Análisis de Partículas Recuento Automático de Partículas El recuento automático de partículas puede realizarse si la imagen no tiene demasiadas partículas individuales tocando. El conteo manual de partículas se puede hacer usando la Herramienta de Puntos Múltiples. Segmentación. O la capacidad de distinguir un objeto de su fondo, puede ser una cuestión difícil de tratar. Una vez hecho esto, el objeto puede entonces ser analizado. Umbral RAW Análisis de cuencas analíticasParticulares Determinación de um umbral 5.1.1.1 Umbral manual El análisis automático de partículas requiere una imagen binaria, en blanco y negro. Se establece un rango de umbral para indicar los objetos de interés aparte del fondo. Todos los píxeles de la imagen cuyos valores se encuentran debajo del umbral se convierten en negro y todos los píxeles con valores por encima del umbral se convierten en blanco o viceversa. Hay varias maneras de establecer umbrales. Las imágenes monocromáticas se marcan simplemente mediante el umbral de ajuste de imagen del menú. El umbral se puede ajustar utilizando las barras deslizantes. Los píxeles dentro del rango de umbral se muestran en rojo. Cuando esté satisfecho con los valores de umbral, puede pulsar Aplicar. Esto aplicará permanentemente los valores de umbral y convertirá la imagen en binario. Tiene diferentes opciones para establecer un umbral manual. El menú desplegable configurado como Predeterminado le permite elegir entre las técnicas de umbral predeterminado y otras 15. El menú desplegable establecido en Rojo le permite elegir entre un esquema de color rojo sobre blanco, un esquema de color negro sobre blanco o un esquema de colores más y menos. La caja de fondo oscuro volverá el color de primer plano con el color de fondo. También puede optar por comprobar el cuadro Histograma de la pila para producir un histograma para toda una pila. Para las imágenes en color, la configuración del umbral se realiza con la secuencia de comandos Image Adjust Color Threshold. . La opción Método de umbral le permite elegir una técnica de umbral distinta de la predeterminada. La opción Color de umbral le permite elegir entre Rojo, Blanco, Negro o B W como el color de umbral. La opción de espacio de color le permite elegir entre HSB, RGB, Lab y YUV. El fondo de la imagen de umbral se puede hacer claro u oscuro. La imagen se puede convertir en una imagen binaria mediante el comando de menú Tipo de imagen de 8 bits. Hay muchos algoritmos que puede utilizar para calcular el umbral sin introducir sesgo de usuario. Una evaluación de más de 40 de estos se puede encontrar en este documento: Sezgin, M. Sankur, B. (2004), Encuesta sobre técnicas de umbral de imagen y evaluación de rendimiento cuantitativo. , Journal of Electronic imaging 13 (1). 146-168 (en Google Académico). Fiji tiene varios complementos encontrados en el menú Ajuste de imagen Umbral para el cálculo automático de un umbral de imagen. Estos incluyen el umbral de Otsu, el umbral máximo de entropía y el umbral de modelado de la mezcla. Para obtener una lista completa de los métodos disponibles con Fiji, consulte la sección Plugins ubicada en la sección Documentation en la pestaña Content en la parte superior de esta página. Separación de cuencas Los objetos superpuestos en una imagen binaria se pueden separar mediante el comando de menú Proceso Binary Watershed. Primero convierta la imagen en binario por umbral. Los píxeles negros se reemplazan entonces con píxeles grises de una intensidad proporcional a su distancia desde un píxel blanco. Los píxeles negros más cercanos al borde son más claros que los píxeles negros que son más centrales. Este es el mapa de distancia euclidiana (EDM) del área negra. A partir de esto se calculan los centros de los objetos. Estos son los puntos erosionados finales (UEPs) de cada área negra, lo que significa que son equidistantes de cada borde. Estos puntos se dilatan luego hasta que tocan otro píxel negro. Este punto de encuentro es donde se dibuja una línea divisoria de aguas. Analizar Partículas Para analizar las partículas en una imagen segmentada, utilice el comando de menú Analizar Analizar partículas. . Esto le proporcionará información sobre cada partícula