囊泡类型:CV(图4A)、DCV(图4B)和DCVH(图4C)。每个囊泡跨越多个z切片,有时在不同切片上的外观不同。我们使用了一个3D卷积神经网络 [13] 来自动化分类过程。我们还开发了一个基于HTML的校对工具,它在同一页面上显示了相同类型的囊泡结果,从而实现了高效的人工校对和校正。该网络处理31×31×5体素堆栈,使用一系列卷积层、批量归一化和ReLU激活函数,然后进行最大池化和全连接层以产生分类预测。尽管其架构简单,但该网络捕捉到了与囊泡分类相关的关键形态特征。为了减轻类别不平衡并提高泛化能力,我们通过聚合所有可用的手动校对细胞的囊泡并采样每个CV、DCV和DCVH的1916个样本,构建了一个平衡的训练数据集。当在这个数据集上进行训练,并在之前标记的数据集上进行评估时,模型达到了83.6%的验证准确率。评估结果(表2)显示,该网络能够区分具有非常不同特征的囊泡(DCV和CV)。然而,具有混合形态的囊泡(DCVH)的表现较低。下载:PNG(更大图像)TIFF(原始图像)表2. 不同类型囊泡的分类模型性能。https://doi.org/10.1371/journal.pcbi.1013499.t002 下载:PNG(更大图像)TIFF(原始图像)图4. 囊泡类型分类校对界面。该界面支持人工参与自动化囊泡分类的验证。对于每个候选囊泡:(A)透明囊泡(CV),(B)致密核心囊泡(DCV),或(C)带有光环的致密核心囊泡(DCVH),界面会显示五个连续的Z切片(切片0-4),上面叠加了3D U-Net预测的轮廓(红色),这允许用户快速评估体积形态和标记准确性。刻度尺200纳米。https://doi.org/10.1371/journal.pcbi.1013499.g004 为了确保流程的稳健性,我们实现了一个迭代工作流程,将分类预测与可视化和HTML格式的手动校对集成在一起。输入数据包括3D囊泡图像堆栈及其相应的边界框文件,这些文件被组织到特定于神经元的子目录中。流程首先应用训练好的网络对每个囊泡进行分类,并输出其预测结果以及可视化图像。这些结果被组织到特定于类别的子文件夹中(CV、DCV、DCVH),用户可以通过简单的点击来校对和纠正分类结果。无监督的小囊泡类型分类 小囊泡(< 80纳米)通过手动注释来确保准确识别(图5A)。小囊泡在操作上定义为直径小于80纳米的囊泡;它们比大囊泡小得多,难以通过形态学进行手动分类。与前一节中训练有监督的分类模型不同,这里我们进行了无监督的降维处理,以确定是否可以使用分布式分析(在较低维度上可行)来自然地揭示囊泡类型的簇。下载:PNG(更大图像)TIFF(原始图像)图5. 无监督的小囊泡类型分类。(A)小囊泡的手动语义分割。刻度尺500纳米。(B)2D潜在空间中的变分自编码器潜在流形重建。(C)使用Viridis颜色图的嵌入分布热图,其中黄色表示囊泡实例的最高密度。(D)使用从蓝色到红色的渐变颜色图在密度图上叠加的HDBSCAN囊泡类型聚类,以可视化簇的分离。https://doi.org/10.1371/journal.pcbi.1013499.g005 为了标准化变分自编码器(VAE)的输入,我们从3D囊泡体积中提取了1×11×11像素的2D图像块。尽管小囊泡可能跨越2-3个Z切片,但流程明确计算每个囊泡的3D边界框中心点,并在这个几何中心提取一个2D切片。没有使用最大强度投影(MIP)。这种中心切片提取方法本质上避免了“边缘位置”切片(囊泡的顶部或底部),这些切片通常会受到部分体积效应和较低对比度的影响。鉴于相对于切片厚度(30纳米)的高平面分辨率(4纳米),这个2D几何中心高度代表了囊泡的形态。为了考虑潜在的平移和旋转,我们使用了pyroVED [14]库提供的具有内置平移和旋转不变性的卷积VAE。