Долгота — это угол от нулевого меридиана в Гринвиче, Англия, до центра Земли, затем на запад до долготы Беллингема, штат Вашингтон.Широта — это угол, образованный от экватора до центра Земли, затем на север до широты Беллингема, штат Вашингтон.

Если поверхность Земли в Беллингеме выпуклая, угловые измерения в десятичных градусах от Гринвича и экватора станут немного больше. Если поверхность в Беллингеме будет понижена, углы станут немного меньше. Это два примера того, как координаты меняются в зависимости от датума.

Связанные темы

Ошибка разрыва связи

Приборная панель

GISC1311.880SP

Перейти к содержанию Приборная панель

• Авторизоваться

• Приборная панель

• Календарь

• Входящие

• История

• Помощь

Закрывать
• Мой Dashboard
• GISC1311. 880СП
Весна 2015
• Home
• Syllabus
• Assignments
• Modules
• Quizzes
• Pages
• Files
• Collaborations
• i> clicker
• Office 365
• StudyMate
Google Course.com / 7 Онлайн-репетиторство

К сожалению, вы обнаружили неработающую ссылку!

3d — эллипсоид, но не совсем

Edit: Это доказательство неверно, и предложенный ответ неверен.2 $$ поскольку $ P $ лежит на $ E $. $ \ blacksquare $

Утверждение 2: Q лежит на $ E ‘$.

Доказательство: Запишите $ Q $ как $$ Q = ((1+ \ tfrac {\ epsilon} a) x_0, (1+ \ tfrac {\ epsilon} b) y_0, (1+ \ tfrac {\ epsilon} в) z_0) $$ $$ = \ left ((a + \ epsilon) \ tfrac {x_0} a, (b + \ epsilon) \ tfrac {y_0} b, (c + \ epsilon) \ tfrac {z_0} c \ right) $$

Тогда $ Q $ удовлетворяет уравнению $ (2) $, потому что $ P $ удовлетворяет уравнению $ (1) $, поскольку по условию $ P $ лежит на $ E $. $ \ blacksquare $

Утверждение 3: $ Q $ лежит на прямой к $ E $ в точке $ P $.

Доказательство: Принимая во внимание $ (1) $ как $ F (x, y, z) = 1 $, мы можем сформировать вектор градиента $ \ nabla F (x_0, y_0, z_0) = (2x_0 / a, 2y_0 / b, 2z_0 / c) $, что нормально к $ E $ в $ (x_0, y_0, z_0) $. Таким образом, уравнение прямой к $ E $ при $ P $ равно

.

$$ (x, y, z) = (x_0, y_0, z_0) + t (\ tfrac {x_0} a, \ tfrac {y_0} b, \ tfrac {z_0} c) $$ что может быть написано $$ (x, y, z) = \ left ((1+ \ tfrac ta) x_0, (1+ \ tfrac tb) y_0, (1+ \ tfrac tc) z_0 \ right) $$

Взяв $ t = \ epsilon $, мы восстанавливаем $ Q $, поэтому $ Q $ лежит на этой прямой.$ \ blacksquare $

Утверждения 1, 2 и 3 вместе показывают, что $ E ‘$ получается утолщением $ E $ на единицы $ \ epsilon $. Каждая точка на $ E $ перемещается наружу на единицы $ \ epsilon $ по нормали в этой точке, образуя $ E ‘$. Это завершает наше доказательство.

Модель сегментации эллипсоида

для анализа стопок конфокальных трехмерных изображений с ослабленным светом флуоресцентных многоклеточных сфероидов

