没有合适的资源?快使用搜索试试~ 我知道了~
MISA:自动生物图像分析的标准化接口及其应用
SoftwareX 11(2020)100405原始软件出版物MISA++:用于自动生物图像分析的标准化接口Ruman Gersta,b,Anna Medyukhinaa,Marc Thilo Figgea,c,a应用系统生物学,莱布尼茨天然产物研究和感染生物学研究所-b德国耶拿弗里德里希-席勒大学生物科学系c德国耶拿弗里德里希-席勒大学生物科学学院微生物学研究所ar t i cl e i nf o文章历史记录:收到2019年2020年1月16日收到修订版2020年1月19日接受保留字:图像处理模块化应用集成光片荧光显微镜大容量图像数据a b st ra ct现代成像技术,如光片荧光显微镜(LSFM),允许在三维空间中捕获整个器官。这些大容量图像数据的分析需要用户友好和高效的工具相结合。我们在这里介绍MISA++,一个图像分析框架,允许通过标准化组件将自定义高性能C++工具轻松集成到第三方应用程序中,用于并行化,数据和参数处理,命令行界面以及与第三方应用程序的通信。我们通过实现ImageJ的插件来展示其功能,该插件为使用我们的框架构建的任何应用程序提供图形用户界面,以及我们的基于Python的算法的高性能重新实现,以在整个小鼠肾脏的LSFM图像中分割肾小球©2020作者由爱思唯尔公司出版这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)中找到。代码元数据当前代码版本1.0.0.1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX_2019_276Code Ocean compute capsule法律代码许可证BSD-3条款使用Git的代码版本控制系统使用C++、OpenMP、CMake、Java、Python、ImageJ的软件代码语言、工具和服务编译要求,操作环境依赖性C++框架:CMake,Boost,SQLite,OME文件,OpenCV,JSON for ModernC++; ImageJ插件:Maven; Java实现:Maven、imglib 2、DeconvolutionLab2、ImageJ; Python实现:Snakemake、NumPy、Scikit-image、Mahotas如果可用,链接到开发人员文档/手册https://applied-systems-biology.github.io/misa-framework/技术支持电子邮件thilo. leibniz-hki.de软件元数据当前软件版本1.0.0.1此版本可执行文件的永久链接https://github.com/applied-systems-biology/misa-framework/releases/download/1.0.0/misaxx-1.0.0.1-sources-bin-aio.zip法律软件许可证BSD-3条款计算平台/操作系统Windows,Linux安装要求依赖关系如果可用,请链接到用户手册https://applied-systems-biology.github.io/misa-framework/技术支持电子邮件thilo. leibniz-hki.de通讯作者:应用系统生物学,莱布尼茨天然产物研究和感染生物学研究所-汉斯-诺尔研究所,耶拿,德国。电子邮件地址:thilo. leibniz-hki.de(M.T. Figge)。https://doi.org/10.1016/j.softx.2020.1004051. 动机和意义现代成像技术,如光片荧光显微镜(LSFM),使定量三维分析的目标结构在整个器官。一个典型的LSFM实验器可以产生数百GB的3D图像数据,2352-7110/©2020作者。 由Elsevier B.V.出版。这是一篇开放获取的文章,使用CC BY许可证(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表SoftwareX期刊主页:www.elsevier.com/locate/softx2R. Gerst,A.Medyukhina和M.T.Figge/SoftwareX 11(2020)100405人工分析几乎是不可能的。这些大数据量的分析需要自动化和高效的工具,这些工具在管理有限的系统内存的同时使用多个处理核心。这种高效的工具可以用C++、C或Julia等编程语言开发。每种语言都有自己的优点和缺点:Julia支持现代高级概念,如函数式编程或模块化,但缺乏第三方库的大型软件生态系统。C语言的情况正好相反:它具有广泛的现有第三方库,但缺乏现代编程概念 。 C++ 满 足 这 两 个 要 求 。 它 拥 有 大 量 的 第 三 方 软 件 , 如OpenCV[1],Insight Toolkit(ITK)[2],Halide[3],以及此外,它还包括面向机器的内存管理,以及面向对象、函数式编程和模块化等高级概念。然而,在C++中开发新的算法和流水线是困难的,由于复杂的语法,编译的需要,有限的调试能力,以及静态程序流。