en la imagen. Establezca el tamaño mínimo y el tamaño máximo del área de píxeles para excluir cualquier elemento que no sea un objeto de interés en la imagen. También se pueden seleccionar valores de redondez entre 0.0 y 1.0 para ayudar a excluir objetos no deseados. Seleccione la opción Mostrar: Esquemas para mostrar una imagen de los objetos detectados. El menú desplegable Mostrar también permite al usuario mostrar Nothing, Bare Outlines, Elipses, Máscaras, Máscaras de Contar, Superposición de Esquemas y Máscaras de Superposición. El usuario puede elegir si desea Mostrar resultados. Borrar los resultados. Resumir. Agregar a Administrador. Excluir en los bordes. Incluya agujeros. Se inicia el registro. Y / o exposición in situ. El análisis de partículas se puede automatizar a través de complementos o macros una vez que se ha determinado el valor umbral correcto y el rango de tamaño de partículas para sus objetos de interés. Nucleus Counter Este plugin automatiza muchos de los pasos discutidos anteriormente. Introduzca el rango de tamaños a contar Seleccione el método de umbral automático. Esto puede ser actual. Otsu. Máxima Entropía, Modelado de Mezcla o agrupación de k-means. Current utiliza el umbral que se ha establecido manualmente, véase más arriba. Realice una corrección de fondo. Utilice un filtro suave. Realizar una separación de la cuenca. Agregue las partículas al gestor de ROI. Diga sí a un resumen. Otras opciones se pueden agregar fácilmente a petición. El recuento, el área y el tamaño promedio se devuelven como una ventana de texto y las partículas esbozadas se superponen en un duplicado de la imagen original. Puede utilizar la Herramienta multipunto integrada para contar las partículas manualmente. Particle Tracker Particle Tracker es un plugin de seguimiento de puntos de funcionalidad 2D para la detección y análisis automatizado de trayectorias de partículas tal como se registra mediante imágenes de video en biología celular. El algoritmo se describe en Sbalzarini y Koumoutsakos (2005 1). TrackMate Utilice el comando de menú Plugins Tracking TrackMate. Este complemento le permite realizar el seguimiento de partículas individuales de estructuras parecidas a puntos. Para obtener información más detallada, consulte el tutorial y la explicación de TrackMate. Seguimiento manual Utilice el comando de menú Plugins Tracking Tracking manual. Esta herramienta le permite realizar un seguimiento del movimiento de una celda. Diámetro de la nanofibra de la imagen, diámetro de la nanofibra de Fiji, diámetro nanofiber de Fiji, diámetro automatizado de la nanofibra, libre, fuente abierta, radio DiameterJ 1 es un sistema libre, de diámetro del nanofiber, Plugin de código abierto creado para ImageJ, ImageJ 2 y Fiji desarrollado en el Instituto Nacional de Estándares y Tecnología. DiameterJ es una herramienta de caracterización de diámetro de nanofibras validadas. DiameterJ es capaz de analizar una imagen y encontrar el diámetro de nanofibras o microfibras en cada píxel a lo largo de un eje de fibras y produce un histograma de estos diámetros. Se incluyen con este histograma estadísticas resumidas tales como el diámetro medio de la fibra y la mayor parte del diámetro de la fibra (modo). DiameterJ también agrupa OrientationJ 2 para un análisis completo de la orientación de las fibras dentro de una imagen, así como la función Analyze Particles incorporada en ImageJ / Fiji para analizar el espacio de poros dentro de los andamios y producir estadísticas de resumen para los poros. Descripción general del flujo de análisis DiameterJ - (Superior) Imagen SEM - transformación de distancia euclidiana estilizada. (Parte inferior) Algunos de los gráficos capaces de ser producidos a partir de datos dados por DiameterJ DiameterJ 1 es un proceso de dos pasos de análisis de imagen: Segmentación de imagen en una imagen binaria (píxeles en blanco y negro solamente) Dieciséis algoritmos de segmentación por defecto se han incluido con DiameterJ En el SRM de segmento y los complementos mixtos de segmento. Sin embargo, estos algoritmos pueden no funcionar para todas las imágenes SEM. Si el usuario no está satisfecho con los resultados de los algoritmos de segmentación (es