Abstract

В онкологии двумерные модели культивирования in vitro являются стандартными испытательными площадками для открытия и разработки методов лечения рака, но в последние десятилетия появились доказательства того, что такие модели имеют низкую прогностическую ценность с точки зрения клинической эффективности. Поэтому они все чаще дополняются более физиологически релевантными 3D-моделями, такими как культуры сфероидных микроопухолей. Если применяются подходящие флуоресцентные метки, наборы конфокальных трехмерных изображений могут характеризовать структуру таких объемных культур и, например, пролиферацию клеток. Однако ряд проблем мешают точному анализу. В частности, ослабление сигнала в ткани сфероидов не позволяет получить полное изображение сфероидов диаметром более 100 микрометров.А количественный анализ больших наборов данных 3D-изображений является сложной задачей, вызывая потребность в методах, которые можно было бы применять в крупномасштабных экспериментах и ​​учитывать препятствующие факторы. Мы представляем надежный, недорогой в вычислительном отношении метод 2.5D для сегментации сфероидных культур и для подсчета пролиферирующих клеток в них. Предполагается, что сфероиды имеют форму приблизительно эллипсоида. Они идентифицируются на основе информации, представленной в проекции максимальной интенсивности (MIP) и соответствующей проекции высоты, также известной как Z-буфер. Он предупреждает пользователя, когда потенциальные факторы, вносящие смещение, не могут быть компенсированы, и включает компенсацию затухания сигнала.

Образец цитирования: Barbier M, Jaensch S, Cornelissen F, Vidic S, Gjerde K, de Hoogt R, et al. (2016) Модель эллипсоидной сегментации для анализа ослабленных светом трехмерных конфокальных стеков изображений флуоресцентных многоклеточных сфероидов. PLoS ONE 11 (6): e0156942. https://doi.org/10.1371/journal.pone.0156942

Редактор: Томас Абрахам, Государственный медицинский колледж Херши штата Пенсильвания, СОЕДИНЕННЫЕ ШТАТЫ

Поступила: 4 сентября 2015 г .; Одобрена: 23 мая 2016 г .; Опубликовано: 15 июня 2016 г.

Авторские права: © 2016 Barbier et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Файл S1 доступен в качестве вспомогательной информации. Описанные файлы Data_3, Data_4, Data_5 и Data_6 доступны в репозитории данных Dryad (doi: 10.5061 / dryad.0m9n7).

Финансирование: авторов MB, SJ, FC, RH, RG, EG и YTC были профинансированы фармацевтическими компаниями Janssen из Johnson & Johnson.Авторы SV и KG были поддержаны совместным предприятием Innovative Medicines Initiative в рамках Соглашения о гранте № 115188, ресурсы которого состоят из финансового вклада Седьмой рамочной программы Европейского Союза (FP7 / 2007–2013) и взносов натурой от Европейской Федерации. фармацевтических производств и ассоциаций. Спонсоры предоставили авторам поддержку в виде заработной платы, но не сыграли никакой дополнительной роли в дизайне исследования, сборе и анализе данных, решении опубликовать или подготовке рукописи.Конкретные роли этих авторов сформулированы в разделе «Авторский вклад».

Конкурирующие интересы: У авторов этой рукописи есть следующие конкурирующие интересы: MB, SJ, FC, RH, RG, EG и YTC были сотрудниками Janssen Pharmaceutical Companies of Johnson & Johnson. Авторы подтверждают, что это не влияет на их приверженность всем политикам PLOS ONE в отношении обмена данными и материалами.

Введение

Успешность открытия и разработки лекарств в онкологии составляет всего 6% [1].Традиционные модели, используемые для тестирования онкологических препаратов, представляют собой однослойные культуры опухолевых клеток, выращенные на стеклянных и пластиковых подложках. Эти модели сильно отличаются от поведения солидной опухоли in vivo. Для сравнения, считается, что 3D-культуры более точно имитируют микроокружение опухоли [2], поскольку они допускают более сложные взаимодействия между раком и стромальными клетками и подвергают клетки воздействию более реалистичных механических сил. Исследования продемонстрировали важные различия в профилях транскрипции [3] и лекарственной чувствительности [4-8] между 2D и 3D системами клеточных культур.Недавний обзор см. В [9]. Консорциум PREDECT нацелен на проверку различных трехмерных моделей клеточных культур путем сравнения их гистологии и экспрессии белка с результатами, обнаруженными в образцах пациентов [10].