例如,没有简单的方法可以在不重新计算所有先前步骤的情况下更改算法参数。ImageJ[4] 、 Icy[5] 、 Knime[6] 、 Ilastic[7] 、 CellPro-filer[8] 、Python(https://python.org/)和显微镜图像浏览器(MIB)[9]等工具通过提供图形用户界面或简单的编程语言语法,允许轻松开发新颖的算法和流水线。另一方面,这些特性可能会使高性能分析变得不切实际:简单的脚本语言不会编译成机器代码,因此只能在有限的程度上进行优化。这使得自定义算法的实现非常缓慢。大多数高性能服务器都不支持图形用户界面,并且呈现界面时会带来额外的开销。分析大量数据通常需要开发新的算法和管道。这通常可以通过用户友好的工具在一小部分数据上更有效地完成,但是,可能优化程度较低。为了在合理的计算时间内或通过适用于实时处理的算法获得完整数据集的结果,高性能的重新实现变得至关重要。已经有像CLIJ[10]或Cython(http://cython.org)这样的工具允许这样的优化实现。然而,新的算法可能需要高度定制的实现和高性能第三方库的使用。像这样的特性只在面向机器的语言中可用,比如C++。这种定制的高性能C++工具的缺点是,它们不能很容易地集成到第三方应用程序中,这不仅允许对算法结果进行简单的统计分析,而且通常提供专有的数据预处理方法目前,还没有关于如何通信输入数据、输出数据和算法参数的标准。如果没有这样的标准,创建定制集成将需要额外的开发时间。由于不兼容性以及软件文档和维护方面的额外工作,这导致多个项目中的类似代码加倍。为了解决将C++的效率与用户友好的工具相结合的挑战,我们开发了一个名为Modular Image Stack Analysis for C++(MISA++)的框架:一个独立于平台的开源框架,为使用已建立的库开发高效、高度并行化和模块化的图像分析工具提供了标准。它允许创建具有标准化数据和参数处理、并行化、命令行界面和文档的自定义软件工具。使用MISA++开发的任何工具都可以轻松集成到用户友好的软件中。图1.一、 公司简介组成的两核心组成部分:一C++框架标准化的JSON接口。高性能的C++框架允许集成第三方库,如OpenCV或OME Files。 通过标准化参数、数据处理和文档,该接口允许轻松集成使用C++2. 软件构架MISA++由两部分组成:(i)用于开发高性能图像分析工具的C++框架- 与OpenCV 等已建立的库,以及(ii)在任何MISA++ 应用程序和任何其他软件( 如 ImageJ )之间进行通信 的标准化接口(见图2)。①的人。2.1. C++框架我们的C++框架为并行化、数据组织和第三方数据类型集成、内存管理、参数处理、创建命令行界面以及与其他应用程序和管道交互提供了现成的组件。MISA++是用C++版本17编写的,依赖于第三方贡献者开发的各种库(见表S1)。2.1.1. 并行化该框架在有向无环图(DAG)中组织工作负载,其中节点表示处理步骤,边表示依赖关系。每个节点都包含一个工作负载函数,并跟踪它是否已经执行。如果没有依赖项具有未完成的工作负载,则节点只能执行其工作负载。然后,该框架迭代地并行执行未完成的工作负载,直到所有节点都完成。MISA++区分了两种类型的节点:任务和调度器。任务是包含任何原子和可分解工作负载的工作者。Dispatcher不是可并行的,它负责创建DAG结构。为了使开发人员能够轻松地将DAG拆分为单独的、可重用的应用程序和软件库,DAG在运行时期间迭代地构建:Dispatcher节点仅实例化其直接依赖项-任务或其他Dispatcher。这种图结构的一个例子如图12所示S1.2.1.2. 数据管理输入和输出数据被组织在称为高速缓存的数据结构中。他们扮演四个角色(见图)。S2):(i)将第三方数据类型集成到MISA++中,(ii)自动存储-R. Gerst,A.Medyukhina和M.T.Figge/SoftwareX 11(2020)1004053图二. MISA++应用程序在虚拟文件系统(VFS)中组织文件。它的结构是用C++代码定义的。VFS中的数据可以链接到硬磁盘文件系统(红色虚线)。通过将未使用的数据存储在硬盘驱动器上进行管理,(iii)线程安全的数据读取、写入和修改,以及(iv)管理量化结果。高速缓存封装了从硬盘上自动分配的位置读取和写入数据的过程。硬盘驱动器位置在虚拟文件系统(VFS)中管理;参见图。2)的情况。然后,框架根据通过应用程序参数提供的信息,将VFS路径映射到硬盘上的位置。这使得MISA++应用程序很容易适应不同的计算机和第三方程序。另一个好处是,该框架可以自动解除分配未使用的数据从内存和存储在硬盘上,以降低系统的要求。在多线程环境中,必须防止类似并行写入同一内存位置的行为。破坏这个线程安全性会导致错误的计算结果或崩溃。缓存通过阻止数据写入来处理来自多个线程的数据访问,直到所有读取线程完成其工作。缓存允许附加自定义元数据对象,用于线程安全的中间结果存储或导出量化数据。所有随附结果均以标准格式自动存储(见第2.2.2节)。2.1.3. 