decir, las imágenes en blanco y negro no producen una representación precisa de la imagen original), entonces DiameterJ seguirá trabajando con cualquier imagen binaria que haya sido segmentada por otros medios. Análisis de la imagen segmentada Todas las medidas dadas por DiameterJ están en píxeles por defecto DiameterJ ha sido validado con más de 130 imágenes digitales creadas en silico y con imágenes de microscopio electrónico de barrido de hilos de referencia con diámetros conocidos. - Fibras que son menores de 10px o mayores de 10 de la dimensión más pequeña de la imagen producen 10 o mayor error - Por ahora DiameterJ sólo analiza. tif, jpeg, png. Bmp y. gif - Las fibras deben tener menos de 512px de diámetro para ser analizadas Si desea citar a DiameterJ en su trabajo, la información de la citación se puede encontrar aquí o utilice el siguiente: Citation / Reference Information Hotaling NA, Bharti K, Kriel H, Simon Jr. CG. DiameterJ: Una herramienta de medición de diámetro de nanofibra de código abierto validada. Biomaterials 2015 61: 327 38. doi: 10.1016 / j. biomaterials.2015.05.015. Enlace de descarga Cómo funciona DiameterJ Diagrama del código DiameterJ El objetivo general del algoritmo DiameterJ 1 era poder analizar una imagen SEM de 8 bits de cualquier resolución utilizando un ordenador de escritorio en menos de 60 segundos. Para obtener un diagrama de bloques y una descripción general de cómo el algoritmo DiameterJ analiza el diámetro de la fibra y otras propiedades del andamio ver más abajo. Las micrografías SEM de segmentación se segmentaron por primera vez usando una variedad de técnicas de umbral disponibles en ImageJ / Fiji. Tanto el SRM de segmento como los complementos de segmento mixto son inclusiones automáticas de otros algoritmos de segmentación. Específicamente, hemos descubierto que para las imágenes SEM de nanofibras el algoritmo de fusión estadística 3 desarrollado por Johannes Schindelin hace un gran trabajo de mezcla de fibras a través de su diámetro y profundidad para crear grandes representaciones de las fibras cuando están segmentadas. Además, usamos algoritmos de segmentación más convencionales desarrollados por Otsu 4. Huang 5. Kittler (error mínimo) 6. Doyle (percentil) 7. O Zack (triángulo) 8 Después de la segmentación, todas las imágenes presentaban ruido y características morfológicas restantes que se suavizaron según los protocolos delineados por D Amore 9 y Gonzalez 10. Brevemente, se realizaron sucesivas rondas de eliminación de ruido (mediante el comando de desespaciado de ImageJ) hasta que no se encontró ningún cambio en la imagen. La erosión (a través del comando de erosión de ImageJs y la dilatación (mediante el comando de dilatación de ImageJs), y una erosión final (mediante el comando de erosión de ImageJs), las operaciones sirvieron para refinar la imagen, resaltando los bordes de fibra y eliminando áreas de píxeles aisladas. Mejorar la precisión de las determinaciones de la línea central de acuerdo con el método desarrollado por Lam et al 11. Diámetro Super Píxel Después de la segmentación de la imagen se sumaron los píxeles blancos para el área total de fibra en cada imagen. Se calcularon entonces dos líneas centrales diferentes para la imagen, Uno usando un algoritmo de adelgazamiento axial desarrollado por Zhang y Suen 12 (comando Skeletonize en ImageJ) y el otro utilizando un tessellation Voronoi 13 (comando Voronoi en Image J.) El algoritmo de dilución axial es muy sensible a los cambios en la superficie de la fibra que da lugar a ramas a Áreas que no eran necesariamente nuevas fibras. El algoritmo de Voronoi esencialmente maximiza la distancia entre los clústeres de píxeles negros discretos y por lo tanto es completamente insensible a la morfología de la fibra. A continuación se promedió la longitud de cada línea central y se dividió el área total de fibras por el promedio de las longitudes de línea central de Voronoi y de desbaste axial. Las dos longitudes de la línea central se promediaron sobre la base de los resultados del análisis de las imágenes sintéticas digitales y el hallazgo de que un método sobreestimó consistentemente la longitud de la fibra mientras que el otro subestimó consistentemente