VAE的潜在维度固定为2。因此,每个11×11图像块被压缩成一个二维嵌入,其中绘制的x轴和y轴代表编码器生成的原始VAE潜在均值;没有应用主成分分析(PCA)或进一步的降维。结果分布使用Viridis颜色图作为热图进行可视化,其中黄色表示形态相似的囊泡实例的最高密度(图5C)。最后,我们直接在这两个潜在坐标上应用HDBSCAN [15]算法将数据聚类为两个不同的类别,通过从蓝色到红色的渐变密度图进行可视化(图5D)。形态学和空间分析 与小囊泡不同,大而致密的核囊泡通常以旁分泌方式在突触外释放 [5,16]。分析它们的空间分布和潜在目标需要检查覆盖整个神经元及其邻居的大区域。为了管理这个计算密集型任务,我们将分析限制在每个神经元的最小边界框内,这些边界框以高分辨率的HDF5格式存储。这些区域内的囊泡数据被转换为点云,保留了关键的形态学、空间和分割元数据,以便于高效的下游处理。神经元掩码的使用。为了识别可能针对另一个神经元的囊泡释放区域,我们使用全局坐标将相邻的神经元缝合到统一的边界框中,并通过计算欧几里得距离变换 [17] 来识别“靠近”另一个神经元的区域——该阈值由平均囊泡直径加上2倍标准差确定(图6)。为了考虑分割不确定性,我们在源神经元和相邻神经元周围添加了1-3个体素缓冲区,然后在这些边界内提取表面块。这些区域的体素计数按分辨率进行了缩放,以计算表面积。下载:PNG(更大图像)TIFF(原始图像)图6. 邻近神经元和潜在的囊泡释放区域。(A)神经元(绿色)在其最小边界框(黄色)内的3D渲染。(B)同一神经元(绿色)及其边界框内的相邻神经元片段(橙色)。(C)用于定义目标神经元体积内“靠近另一个神经元”的空间区域的扩展相邻神经元掩码(蓝色)。(A)-(C)刻度尺10微米。https://doi.org/10.1371/journal.pcbi.1013499.g006 囊泡形态。计算囊泡形态所需的高分辨率以及每个神经元中的大量囊泡需要大量的计算资源。因此,我们将任务分为三个部分,每个部分都利用了适当的文件格式。首先,我们使用原始的分割掩码计算每个囊泡的形态。通过将分割的体素相加并按分辨率缩放来计算囊泡体积。通过沿其最低分辨率轴折叠每个大致球形的掩码并测量相应的圆形面积来估计半径。其次,将囊泡转换为点云,存储它们的质心(COM)、体积、半径、分类类型和ID。这种格式允许紧凑的导出,并使用Pandas [18] 和 Polars [19] 等工具进行高效分析,这些工具适用于处理基于列的数据。最后,使用kd树 [20] 按实例计算囊泡分布密度,在每个囊泡COM的500纳米范围内进行最近邻查询。这些值在整个数据集中进行了归一化,以可视化相对密度梯度。计数囊泡。最后,为了确定特定神经元区域内囊泡的数量,我们从神经元内存储的所有囊泡COM坐标中提取了该区域的二进制掩码值,从而避免了直接使用原始的高分辨率囊泡分割数据。例如,我们通过使用距离阈值提取这些区域的掩码来计算“靠近神经元”区域内的囊泡数量,然后利用点云元数据来跟踪囊泡类型分布。同样,我们计算了细胞体区域内小囊泡的数量,以确定细胞体内是否有更多的小囊泡。可视化 在大规模体积电子显微镜(vEM)数据集的分析中,有效的可视化仍然是一个持续的挑战 [21],其中生物结构的复杂性和密度需要定制的工具来进行渲染、检查和语义解释。为了支持高效的人工参与数据分析和对观察假设的生成,我们实现了一个基于四个互补平台的模块化可视化流程——Neuroglancer [22]、PyVista [23]、Plotly [24] 和 three.js [25]——每个平台都解决了互操作性、可扩展性和语义清晰度的特定瓶颈。Neuroglancer(图7A)通过允许直接检查EM数据和分割叠加来进行工作流程的定位,以进行真实性验证。