Важной категорией таких моделей являются сфероидные микроопухоли, выращенные в матриксе, таком как Matrigel ^® , с присутствием поддерживающих стромальных клеток или без них. Обычно раковые клетки высевают во внеклеточный матрикс в каждую лунку микротитровального планшета, и со временем развиваются множественные сфероиды разных размеров.Эти трехмерные многоклеточные сфероидные модели более точно отражают градиенты питательных веществ, кислорода и лекарств, которые могут быть обнаружены в опухоли, воспроизводя гипоксические, пролиферативные, апоптотические и некротические области [11, 12]. Подходящие красители или антитела могут быть применены для обнаружения этих областей / процессов, но точная количественная оценка пространственного распределения в трехмерном сфероиде по отношению к размеру сфероида является сложной задачей.

Значительные качественные различия могут быть обнаружены визуальной оценкой микрофотографий.Но точная и воспроизводимая количественная оценка статистически значимых различий требует автоматизированного анализа изображений, особенно в крупномасштабных исследованиях. Чтобы извлечь всю пространственную информацию из трехмерного образца, необходимо применить анализ трехмерного изображения, но это дорогостоящий процесс. Более того, разрешение изображения намного хуже в осевом направлении, поэтому получение информации ограничено, если рассматривать ось z как эквивалентную другим. Чтобы обойти это, многие методы применяют гибридную форму, известную как 2.5D анализ [13, 14]. Обычно двухмерная проекция, которая сама по себе жертвует всей информацией о глубине, сочетается с методом извлечения и хранения ограниченного количества информации о глубине. Чтобы получить значимую информацию из анализа изображений 2.5D, эти методы должны включать допущения, позволяющие экстраполяцию обратно в трех измерениях. Ортогональная проверка с использованием независимо генерируемой «основной истины» необходима для гарантии того, что анализ в достаточной степени представляет исходный набор данных.

Для точного выделения количественных характеристик в качестве отправной точки требуются изображения адекватного качества. Получение таких наборов данных трехмерного изображения осложняется рядом проблем, которые менее важны или отсутствуют в настройке 2D. К ним относятся сферические и хроматические аберрации (которые для ограниченной толщины образца обычно корректируются в конструкции объектива), плохое осевое разрешение, фотообесцвечивание и фототоксичность при длительном сборе данных, а также поглощение и рассеяние света, приводящие к ослаблению сигнала в глубине образца.В этой статье мы сосредоточимся на том, как устранить экспериментальные ошибки, связанные с ослаблением света.

Во многих приложениях можно уменьшить влияние ослабления света. Образцы тканей можно очистить химическим способом перед визуализацией с помощью монтажных сред, таких как SeeDB [15], Clarity [16], ClearT [17] или Scale [18]. Поскольку эффекты рассеяния света уменьшаются на более длинных волнах, качество изображения значительно улучшается за счет многофотонной микроскопии, в которой используется возбуждающий инфракрасный свет, проникающий глубже в ткань [19]. Флуоресцентная микроскопия со световым слоем уменьшает влияние ослабления света за счет освещения и измерения образца под разными углами [20, 21]. Однако большинство этих технологий несовместимо со средней и высокой производительностью экспериментов на сотнях или тысячах образцов. В настоящее время их необходимо выполнять с использованием стандартных формирователей изображений с высоким содержанием контента и микротитровальных планшетов. Это ограничивает возможности конфокальной микроскопии с вращающимся диском, использование дальних красных красителей и применение программных методов для коррекции ослабления света после сбора данных [22, 23].