la longitud de la fibra. El nombre de Super Pixel fue elegido porque el área de fibra, en píxeles, fue dividida por las longitudes de la línea central, en píxeles, produciendo así un valor sin unidad equivalente al diámetro medio de la fibra. Este valor es, por lo tanto, una unidad de píxeles transformada y es equivalente al diámetro medio de la fibra bajo el supuesto de que las fibras son rectángulos largos sólo cuando se segmentan en formas 2D. Después de su cálculo inicial, el cálculo del diámetro se refinó posteriormente mediante corrección de intersección. La corrección de intersección se realizó tomando la longitud media de la línea central y restando un valor de radio (obtenido a partir de la primera aproximación del diámetro determinado sin corrección de intersección) para cada intersección de tres puntos y un valor de diámetro (obtenido a partir de la primera aproximación) para cada cuatro Punto de intersección de las fibras. Las intersecciones de cada línea central se encontraron utilizando el algoritmo desarrollado por Argana-Carreras et al. 14. A continuación se calculó un nuevo diámetro utilizando la nueva longitud corregida y el área total de fibra y este proceso se realizó en bucle hasta que el diámetro convergió a 1/1000 de un píxel. Además, se ahorró el número de intersecciones y se calculó la densidad de intersección (ID) para un área de 100 píxeles x 100 píxeles (10 4) dividiendo el número total de intersecciones por el área total (en píxeles) de la imagen y multiplicando por 10 4.. La longitud característica (CL) de las fibras se definió como la longitud media de la fibra entre intersecciones y se calculó dividiendo la longitud total de la línea central por el número de intersecciones:. La longitud de la línea central se calculó como el promedio de las líneas centrales de desbaste axial y de mosaico de Voronoi. Histograma de diámetro de fibra Histograma de radio producido por DiameterJ Para obtener la distribución de diámetros de fibra se transformó la imagen segmentada con un algoritmo de transformación de distancia Euclidiana 15 (comando Mapa de Distancia en ImageJ). Este algoritmo toma un píxel de fibra y encuentra la distancia al agujero de malla ortogonal más cercano usando la raíz cuadrada de la suma del cuadrado de las distancias verticales y horizontales al agujero y luego transforma el píxel de fibra en un valor de escala de grises igual a esa distancia . La imagen resultante es una imagen en escala de grises en lugar de en blanco y negro. La línea central calculada mediante el algoritmo de adelgazamiento axial anterior se superpone a continuación sobre la imagen transformada a distancia. En cada intersección de la línea central se encuentra el valor de escala de grises y los valores de los radios dentro de ese rango se restan de la línea central. Los valores de escala de grises bajo la línea central restante se obtienen y se multiplican por 2 para obtener el valor de todos los diámetros no en un área de intersección. El siguiente histograma de valores de escala de grises se encuentra y se coloca en un archivo. csv junto con el promedio general, la desviación estándar, la mediana y el modo de todos los valores de diámetro. La línea central sensible fue elegida porque era la opción más discriminante y, por tanto, tenía una mayor probabilidad de eliminar píxeles que tenían un valor mayor que el valor del radio real. Análisis de agujeros de malla Agujeros de malla medidos por DiámetroJ Las imágenes segmentadas sólo contienen píxeles en blanco y negro con píxeles negros que representan píxeles de fondo y píxeles blancos que representan fibras. Los píxeles negros se analizaron mediante el comando Analizar Partículas en ImageJ. Este algoritmo esencialmente encuentra clústeres discretos de píxeles negros, cuenta el número de píxeles en cada grupo y luego informa su área. Las unidades de píxeles se seleccionaron para el análisis de partículas, así como una circularidad de 0,00 - 1,00, la opción para excluir clústeres que tocan el borde también se eligió. El posterior análisis de partículas se guardó posteriormente para producir un histograma de agujero de malla, el área de agujero de malla media (producido por el