尽管其格式限制了定制(例如,动态颜色编码或元数据叠加),但它通过跨工具的持久囊泡ID链接固定了所有下游可视化。PyVista(图7B)实现了更灵活、高保真的网格可视化,其中囊泡亚型或空间密度等特征可以直接编码为颜色图。然而,PyVista在完整体积数据集上的性能会下降,并且需要大量的预处理,限制了其用于更大数据探索任务的可扩展性。Plotly(图7C)允许在浏览器中本地渲染囊泡点云和网格叠加,并提供基于悬停的元数据检查以及独立的HTML导出。这允许快速检查单个神经元或囊泡子集,但由于计算限制,难以扩展到完整数据集。为了进行大规模的数据集可视化,我们开发了一个轻量级的基于three.js的查看器(图7D),优化了渲染数以万计的囊泡和神经元,并带有亚型和密度编码。尽管它缺乏原始图像叠加,但它完全支持元数据并链接回Neuroglancer,保留了语义清晰度而不牺牲渲染性能。下载:PNG(更大图像)TIFF(原始图像)图7. 用于vEM数据分析的四平台可视化流程。一个用于vEM数据分析的四平台可视化流程。(A)Neuroglancer通过EM叠加和分割进行真实性验证。刻度尺500纳米。(B)PyVista支持具有可定制颜色图的高保真局部网格渲染,这里表示囊泡亚型。刻度尺50微米。(C)Plotly允许基于浏览器的交互式网格和点云检查,这里使用亚型颜色图显示。刻度尺5微米。(D)Three.js提供了可扩展的全数据集可视化,具有灵活的元数据映射,这里使用基于密度的颜色图展示。https://doi.org/10.1371/journal.pcbi.1013499.g007 神经元类型聚类 神经元形态和连接性是连接组学研究中聚类神经元类型的常见参数 [26,27];然而,当连接性超出物理突触连接时,我们提出结合形态学和囊泡作为额外的有效聚类参数。在这个示例数据集中,根据独特的形态学特征将20个神经元初步分类为5个不同的簇 [5]。为了进一步验证这些簇,我们在无监督分类方法中使用了形态学和囊泡信息。从之前的分析中提取了每个神经元的囊泡组成,以及神经元的几种形态学数据类别(极性、纤毛、微绒毛、握手、体积和长度)。数值特征从[0,1]进行了对数归一化。随后,从这个处理过的混合数据特征集中计算了Gower距离度量,生成了一个20×20的成对差异矩阵。Gower距离提供了这些不同特征类型的统一相似性度量,使得与整体神经元结构相关的比较成为可能 [28]。结果树状图的垂直轴表示绝对Gower差异,它计算了形态学和细胞器特征之间的平均差异。在这种表示中,0.0的高度表示特征轮廓完全相同,而1.0表示所有参数之间的最大理论差异。使用这个Gower矩阵,进行了带有“完全”链接方法的层次聚类 [29]。在0.4的距离阈值处切割得到的树状图产生了4个不同的神经元簇(图8),这些簇与通过定性形态学分类建立的4个簇相对应,以及1个合并的簇(神经元10)。下载:PNG(更大图像)TIFF(原始图像)图8. 基于结合形态学和囊泡特征的神经元类型聚类。通过混合数据特征集计算成对差异的绝对Gower差异,0.4的阈值产生了4个不同的簇。https://doi.org/10.1371/journal.pcbi.1013499.g008 结果 该示例数据集包含从高压冷冻Hydra vulgaris获得的扫描电子显微镜(SEM)体积。以30纳米的厚度收集了连续切片,有效体素分辨率为4×4×30纳米。成像是在Zeiss SIGMA扫描电子显微镜上使用Atlas 5(Zeiss Microscopy)映射软件进行的,采集参数为1000纳秒的停留时间、4纳米的平面像素大小和背散射电子检测。随后使用开源Python包feabas [30] 对得到的EM切片进行了拼接和对齐。