徠卡顯微鏡全自動跟蹤葉綠體的伊樂藻葉細胞4D圖像資料
移動的三維結構在活細胞中的全自動化跟蹤代表❣❦❧♡۵，是典型生物的圖像數據的分析幾個挑戰✺ϟ☇♤♧♡♢♠♣♥。 以從活伊樂藻葉片細胞葉綠體4D圖像數據作為一個例子ⓊⓋⓌⓍⓎⓏⓐⓑⓒⓓⓔⓕⓖⓗⓘⓙ，我們展示新的方法來應對這些挑戰（圖1）㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉。 葉綠體是令人驚訝的動態的細胞器：它們廣泛地移動整個細胞⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾，它們經常分割或保險絲ⓣⓤⓥⓦⓧⓨⓩ，其形狀變化而不斷☾☽❄☃。 葉綠體動態的更詳細的了解需要葉綠體販運❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，分裂和融合的可靠量化❣❦❧♡۵。 我們使用SP5共聚焦顯微鏡（Leica Microsystems CMS GmbH）與雙通道圖像伊樂活葉細胞㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉。 自動熒光用于跟蹤葉綠體和細胞壁是由反射檢測☧☬☸✡♁✙♆。，、＇：∶；。
圖1：原來的4D數據堆棧（左圖）和三維重建單一時間點（右圖）的代表性部分㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉。葉綠體顯示為綠色♦☜☞☝✍☚☛☟✌✽✾✿❁❃，在細胞壁中的紅色或暗綠色ⓣⓤⓥⓦⓧⓨⓩ。
方法
*個挑戰是信號從葉綠體和背景噪音始發之間的可靠分離✺ϟ☇♤♧♡♢♠♣♥。 Autoadaptive策略被用來計算適當的閾值㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂。 第二個挑戰是個人葉綠體的檢測和從緊鄰的其他葉綠體的分離ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ。 我們發現潛在的葉綠體種子和聘請當地的閾值和形狀的標準ⓊⓋⓌⓍⓎⓏⓐⓑⓒⓓⓔⓕⓖⓗⓘⓙ，同時保持它們與相鄰的葉綠體種子分離（圖2）㈠㈡㈢㈣㈤㈥㈦，依次種植這些種子①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯。
圖2：被代表的中間步驟的思想探析☧☬☸✡♁✙♆。，、＇：∶；，以說明主要策略ⒺⒻⒼⒽⒾⒿⓀⓁⓂⓃⓄⓅⓆⓇⓈⓉ。
葉綠體在3D檢測ⒺⒻⒼⒽⒾⒿⓀⓁⓂⓃⓄⓅⓆⓇⓈⓉ，使體積測量和形狀參數的評估✺ϟ☇♤♧♡♢♠♣♥。 第三個挑戰是葉綠體中隨時間的跟蹤✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴。 個別葉綠體需要遵循整個4D數據ⒺⒻⒼⒽⒾⒿⓀⓁⓂⓃⓄⓅⓆⓇⓈⓉ，以便設置為從緊密的空間接近度葉綠體⒃⒄⒅⒆⒇⒈⒉⒊⒋⒌⒍⒎⒏⒐⒑⒒⒓，在下一時間幀鄰居之間的形態相似性☾☽❄☃，并依次增加的搜索范圍ⓣⓤⓥⓦⓧⓨⓩ，以確保*佳的連接（圖3）ⓚⓛⓜⓝⓞⓟⓠⓡⓢ。
圖3：插圖choroplast跟蹤的方法❣❦❧♡۵。 葉綠體在接下來的時間內聯系到自己*親近的neigbour⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾。 的搜索范圍被連續地增加♦☜☞☝✍☚☛☟✌✽✾✿❁❃。
結論
我們表明㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂，從4D圖像數據在伊樂藻葉片細胞葉綠體的全自動跟蹤是可能使用Definiens的網絡認知技術①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯。 我們有信心ⓊⓋⓌⓍⓎⓏⓐⓑⓒⓓⓔⓕⓖⓗⓘⓙ，我們采用的策略是很容易適用于許多其他生物圖像分析任務♦☜☞☝✍☚☛☟✌✽✾✿❁❃。