promedio de todas las áreas de agrupamiento) y el porcentaje de agujero de malla (producido tomando el número total de píxeles negros y dividiéndolo por la resolución total de la imagen ). Orientación de la fibra La orientación de la fibra se determinó usando un plug-in bien establecido para ImageJ denominado OrientationJ 2. Para determinar la orientación de la fibra se utilizó un algoritmo de dilución axial y luego se amplió la línea central en 2 píxeles (utilizando el comando Ampliar en ImageJ) para asegurar la medida exacta de la línea. Dentro de OrientationJ se utilizó un gradiente de Fourier con una ventana gaussiana de 7 píxeles. El siguiente histograma de frecuencia de la orientación de la fibra se guardó entonces como una imagen. La orientaciónJ limita el acceso a los datos brutos de este histograma, por lo tanto, si el usuario desea los datos sin procesar, debe utilizar el complemento OrientationJ Distribution. En la versión Fiji de DiameterJ, el plugin Directionality 16, escrito por Jean-Yves Tinevez, también se puede utilizar para obtener los datos de distribución en bruto. Este enfoque es considerablemente más lento y menos elegante (las ventanas emergentes permanecen abiertas) que OrientationJ, pero por ahora es la única manera de obtener los datos de orientación sin procesar en lote. Cómo usar DiameterJ Instrucciones generales para el usuario Se ha desarrollado un entrenamiento profundo para usar DiameterJ. En total, la capacitación se dividió en 7 documentos descritos a continuación. Recomendamos ir a través de la formación de forma lineal, pero siéntase libre de mezclar y combinar como sus necesidades requieren. Cómo instalar y usar DiameterJ: DiameterJ Segmentación La segmentación de imagen es el proceso de convertir una imagen en una representación binaria de la imagen, donde los píxeles blancos representan las porciones de la imagen original que desea medir y los píxeles negros representan el fondo Que no le gustaría medir. Cómo segmentar imágenes usando DiameterJ: Hay un total de 24 algoritmos diferentes que se pueden utilizar para segmentar imágenes incluidas con DiameterJ. Siéntase libre de usarlos todos o ninguno de ellos. DiameterJ 1.XXX puede analizar cualquier imagen en blanco y negro (binario) y por lo tanto los usuarios no necesitan usar los algoritmos de segmentación incluidos para segmentar sus imágenes si no lo desean. DiameterJ Análisis Las imágenes analizadas DEBEN ser fibras blancas sobre un fondo negro. Si tienes fibras negras sobre un fondo blanco invierte la imagen para analizarla con DiameterJ. Nota sobre el análisis Las métricas contenidas en la carpeta Total Summaries son medias globales de diámetro y pueden ser fácilmente sesgadas si el histograma de diámetro analizado tiene una distribución no normal ( Es decir picos múltiples, ruido significativo que conduce o que arrastra desde el pico, etc.). Se recomienda encarecidamente realizar un ajuste máximo del histograma de diámetro para obtener una medida más precisa si la imagen del histograma de radio (mostrada en la carpeta Histogramas) muestra una distribución no normal o varios picos. Transformación de distancia de píxeles a unidades Consulte el enlace de uso general e instalación anterior para obtener una explicación detallada de cómo hacerlo. DiámetroJ Salida Resúmenes Carpeta Una imagen de montaje con cuatro imágenes en ella Imagen superior izquierda - Imagen segmentada original Imagen de la esquina superior derecha determinada por el algoritmo de teselación Voronoi Imagen inferior izquierda - Imagen de todas las líneas centrales contadas en el histograma superpuesto en el Euclidean Distancia transformada de las fibras fibras. Las líneas amarillas son los lugares donde se contaron los radios Las fibras están en escala de grises como se transforman mediante la transformación de la distancia euclidiana Imagen inferior derecha - Pores encontrados y analizados por Diameterj Una imagen con la frecuencia de orientación de la línea central de todas las fibras. Limitaciones Debido a limitaciones matemáticas, las fibras que son menores de 10px o mayores de 10 de la dimensión más pequeña de la imagen producen errores que están por encima de 10 y por lo tanto se considera