该流程共分割了53,851个囊泡实例,包括20个完整分割神经元中的42,235个大囊泡和11,616个小囊泡。我们将所有大囊泡分类为这三个类别,得到24,998个CV、15,188个DCV和2,049个DCVH。对于小囊泡,我们分类了2,305个SCV和9,311个SDV。接下来,我们提取了每个囊泡的体积和直径,并计算了囊泡坐标与“靠近”和“远离”另一个神经元区域的重叠部分,并量化了“靠近”另一个神经元的囊泡百分比在不同神经元类型和囊泡类型之间的显著差异。我们还创建了2D渲染和3D交互式HTML,以可视化和检查所有囊泡类型、它们的位置以及与神经元掩码的关系。最终,通过按类型统计每个神经元中的囊泡数量,并结合额外的形态学测量和特征,我们能够将神经元分为4个亚型,这些亚型与我们基于形态学的初步定性分类结果一致。整个数据集的处理是在一个高性能计算集群上完成的,该集群配备了两个专用计算节点,每个节点拥有64个CPU核心、512GB的RAM以及四个NVIDIA A10 GPU(每个GPU拥有24GB的VRAM)。VesiclePy工作流程中计算量最大的部分是3D U-Net分割模型的训练。在我们的实验中,使用四个NVIDIA A10 GPU进行模型训练大约需要10小时的时间。一旦分割模型训练完成,后续的流程阶段(包括囊泡分类、空间分析和可视化)的计算负担就大大减轻了。特别是,许多下游分析都是基于囊泡的紧凑点云表示进行的,而不是原始的体积数据,从而能够在最小的内存开销下高效处理数万个囊泡。因此,运行时间更多地取决于所执行的分析类型,而不仅仅是数据集的大小。虽然完整的电子显微镜体积数据大约包含45.9万亿个体素(以uint8格式计算约为45.9TB),但我们的分析主要集中在20个单独神经元边界框内的累积图像数据上,这些数据的总量为2.75TB。为了实现这种规模的分析,我们通过基于Slurm的任务分片技术来管理工作负载,并使用带有Gzip压缩的HDF5存储后端来维持核心外的并行处理策略。
VesiclePy是一个开源软件包,可在https://github.com/PytorchConnectomics/VesiclePy上获取,遵循MIT许可证。该仓库包含了源代码、安装说明、文档以及用于体积电子显微镜数据中囊泡分割、分类和空间分析的示例工作流程。VesiclePy的模块化设计使其能够轻松适应新的数据集和生物学背景。尽管该软件是在高压冷冻的Hydra vulgaris电子显微镜数据上展示其功能的,但分割和分析组件也可以在其他带有适当注释的体积电子显微镜数据集上进行重新训练或微调。未来的工作将致力于提高其在不同成像领域的鲁棒性,包括处理对比度、分辨率和噪声特性的变化。这包括引入领域适应策略并减少重新训练所需的注释工作量。此外,我们计划扩展对完全自动化的小囊泡分割和分类的支持,减少对人工注释的依赖,并实现更可扩展的密集囊泡群体分析。我们还旨在增强VesiclePy与现有可视化及数据平台之间的集成,包括与Neuroglancer和基于Web的可视化框架的紧密耦合,以实现大规模交互式探索。进一步的发展将探索结合囊泡形态、空间组织和神经元级特征的多模态表示方法,以支持更全面的细胞类型分类和功能推断。最后,由于囊泡组成提供了除了连接性之外的另一种表征神经元身份的维度,VesiclePy的未来扩展可能会使其能够与分子或转录组数据等互补模态集成,从而构建更完整的神经系统多尺度模型。同时,更大的注释神经元队列将使未来的工作能够超越这里展示的概念验证性聚类分析,引入轮廓分数、共祖相关性以及自助稳定性等定量聚类验证指标。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号