Доступны разнообразные инструменты для анализа флуоресцентных изображений трехмерных сфероидных культур, такие как количественная оценка используемых здесь маркеров пролиферации. Инструменты анализа изображений общего назначения включают как коммерчески доступные пакеты, например Imaris (Bitplane AG, Швейцария, http://bitplane.com) и Volocity (PerkinElmer, Inc. , США), так и свободно доступные программные инструменты с открытым исходным кодом, такие как FIJI. (ImageJ) [24] и ICY [25]. Более того, в контексте обнаружения многоклеточных сфероидов и флуоресцентных пятен существует множество инструментов, совместимых с высокопроизводительным анализом и предназначенных для конкретных задач: Amida (морфология сфероидов) [26], AnaSP (объем сфероидов) [13], MINS (ядерный сегментация) [27], CellSegm (общая сегментация) [28], интеллектуальная 3D-FISH (обнаружение пятен) [29] и goIFISH (обнаружение пятен) [30].Однако на сегодняшний день не существует инструмента анализа, который рассматривал бы затухание сфероидного сигнала и мог бы использоваться с высокой пропускной способностью. В этой статье представлен метод анализа изображений 2.5D для культур трехмерных сфероидов, подходящий для данных Z-стека, полученных с помощью конфокальных формирователей изображений с высоким содержанием. Наш метод сегментирует весь трехмерный сфероид и обнаруживает внутри него отдельные помеченные клетки. Эти клетки окрашиваются определенным маркером, например маркером пролиферации клеток, таким как EdU. Его удобно применять в экспериментах со средней производительностью для оценки роста раковых клеток в различных условиях культивирования и лечения.Производительность предлагаемого подхода сравнивается с простым методом 2D MIP-анализа и полным 3D-анализом, выполненным с помощью Bitplane Imaris.

Результаты и обсуждение

Предлагаемый метод анализа состоит из двух основных частей: сегментация раковых сфероидов и идентификация положительных клеток на основе флуоресцентного мечения, присутствующего во всех раковых клетках и специфическом маркере, соответственно. Оба они подробно описаны в следующих разделах. В нашем примере набора данных раковые клетки помечены RFP, а специфическим маркером является EdU, маркер пролиферирующих клеток, как подробно описано в разделе «Материалы и методы».Параметры и выходные характеристики метода приведены в таблицах 1 и 2.

Сегментация многоклеточных сфероидов

Первый шаг — это двухмерная сегментация сфероидов на проекциях максимальной интенсивности (MIP). Затем к сегментированным двумерным сфероидальным маскам добавляются эллипсы. Наконец, эти эллипсы экстраполируются на трехмерные эллипсоиды. Процедура предполагает, что стопки трехмерных изображений корректируются на неравномерное фоновое освещение, чтобы устранить любое систематическое смещение в представлении высоты фоновых пикселей, а расстояние между двумя последующими срезами (часто называемое z-шагом) должно быть меньше, чем средний диаметр ячейки.

2D сегментация.

На рис. 1 показаны концепции MIP и соответствующий вид в высоту. В каждой координате (x, y) мы получаем максимальное значение интенсивности и координату z соответствующего воксела. Для базовой сегментации сфероидов, которая проиллюстрирована на рис. 2, мы сначала выбираем локально однородные области с высоты (показано на 2 (b)) [31]. Такие области соответствуют пикселям объекта (сфероида), в то время как фоновые пиксели имеют тенденцию быть более случайными по координате z.Путем применения фильтра диапазона, который вычисляет для каждого пикселя максимальную разность яркости соседних пикселей в пределах радиуса r _{диапазона} , получается мера локальной неоднородности, как показано на Фиг. 2 (C). На рис. 2 (E) показана гистограмма разностей высот на рис. 2 (C), что указывает на то, что большое количество пикселей при более низких значениях принадлежит сфероидальным областям. Применение порогового значения max _z-range к изображению на фиг. 2 (C), значение, определяемое протяженностью первого пика в гистограмме, приводит к отделению объектов от фона.Наконец, результирующие объекты переднего плана идентифицируются с помощью маркировки связанных компонентов. Другой порог min _MIP , определяемый средним значением фоновой интенсивности MIP, применяется к средней интенсивности каждого объекта в MIP, чтобы гарантировать, что обнаруженные объекты имеют ожидаемую минимальную интенсивность флуоресценции, характерную для сфероидов. Применение такого порога предотвращает обнаружение ложных объектов.

Рис. 1. MIP и соответствующий вид по высоте.