demasiado alto para medición precisa. Esto se debe a que en diámetros pequeños (menos de 10 píxeles) un solo error de píxel puede causar 10 errores en la medición. Mientras que con las fibras grandes (más de 10 de la dimensión más pequeña de la imagen) los efectos de muestreo y bordes bajos de las fibras se convierten en un factor dominante en la distribución del diámetro. Esta limitación se puede superar alterando su aumento al tomar la imagen para hacer las fibras más pequeñas / más grandes según sea apropiado. Debido a razones algorítmicas, las fibras que tienen un diámetro mayor que 512 px no pueden ser analizadas por DiameterJ. En general, esto no es una preocupación si el investigador está tomando imágenes que no violen la primera limitación porque una imagen tendría que ser más de 5120 px en su dimensión más pequeña para que esta limitación les afecte. Sin embargo, con imágenes cosidas y con resoluciones de imagen ultra alta (36MP o superior) esto podría resultar ser un factor limitante. Se está trabajando para convertir la Transformada de Distancia Euclidiana en un algoritmo de 16 bits que puede analizar imágenes con fibras de 131,072 px o menos de diámetro. Las imágenes que tienen muchas fibras que se entrelazan o que se tocan y corren paralelas entre sí durante largas distancias en una imagen pueden producir picos errantes en Diametro. Esto se debe generalmente a la segmentación de estas imágenes que muestran una fibra más grande en lugar de muchas fibras más pequeñas agrupadas. Además, las imágenes en las que las fibras parciales corren a lo largo del borde de la imagen pueden hacer que DiameterJ muestre diámetros de fibra que son más pequeños que la fibra real. Por lo tanto, debe realizarse una comprobación de sentido común en todas las imágenes y al tomar imágenes el investigador debe tener cuidado de seleccionar áreas donde las fibras no se superponen y corren paralelas considerablemente o corren a lo largo del borde de la imagen. Una parte integral del análisis de DiameterJ es la segmentación de imágenes. Sin embargo, la forma en que una imagen se segmenta en primer plano o fondo puede alterar drásticamente las salidas producidas por DiameterJ que se enumeran a continuación: Índice de Orientación Normalizado Tamaño Promedio de Agujero de Malla Porcentaje de Porosidad Característica de Densidad Longitud de Fibra Histograma de Orientación de Fibra Esto se debe a que más fibras segmentadas de Una imagen cuanto mayor sea el tamaño del poro, menor será la densidad de intersección y mayor será la longitud característica de la fibra entre intersecciones. Además, la orientación de las fibras puede desplazarse porque la orientación de las fibras subyacentes puede ser diferente de las fibras que están más próximas a la capa superior. Así, mientras que los algoritmos que analizan estas métricas son capaces de producir resultados muy precisos sobre imágenes de calibración en imágenes segmentadas reales, el análisis depende enteramente del algoritmo de segmentación utilizado. Mientras que estos algoritmos se incorporaron en DiameterJ para proporcionar una forma de referencia para calcular estos valores, advertimos que a menos que se usen algoritmos de segmentación idénticos y ajustes de captura de imagen, los resultados de estos algoritmos no son comparables entre imágenes. El diámetro de la fibra es relativamente invariante a la segmentación porque una buena segmentación de la imagen conduce a no tener fibras parciales, sólo se incluyen menos fibras en la segmentación. Por lo tanto, aunque diferentes algoritmos de segmentación pueden producir un aumento o disminución del muestreo de fibra, la medida de diámetros de fibra dentro de cada segmentación es exacta. Desarrollar un algoritmo de segmentación que no tiene este problema en cualquier imagen es actualmente un tema de investigación pesada en el campo de análisis de imagen. Al analizar las imágenes con múltiples diámetros de fibra distintos se ha encontrado que DiameterJ representa la prevalencia de fibras de mayor diámetro en comparación con fibras más pequeñas. Este sesgo conduce a que los promedios ponderados sean inexactos y que los promedios globales de los diámetros de fibra estén