Bildanalyse von GFP-markierten Proteinlokalisierungsausbrüchen

Ja, die Hough-Transformation ist eine Möglichkeit, Formen auszuwählen, an denen Sie interessiert sind. In diesem Fall ist sie wahrscheinlich so eingestellt, dass sie Kreise findet, und sie verwenden dies, um das Bild zu segmentieren.

Ich denke, dass Sie ihre Methoden richtig interpretiert haben. Für jede Zelle machen sie eine Spur der Lokalisierungsbewertung über der Zeit, wobei die Lokalisierungsbewertung in willkürlichen Einheiten als die Differenz zwischen dem Mittelwert der fünf hellsten Pixel und dem Mittelwert der verbleibenden Pixel in der Zelle definiert ist. Ich denke, die niedrigsten 20 % beziehen sich auf die Frames im Video, die die niedrigsten 20 % der Lokalisierungswerte aufweisen. Sie nehmen die niedrigsten 20 % der Lokalisierungswerte, berechnen eine Standardabweichung, und dann sagen Sie für jeden Frame, der einen Lokalisierungswert hat, der mehr als 1 Standardabweichung über dem Mittelwert dieser 20 % liegt, dass dieser Frame einen Lokalisierungsschub aufweist. Wenn ich das richtig verstehe, würde sich dieser Vorgang bei jeder einzelnen Zelle wiederholen.

Meine Interpretation ist, dass die 20% nichts mit der Signalintensität der Hintergrundpixel zu tun haben und aus der Analyse der Serie im Laufe der Zeit stammen, nicht eines einzelnen Bildes.

Ich weiß nicht viel über Signalverarbeitung, aber ich kenne mich ein wenig mit künstlicher Intelligenz aus. Vielleicht wäre dieses Wiki hilfreich http://en.wikipedia.org/wiki/Image_segmentation . Ich bin mit dem dort diskutierten k-Means-Clustering vertraut, und als triviale Segmentierungsmethode würde es tatsächlich die Zelle gegenüber dem Hintergrund des Fotos identifizieren. Die Hough-Transformation wäre ausgefeilter und wahrscheinlich nützlicher für diese Anwendung, aber wenn Sie ein Gefühl für den Prozess bekommen möchten, kann der naive k-Means-Algorithmus hilfreich sein.

Ich interpretiere die "niedrigsten 20 % der Werte" so, dass sie sich auf die Lokalisierungsbewertungswerte beziehen, wobei die niedrigsten diejenigen sind, die in Ihrem Bild am dunkelsten sind. Das heißt, der Hintergrund, auf dem die Zelle abgebildet wird. Das Hintergrundrauschen bezieht sich auf die Tatsache, dass ein Signalverarbeitungsalgorithmus ohne jegliche Vorverarbeitung versuchen kann, Muster aus dem Hintergrund des Bildes zu identifizieren, anstatt aus dem Gegenstand der Zelle, was der Teil ist, den die Forscher suchen. Deshalb führen sie die Segmentierung durch.

Stellen Sie sich zum Beispiel einen k-nächsten-Nachbarn-Algorithmus http://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm vor , um einen "Lokalisierungswert" für die Bildhelligkeit zu berechnen. Ihre Arbeit interessiert sich für die Intensität von GFP für eine Zelle. Im Bild haben Pixel am Rand der Zelle mit ihrem Hintergrund aufgrund des Hintergrunds künstlich niedrige Score-Werte: Die benachbarten Pixel, die sich im Hintergrund befinden und nicht Teil der Zelle sind, sind dunkel, aber das bedeutet nichts zur Biologie des Problems. Das ist das Geräusch.

Die niedrigsten 20 % der Werte sollten sich also auf ein einzelnes Bild beziehen, nicht auf eine Serie im Laufe der Zeit.