Проекция с максимальной интенсивностью (MIP) и высота изображения показаны (ab), а для одной плоскости xz из изображения (c) указывается (красными / белыми квадратами), откуда произошли пиксели, то есть, какие координаты z дали наибольшую интенсивность. Соответствующие z-значения отображаются в виде высоты, а интенсивности пикселей отображаются в MIP. Когда два сфероида перекрываются в поперечном направлении, MIP покажет сфероид с наибольшей интенсивностью.

https://doi.org/10.1371/journal.pone.0156942.g001

Рис. 2. Сегментация сфероидов в 2D.

(a): часть проекционного изображения максимальной интенсивности канала RFP стека 3D-изображений, (b): соответствующий вид высоты, (c): после применения фильтра диапазона к виду высоты, что дает локальную дисперсию в z-глубина, где яркие (темные) пиксели указывают фоновые (сфероидные) области, (d): гистограмма (a), показывающая, что передний план не может четко различаться, (e): гистограмма (c), показывающая это разделение между передний план и задний план возможны.(f) после сегментации.

https://doi.org/10.1371/journal.pone.0156942.g002

Подгонка эллипсов к двумерным сфероидальным маскам.

Подгонка эллипсов к сфероидам, сегментированным в 2D, выполняется путем минимизации среднеквадратичной ошибки разницы с сегментированной 2D-маской. На этом этапе мы предполагаем, что эллиптические сфероиды проверены путем измерения округлости 2D-масок сегментации сфероидов. Сфероидные маски с низкой двумерной округлостью не имеют формы двумерного эллипса и не приведут к удовлетворительной подгонке трехмерного эллипсоида.Может быть несколько причин, помимо фактической неправильности формы сфероида, которые могут способствовать созданию неправильных 2D-масок. К ним относятся сфероиды, которые не полностью видны в MIP, потому что они скрыты другими более яркими сфероидами, и сфероиды, которые были неправильно сегментированы на этапе 2D сегментации, например, путем слияния двух сфероидов. Поскольку эти сфероиды могут привести к неправильной маске трехмерной сегментации, они отфильтровываются на основе их двумерной округлости.

Приближение трехмерного эллипсоида.

Затем трехмерный эллипсоид соответствует каждому из двумерных эллипсов. Применяя эту процедуру, мы предполагаем, что сфероид имеет эллипсоидальную форму, которая либо близка к сферической, либо удовлетворяет менее строгому условию, что две оси эллипсоида ориентированы в плоскости xy. Первый случай применим к сфероидам, культивируемым в однородной матрице, а второй случай может иметь место для сфероидных культур, засеянных в слое, зажатом между двумя матрицами.Поскольку мы предполагаем, что 3-я ось эллипсоида расположена вдоль оси z, необходимо оценить положение центра эллипсоида и длину 3-й оси. (X, y) -координаты центра эллипсоида в 3D предполагаются как (x, y) -координаты центра 2D-эллипса, координаты z центра и эллипсоида 3 ^rd Длина оси определяется профилем интенсивности вдоль вертикальной оси. На рис. 3 показаны полученные подобранные эллипсоиды для стека изображений трехмерной культуры сфероидов.Теперь также можно оценить объем сфероида.

Рис. 3. Подгонка трехмерных эллипсоидов.

(a) Сегментированные сфероиды в 2D, наложенные на MIP. (b-c) Эллипсоиды, подогнанные к маске сфероида на (a). Проекции центральных срезов сфероидов с (b) верха (плоскость xy) и (c) стороны (плоскость xz) показаны наложенными на подогнанные эллипсоиды.

https://doi. org/10.1371/journal.pone.0156942.g003

Определение анализируемой области эллипсоида.

Градиент интенсивности уменьшается от поверхности к центру сфероида. Следовательно, клетки могут быть идентифицированы неправильно. Эта проблема проиллюстрирована на рис. 4 (A), где xy- и xz-срезы через центр сфероида показывают типичное распределение интенсивности из-за ослабления сигнала. Обратите внимание, что сигнал канала EdU также снижается в нижних частях сфероида, что делает невозможным обнаружение положительных клеток EdU в этой области. Также обратите внимание, что ослабление сигнала из-за визуализации глубоких тканей — не единственная причина деторирования сигнала.При использовании, например, точечных сканирующих микроскопов, другие факторы, такие как фотообесцвечивание, также могут стать существенными.