sesgados hacia diámetros de fibra más pequeños. El sesgo se debe a la corrección / resta de intersección ya la mayor probabilidad de que las fibras más grandes tengan más intersecciones debido a su mayor tamaño. Esta limitación puede ser parcialmente superada por la corrección de intersección direccional de la intersección de fibra, que está actualmente en desarrollo. Sin embargo, esta limitación es inherente a todas las técnicas de análisis de imágenes bidimensionales y no puede eliminarse por completo, haciendo que los promedios ponderados del diámetro de la fibra sean ligeramente inexactos. Distinguir entre diámetros de fibra que están más cerca en el diámetro de 3 píxeles crea a menudo dificultades de la resolución para el ajuste máximo y la prevalencia de cada diámetro de la fibra puede ser sesgada. Esto tiene que ver con limitaciones inherentes debido al binario de píxeles de las líneas diagonales en las transformaciones distantes euclidianas. Esta limitación se puede superar aumentando la ampliación de su imagen para que las fibras con diámetros diferentes tengan más de 3 píxeles de diferencia entre ellos. Instalación Si ha instalado imageJ antes de finales de 2013, debe desinstalar la versión actual de ImageJ (NO ACTUALIZAR) y volver a instalar ImageJ 1.48 o posterior. Antes de desinstalar asegúrese de copiar todos sus plugins antiguos en una carpeta separada ya que estos se eliminarán cuando desinstale su versión antigua de ImageJ. Recomendamos ImageJ sobre Fiji si no tienes experiencia con ninguno de los programas porque es más fácil de usar. Descargue y descomprima los archivos DiameterJ (Buscar en la fuente anterior) y mueva o copie las tres carpetas en la carpeta de complementos de ImageJ. Esto debería estar en el directorio: C: Archivos de programa ImageJ plugins O C: Archivos de programa (x86) ImageJ plugins DiameterJ funcionará con versiones x86 (32 bits) o x64 (64 bits) de Java / ImageJ Aquí para la instalación de ImageJ / Fiji en OSX Descargue y descomprima los archivos DiameterJ (Busque en el archivo en el cuadro Información arriba) Mueva o copie las tres carpetas en la carpeta de complementos del directorio donde ha colocado ImageJ. Q: Cuando se ejecuta cualquiera de los algoritmos de segmentación, se produce un error que indica el comando No reconocido: Umbral automático o Comando no reconocido: Umbral automático. R: Has instalado la versión incorrecta de DiameterJ en tu versión de ImageJ / Fiji. Fiji da el umbral de Auto .. error y significa que ha instalado ImageJ s plugin en Fiji. ImageJ da el error umbral automático y significa que ha instalado la versión de software de Fiji en ImageJ0. Descargue e instale la versión correcta de DiameterJ para la pieza de software que está utilizando. P: Cuando comienzo ImageJ o Fiji por primera vez después de instalar DiameterJ consigo error de configuración de Plugin: C:. Comando duplicado: XXXX (ya en AAAA) Donde. Es el directorio donde se encuentra su complemento, XXXX es el nombre del complemento y YYYY es el nombre del directorio donde ya está. R: Tiene duplicados plugins Vaya al archivo donde descomprimió DiameterJ y sus otros complementos abra la carpeta DiameterJ, OrientationJ o Analyze Skeleton 2D - 3D y elimine el archivo llamado XXXX P: Cuando ejecuto DiameterJ se produce un error que dice Unrecognized Command : Skeleton Intersections o Unrecognized Command: OrientationJ o Unrecognized Comando: Analyze Skeleton (2D / 3D) o Unrecognized Command: Statistical Region Fusión A: Durante la instalación se ha perdido uno o más de los complementos que se necesitan para DiameterJ. Por favor, vuelva al archivo zip que ha descargado para DiameterJ y copie todos los archivos en la carpeta de plugins de ImageJ / Fiji Q: Cuando ejecuto DiameterJ ocurre un error que dice Unrecognized Command: AAAA donde AAAA es cualquier comando no listado arriba. R: Probablemente utilice una versión de ImageJ que se actualizó a la versión 1.48 o posterior y no creó una nueva instalación de ImageJ. DiameterJ utiliza varios plugins / scripts que ImageJ no incluye en sus actualizaciones, solo los incluyen en instalaciones nuevas. Por lo tanto, debe desinstalar ImageJ y volver a instalar una nueva versión 1.48 o