参数处理所有参数都通过JSONfor- mat(http://json.org/)中的参数文件提供,并可通过线程安全函数访问。这些方法还自动在JSON文件中分配位置并反序列化JSON数据,允许开发人员记录参数并设置约束。存在可以在代码中定义的三种类型的全局参数用于一般设置,如线程数,而示例参数包含示例元数据。算法参数特定于一个DAG节点,并允许用户修改工作负载的行为。2.1.4. 命令行界面MISA++附带的组件允许将任何DAG根封装到即用型命令行界面(CLI)中。CLI处理读取参数文件、构建VFS和执行DAG节点工作负载等任务。此外,它能够查询C++代码中提供的信息,以生成MISA++应用程序的文档(参见第2.2.3节)。2.2. 标准化JSON接口上一节中描述的组件是标准化的,因此开发人员、用户和其他软件可以轻松地与MISA++应用程序交互。该接口的组件包括标准化的CLI(参见第2.1.4节)、标准化的VFS(参见第2.1.2节)以及关于如何通过JSON格式传递元数据或参数等信息的多个标准。完整的接口文档可以在https://applied-systems-biology.github.io/misa-framework/cpp-framework/standards/上在线访问。JSON接口的组件在这里简要描述:2.2.1. 应用信息有关MISA++应用程序的一般信息可以由CLI生成,也可以从任何MISA++处理输出文件夹访问。它包含应用程序名称、作者、版本、描述、许可证、组织、引用和网站等信息。该标准还允许开发人员轻松引用依赖软件包。2.2.2. 自定义元数据附加到缓存(参见第2.1.2节)的量化结果等元数据存储在输出目录内的标准化位置MISA++自动以JSON Schema(http://json-schema.org/)格式记录此外,导出的文件包含有关VFS位置和数据缓存的信息。这使得从MISA++应用程序输出中完全自动提取定量结果并将其链接到数据成为可能。2.2.3. 参数参数通过JSON文件提供(参见第2.1.3节)。根据其名称、类型和DAG节点,每个参数在参数文件中自动分配一个唯一的位置。它还包含有关如何将VFS链接到硬盘上的位置的信息(请参见第2.1.2节)。用户可以只提供输入和输出目录,也可以对每个单独的VFS条目进行详细控制。任何MISA++应用程序都可以自动生成JSON Schema格式的人类和机器可读文档,该文档概述了参数文件的所有可能属性这包括名称、描述、数据类型和C++代码中定义的参数的默认值该文档还包含VFS及其缓存的完整描述,包括有关其数据的信息4R. Gerst,A.Medyukhina和M.T.Figge/SoftwareX 11(2020)100405=类型、说明和有关所需元数据的信息因此,该文档包含有关如何构建有效参数文件的所有必要说明,以及有关需要哪些输入数据和生成哪些输出的信息3. 说明性实例在接下来的部分中,我们将简要介绍MISA++框架的应用。这包括集成来自第三方C++库的数据类型,利用JSON接口(参见第2.2节)集成到第三方应用程序中,以及通过在MISA++中重新实现优化算法的示例。3.1. OpenCV和OME TIFF集成我们开发了一个缓存(参见第2.1.2节),它将广泛使用的图像处理库OpenCV集成到MISA++中。我们还开发了一个扩展,允许将OME TIFF[11,12]图像文件加载到OpenCV数据类型中。为了集成OpenCV图像,我们开发了一个缓存,可以自动在其VFS目录中定位兼容的图像文件。在访问图像数据时,通过OpenCV函数对文件进行反序列化要集成对OME TIFF文件的支持,我们使用OME Filesli-box(https://www.openmicroscopy.org/ome-files/)。同样,兼容文件检测,如果可用,并通过OME文件库加载由于OME TIFF文件的结构,我们实现了两种缓存类型:(i)管理单个2D平面的缓存,以及(ii)表示整个图像文件并提供对每个单独图像平面缓存的访问的缓存。这允许仅将一组特定的图像平面传递给算法。比如说,一组2D平面可以分布在多个任务节点上并行处理(参见第2.1.1节)。3.2. ImageJ插件为了展示MISA++接口的功能,我们为ImageJ开发了一个插件,为任何MISA++应用程序提供图形用户界面。它利用任何MISA++应用程序(参见第2.2.3节)生成的人机可读文档来设置用户界面。该插件依赖于第三方贡献者开发的各种库(参见表S2)。该插件维护一个可定制的已知MISA++应用程序列表通过使用标准化的CLI,插件然后查询一般应用信息和参数模式。基于这些数据,插件自动获取有关输入和输出数据、其VFS位置以及可用参数的信息-执行分析所需的信息。在启动ImageJ插件时,用户会看到一个可用应用程序的列表。从应用程序列表中,用户可以访问允许使用单个MISA++应用程序分析数据的功能,将多个应用程序连接到一个管道中,并分析应用程序的输出。有关如何使用该插件的分步教程可在https:systems-biology.github.io/misa-framework/imagej/step-by-step/ 上在线获得。