Рис. 4. Затухание света в многоклеточных сфероидах.

(a) Вид сверху в плоскости xy сфероида с подогнанным эллипсоидом, где показаны каналы RFP (561 нм), Hoechst (405 нм) и EdU (640 нм). (б) Тот же сфероид, вид сбоку (плоскость xz). Сигнал от нижней части сфероида не обнаруживается (если предположить, что сфероид имеет эллипсоидальную форму).(c) Параметры сфероида, полученные из вертикальной кривой профиля RFP-сигнала через центр эллипсоида: верхняя координата z, максимальная интенсивность, анализируемая глубина (соответствует заданному пользователем минимальному проценту интенсивности).

https://doi.org/10.1371/journal.pone.0156942.g004

Поскольку все клетки в сфероидах несут стабильный флуоресцентный маркер (таким образом, предполагается, что он постоянный в пределах одного сфероида), их вертикальный профиль интенсивности через центр сфероид можно использовать как меру ослабления сигнала.Действительно, постепенное снижение стабильного сигнала маркера (в данном случае соответствующего сигналу RFP) с увеличением глубины в сфероидной ткани наблюдается на рис. 4 (C). Чтобы измерить максимальную глубину сфероида, до которой могут быть точно обнаружены положительные клетки, мы предполагаем, что ослабление конкретного флуоресцентного маркера сопоставимо с ослаблением стабильного маркера. Когда длины волн обоих каналов существенно не различаются, это разумное предположение. Учитывая заданное пользователем значение минимального процента интенсивности, которое должно сохраняться после ослабления сигнала, мы можем определить глубину анализируемой области сфероида (см. Раздел «Материалы и методы»).

Анализируемая глубина впоследствии сравнивается с вертикальным диаметром сфероида. Выявлены три различных случая (как показано на рис. S1):

1. Виден весь сфероид. На результаты не влияет ослабление света.
2. Видно более половины сфероида. Верхнее полушарие эллипсоида будет проанализировано, а результаты экстраполированы на нижнюю половину, предполагая аналогичные характеристики.
3. Видно менее половины сфероида.Сфероид не может быть проанализирован, потому что положительное количество клеток не может быть экстраполировано с поверхности сфероида на ядро, где, как ожидается, доступность кислорода и питательных веществ будет различной [11].

Поскольку только половина сфероида должна быть видна, предлагаемая нами процедура анализа расширяет окно размеров сфероидов, которые могут быть проанализированы, позволяя диаметрам быть примерно вдвое больше. Кроме того, будут идентифицированы сфероиды, которые слишком велики для полного анализа (например, случай 3), и их можно будет исключить из анализа образца.В случае, если необходимо исключить значительное количество сфероидов, предлагаемый анализ больше не подходит, и необходимо использовать другие типы анализа культур сфероидных клеток.

Проверка аппроксимации эллипсоида.

Для того, чтобы протестировать предложенный этап 2D сегментации, мы сравнили результаты автоматизированной и ручной 2D сегментации данных, оценив чувствительность обнаружения сфероидов и точность полученных контуров, как подробно описано в разделе «Материалы и технологии». Раздел «Методы».MIP 8 стопок изображений были вручную сегментированы, как описано в разделе «Материалы и методы», и мы обнаружили среднюю точность 0,911 ± 0,066 и чувствительность 0,928 в пределах 95% доверительного интервала [0,909, 0,944]. Чувствительность сильно зависит от порогового значения min _MIP , а также от того, относится ли сегментированный контур к категории сфероидов или шумов, особенно для сфероидов, средняя интенсивность которых близка к фоновой. На фиг. S2 (A) и S2 (B) мы построили график чувствительности и соотношения ложных срабатываний (FP) и их интервала оценки Уилсона как функции порога интенсивности min _MIP .Чувствительность уменьшается вместе с количеством ложных срабатываний с увеличением порога, поэтому при установке порогового значения необходимо учитывать определенный компромисс. S2 (C) и S2 (D) Фиг. Рис. Иллюстрируют среднюю интенсивность сфероида как функцию различных категорий, указывая на то, что контуры сфероида, классифицированные как ложноположительные (FP), обычно имеют низкую интенсивность. Точность контуров сегментации сфероидов, которые определены в GT как «хорошо разделенные сфероиды», значительно высока (точно совпадающий контур имеет точность, равную 1) и показывает, что неоднородность изображения высоты является допустимой. мера для сегментации этого типа клеточных культур.