posterior. Recuerde guardar una copia de los complementos que ha agregado a ImageJ antes de desinstalarlo, estos se perderán durante el proceso de desinstalación a menos que guarde una copia en otra ubicación en su computadora. P: Cuando ejecuto DiameterJ aparece un error en el registro que dice Error no hay fibras en BBBB. tif para analizar. R: Las imágenes que están en la carpeta que ha seleccionado no son imágenes binarias (en blanco y negro) o la imagen es completamente negra. Segmente por favor su imagen antes de intentar analizarla con DiameterJ y después mueva la imagen segmentada en una carpeta separada con solamente las imágenes blancas y negras en ella. P: No se produce ningún error, pero cuando le pido al segmento XXX o DiameterJ que analice una carpeta en la que tengo imágenes, no se produce salida por segmento XXX / DiameterJ. R: La imagen probablemente no es un archivo. tif. Por ahora DiameterJ sólo analiza las imágenes. tif. Por favor, guarde sus imágenes como archivos. tif y luego analizar con DiameterJ Q: DiameterJ sigue dándome un error en un archivo y no seguirá en el siguiente archivo A: Lamentablemente DiameterJ va en serie a través de archivos y no es capaz de saltar un archivo con un error. Simplemente elimine el archivo que está dando el error de la carpeta que desea analizar y vuelva a ejecutar DiameterJ. P: Ninguna de las imágenes que estoy analizando se está segmentando bien con sus algoritmos, por qué no A: Los algoritmos incluidos por defecto con DiameterJ dependen en gran medida de la uniformidad del color de la fibra y / o un fondo oscuro. A continuación se presentan cuatro buenos ejemplos y cuatro ejemplos que funcionan mal para la segmentación de imágenes con los algoritmos predeterminados. Tenga en cuenta que hay muchos más algoritmos de segmentación que he incluido con DiameterJ en Fiji e ImageJ. Consulte las secciones Herramientas complementarias o Segmentación de imágenes de este trabajo para ver algunas de las opciones disponibles. DiameterJ 1 funciona con varios complementos de ImageJ / Fiji. En primer lugar Orientación. Además, otras grandes herramientas que hemos incorporado son la función AnalyzeSkeleton de Ignacio Arganda-Carreras, así como las Intersecciones Esqueleto del plugin de morfología de Gabriel Landini. También nos gustaría darle un gran agradecimiento al algoritmo de fusión estadística que hace que nuestras segmentaciones funcionen mucho mejor. Hablando de eso, incluimos una gran cantidad de algoritmos de segmentación que no somos casi tan talentosos como para desarrollarnos. En particular, las técnicas descritas anteriormente en la sección Segmentación de este artículo y se pueden encontrar en los enlaces a continuación. También queremos decir que DiameterJ juega muy bien con la salida de cualquier otro algoritmo de segmentación que produce una imagen binaria. Fiji tiene una tonelada de algoritmos de segmentación que son grandes para diferentes tipos de imágenes. Además, se han creado muchos complementos para su uso en ImageJ o Fiji: IJ Plugins Auto Threshold y Auto Local Threshold. Si nuestros valores predeterminados no funcionan, pruebe con alguno de estos. Por último, nos gustaría animar a todos a hacer el pico de ajuste de los histogramas de diámetro que produce DiameterJ. Para ello se puede utilizar cualquier herramienta de ajuste de picos. Un recurso gratuito para Windows es Fityk sin embargo, no recomendamos ningún software en particular. Reducir el sesgo de la corrección de la intersección del histograma mediante la sustracción direccional de las intersecciones de las fibras en lugar de la sustracción de la manta dentro de un radio de intersección dado, incorporación de algoritmos gaussianos de ajuste del pico dentro de DiameterJ mismo. Actualmente estamos trabajando en una aplicación nativa JAVA en DiameterJ. Esto no cambiará fundamentalmente la función de DiameterJ sin embargo, lo hará más rápido, se verá más limpio y debería resolver problemas de continuidad. Calculadora de transición de distancia euclídea de 16 bits Habilitar DiameterJ para saltar al siguiente archivo si se produce un error durante el análisis Combine los tres diferentes Optar. Medida .
No comments:
Post a Comment