一个深入的功能展示是在柔软的材料。3.3. 图像分析为了展示MISA++的性能改进,我们开发了三个MISA++应用程序,这些应用程序结合了常见的图像分析操作来处理生物数据以及单个操作基准。我们在生物图像分析中的应用是:(i)3D肾脏数据中肾小球的分割[13,14],(ii)吞噬测定中的细胞分割[15],以及(iii)去卷积的应用。我们将我们的MISA++应用程序与使用Snakemake[16]和Dexecutor(https://dexecutor.github.io)提供的DAG并行化的等效Python和Java工具进行了比较。我们的MISA++实现使用OpenCV作为图像处理库,而Python应用程序使用scikit-image[17]和NumPy(https://numpy.org/)。我们的Java实现基于ImgLib2[18]和ImageJ。我们启用了所有可用的优化功能,但也在补充材料中讨论了禁用这些功能的影响。所有的C++程序都是在发布配置中编译的。所有分析均在具有Intel® Xeon® E7-8894CPU、1 TB内存和30个线程的服务器上执行为了测试不同的实现是否产生相同的结果,我们通过成对Bootstrap Kolmogorov-Smirnov测试(n boots 1000)比较了特征读数的分布。我们认为两个分布是显著相等的,如果它们的p-值p<0。05.肾小球分析。肾小球是小儿的功能性结构。它们的数量和形态受各种疾病的影响,因此是研究的重要因素。我们分析了整个小鼠肾脏的LSFM图像(图1B)。3a)量化肾小球并提取其直径和体积等信息该算法的工作原理如下:经过初步预处理后,肾脏组织分割。然后使用所得掩模和最后,分割的2D对象被重建成3D肾小球,量化和过滤(详见补充材料)。该算法最初是用Python编程语言开发的[13,14]。该实施需要大约三天的时间来分析23个小鼠肾脏,总文件大小为110 GB。我们的MISA++实现支持OME TIFF文件(参见第步骤3.1),其允许像体素大小的元数据被存储在图像内。我们将我们的实现分成两个应用程序:(i)分割肾组织的应用程序,以及(ii) 一种分割肾小球的应用程序。肾小球分割工具通过其公共API重新使用组织分割代码(参见图11)。3b)。这种设计可以防止代码重复,因为组织分割是任何LSFM图像分析的常见部分。输入和输出数据在DAG根中声明(参见第2.1.2节)。组织分割工具需要包含输入荧光图像的输入OME TIFF文件。它生成一个OME TIFF图像包含分割的组织掩模。我们将Python算法转换为C++代码,并分为以下任务:(i)2D组织分割,(ii)组织量化,(iii) 2D肾小球分割,(iv)3D肾小球重建,(v) 肾小球定量,和(vi)过滤假阳性肾小球的任务设置DAG依赖关系,以便按列出的顺序执行任务。不是一次只运行一个任务,而是将图像平面集分割为并行运行的2D组织分割的多个实例。这同样适用于2D肾小球分割。MISA ++实现比Python脚本快95倍,运行时间从大约3天减少到大约41分钟(见图2)。 4 a)。参见清单S11,R. Gerst,A.Medyukhina和M.T.Figge/SoftwareX 11(2020)1004055图三. 完整的肾脏LSFM数据集由数百个2D图像平面组成(a)。在放大的图像中可以看到标记的肾小球。图像增强对比度以便于观察。(b)MISA++肾小球分析工具的DAG结构。它由两个应用程序组成,一个负责分割肾脏组织,另一个应用程序仅负责分割肾小球。组织分割代码被分离到其自己的MISA++应用程序中。见图4。 MISA++、Python(Py)和Java实现之间的比较。(a)MISA++实现在所有三个测试用例中是最快的。Snakemake优化原始的基于Python的肾小球分割(Py*)仍然没有达到MISA++实现的速度。(b)观察到的读数分布差异的成对检验导致p值远高于5%的临界值参 数 文 件 。 我 们 更 新 了 最 初 的 基 于 Python 的 实 现 以 使 用Snakemake。这将运行时间减少到大约14小时,仍然比MISA++慢21倍。所有实施方案之间的特征读数分布显著相等(见图1)。4b和表S3)。我们发现肾小球直径的差异最多为0的情况。42 µ m ± 0. 27µ m(参见图S4和S5),这远低于体素大小为4的图像分辨率。063微米× 4。063微米×5微米。细胞分割和去卷积。我们在补充材料中更详细地描述了算法。我们的MISA++实现在这两个任务中都是最快的。标准化去卷积图像与原始图像之间的细胞计数分布以及Wasserstein距离分布均显著相等。单一操作基准。MISA++在8个测试的常见图像处理操作中的5个操作中更快,详见补充材料第3.4节(见图S8)。应用Bootstrap4. 影响和结论我们的框架可以用来大大提高现有方法的性能。例如,我们的对抗试验量化算法(ACAQ)的ImageJ此外,集成自定义和第三方数据类型的功能还允许图像分割以外的应用,例如我们的迁移和相互作用跟踪算法(AMIT)的实现,该算法通过活细胞成像监测相互作用的细胞系统的动态[20MISA++框架通过标准化开发和与C++程序的交互,将C++的高性能与易于使用的应用程序相结合。开发人员可以使用我们的标准化组件进行并行化、处理第三方数据类型和定量结果、样本和算法参数、创建命令行界面以及模块化到多个应用程序和软件库中。我们的标准化和强大的JSON接口允许任何第三方程序轻松地与任何MISA++应用程序交互我们在OpenCV和OME TIFF集成中展示了我们的框架功能,我们的ImageJ插件可以为任何MISA++应用程序自动生成图形用户界面,我们的算法的高性能重新实现可以在LSFM数据中分割肾小球通过使用我们的框架,可以大大减少分析数据集的时间:在用户友好但性能低下的软件中开发的高级JSON接口允许这些易于使用的工具和C++应用程序之间的完全自动化交互,以进行进一步的数据评估。竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作6R. Gerst,A.Medyukhina和M.T.Figge/SoftwareX 11(2020)100405供资这项工作得到了国际莱布尼茨研究所的支持。耶拿微生物和生物分子相互作用学院。作 者 感 谢 Sina Coldewey ( Septomics Research Center , JenaUniversity Hospital , Jena , Germany ) 和 Matthias Gunzer( InstituteforExperimentalImmunologyandImaging ,University Hospital Essen,Germany)提供LSFM图像。作者还要感谢Hanno Schoeler 和Axel A 。Brakhage(LeibnizInstitute for Natural Product Research and Infection Biology - HansKnöll Institute,Jena,Germany),提供吞噬作用试验的图像附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.softx.2020.100405上找到。引用[1]布拉德斯基湾openCV库。Dr. Dobb[2]Yoo TS , Ackerman MJ , Lorensen WE , Schroeder W , Chalana V ,Aylward S,et al. Engineering and algorithm design for an image processingAPI:atechnical report on ITK-the insight toolkit.种马健康技术通报2002;586-92。[3]杨文伟,李文伟. Halide:一种用于优化图像处理管道中的并行性、局部性和重新计算的语言和编译器。In:ACM sigplan notices,vol. 48岁,不。六、ACM; 2013,p.519-30[4]Rueden CT,Schindelin J,Hiner MC,DeZonia BE,Walter AE,Arena ET等 人 , ImageJ2 : ImageJ for the next generation of scientific image data.BMCBioinform2017;18(1):529.[5]De Chaumont F , Dallongeville S , Chenouard N , Hervé N , Pop S ,Provoost T,et al. Icy:an open bioimage informatics platform for extendedreproductiveresearch. Nat Methods2012;9(7):690.[6]Berthold MR,Cebron N,Dill F,Gabriel TR,Kötter T,Meinl T,et al.KNIME:The konstanz information miner.在:研究分类,数据分析和知识组织。Springer;2007.[7]Sommer C,Straehle C,Koethe U,Hamprecht FA. Ilastik:交互式学习和细分工具包。生物医学成像:从纳米到宏观,2011年 IEEE国际研讨会。IEEE;2011,p.230-3[8]Carpenter AE,Jones TR,Lamprecht MR,Clarke C,Kang IH,FrimanO,et al. CellProfiler:用于识别和定量细胞表型的图像分析软件。GenomeBiol2006;7(10):R100.[9][10] Belevich I,Joensuu M,Kumar D,Vihinen H,Jokitalo E.显微图像浏览器:多维数据集分割和分析平台。PLoS Biol 2016;14(1). e1002340。[10]Haase R,Royer LA,Steinbach P,Schmidt D,Dibrov A,Schmidt U,et al.CLIJ:GPU加速图像处理。Nat Methods 2019;1[11]Goldberg IG,Allan C,Burel J-M,Creager D,Falconi A,Hochheiser H,et开 放 显微镜环境(OME)数据模型和XML文件:用于生物成像中的信息学和定量分析的开放工具。Genome Biol2005;6(5):R47.[12][10] Linkert M,Rueden CT, Allan C,Burel J-M,Moore W,PattersonA,et al. 元数据很重要:在现实世界中访问图像数据。J Cell Biol2010;189(5):777-82.[13]Klingberg A,Hasenberg A,Ludwig-Portugall I,Medyukhina A,MännL , Brenzel A , et al. Fully automated evaluation of total glomerularnumberandcapillarytuftsizeinnephritickidneysusinglightsheetmicroscopy. JAm Soc Nephrol2017;28(2):452-9。[14]Dennhardt S,Pirschel W,Wissuwa B,Daniel C,Gunzer F,Lindig S,etal. Modeling hemolytic-uremic syndrome : in depth characterizationofdistinct murine models reflecting different features of human disease.Front Immunol2018;9:1459.[15]Kraibooj K,Schoeler H,Svensson C-M,Brakhage AA,Figge MT.用一种新的图像分析算法自动定量测定烟曲霉分生孢子的吞噬作用。《前沿微生物学》2015;6:549。[16]Köster J,Rahmann S.一个可扩展的生物信息学工作流引擎。生物信息学2012;28(19):2520-2.[17] van der Walt S , Schönberger JL , Nunez-Iglesias J , Boulogne F ,Warner JD,Yager N,et al.scikit-image的贡献者,scikit-image:Python中的图像处理PeerJ 2014;2.e453。http://dx.doi.org/10.7717/peerj.453网站。[18][10] 杨 伟 , 杨 伟 , 杨 伟 . ImgLib 2-Java 中 的 通 用 图 像 处 理 。Bioinformatics2012;28(22):3009-11.[19]Cseresnyes Z,Kraibooj K,Figge MT. 宿主-病原体对抗测定的基于Hessian的定量图像分析。细胞计数A部分2018;93(3):346-56。[20]Brandes S,Mokhtari Z,Essig F,Hüniger K,Kurzai O,Figge MT.多形核中性粒细胞延时显微镜视频中非刚性物体的自动分割和跟踪。Med ImageAnal2015;20(1):34-51.[21]Brandes S,Dietrich S,Hüniger K,Kurzai O,Figge MT. 用于吞噬细胞-病原体对抗试验定量分析的迁移和相互作用追踪。Med Image Anal2017;36:172-83.[22]Al-Zaben N , Medyukhina A , Dietrich S , Marolda A , Hünniger K ,Kurzai O , et al. Automated tracking of label-free cells with enhancedrecognition ofwhole tracks. Sci Rep2019;9(1):3317。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 李兴华Java基础教程:从入门到精通
- U盘与硬盘启动安装教程:从菜鸟到专家
- C++面试宝典:动态内存管理与继承解析
- C++ STL源码深度解析:专家级剖析与关键技术
- C/C++调用DOS命令实战指南
- 神经网络补偿的多传感器航迹融合技术
- GIS中的大地坐标系与椭球体解析
- 海思Hi3515 H.264编解码处理器用户手册
- Oracle基础练习题与解答
- 谷歌地球3D建筑筛选新流程详解
- CFO与CIO携手:数据管理与企业增值的战略
- Eclipse IDE基础教程:从入门到精通
- Shell脚本专家宝典:全面学习与资源指南
- Tomcat安装指南:附带JDK配置步骤
- NA3003A电子水准仪数据格式解析与转换研究
- 自动化专业英语词汇精华:必备术语集锦
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功