Сфероиды, перекрывающиеся в MIP, не подходят для анализа (как показано на рис. 5 (A)). Поскольку ожидается, что округлость перекрывающихся сфероидов будет ниже, идентификация сфероидов с малым значением округлости позволит удалить большинство из этих объектов. Чтобы проверить, действительно ли существует корреляция между перекрытиями и округлостью сфероидов, округлость, определенная с помощью 2D-маски автоматической сегментации, была нанесена на график относительно различных классов GT, то есть хорошо разделенных сфероидов (красный), смежных сфероидов (голубой) и перекрывающиеся сфероиды (зеленые) на рис. 5 (B), где заметное уменьшение округлости можно наблюдать в перекрывающихся сфероидах (p ***).

Рис. 5. Проверка алгоритма сегментации эллипсоида.

(a-c) Классификация сфероидов, скрытых другими в данных GT, сравнивается с автоматической идентификацией этих сфероидов на основе округлости 2D-масок сфероидов. (а) иллюстрирует типичную ситуацию, когда форма двумерной маски сфероида не эллиптическая, потому что сфероид перекрывается с другим (более ярким), зеленая пунктирная линия показывает GT-контур сфероида, а сплошные контуры являются результатом автоматического сегментация. (b) показывает округлость сфероида, полученную в результате автоматической сегментации, как функцию класса сфероида в GT, где различные классы заданы рисунками на оси x, представляющими хорошо разделенные (красный), смежные (синий) или перекрывающиеся (темно-зеленые) сфероиды. (c) показывает процент правильно сегментированных пикселей с помощью автоматической сегментации как функцию округлости для класса хорошо разделенных (красный) и перекрывающихся (зеленый) сфероидов. (d) показывает сфероиды разных размеров, которые классифицируются в соответствии с их анализируемой областью: анализируется весь, более половины или менее половины сфероида (категория видимости).Над полосами отображается количество сфероидов для каждой категории видимости. Метки большой (синий), средний (красный) и маленький (зеленый) соответствуют сфероидам с количеством ячеек больше 200, от 50 до 200 и меньше 50 соответственно.

https://doi.org/10.1371/journal.pone.0156942.g005

Чтобы убедиться, что порог округлости удаляет перекрывающиеся сфероиды, была построена доля правильно сегментированных пикселей сфероидных масок как функция их округлости для каждого сфероида. и помечены ручной классификацией наземной истины на Рис. 5 (C).Корреляция между ними очень значима (p ***) с расчетным значением r = 0,70 и доверительным интервалом [0,64, 0,75]. MANOVA, примененный к данным, показывает, что распределения двух показанных классов сфероидов значительно различаются (p ***). Рисунок далее показывает, что применение порога округлости действительно удаляет большинство перекрывающихся сфероидов. В качестве нежелательного побочного эффекта этого фильтра были удалены некоторые хорошо разделенные, но неэллиптические структуры. Они могут представлять собой инвазивные сфероиды, а не компактные микропухоли, и исключаются из анализа.На фиг. S5 указано происхождение сфероидов, которые опущены из-за слишком низкой округлости. Для рассматриваемых наземных изображений было пропущено менее 20% сфероидов, в основном из-за того, что они были затемнены во время построения изображений.

Наконец, на рис. 5 (D), связь между размером сфероида и ослаблением света проиллюстрирована с использованием набора образцов, содержащего контроль и культуры, обработанные SOC (стандарт лечения), как описано в разделе «Материалы и методы». Как и в предыдущем разделе, сфероиды были разделены на группы по 100%, более 50% или менее 50% видимых сфероидов.В то время как стандартный метод анализа изображений 2D MIP может анализировать сфероиды только в первой категории 100% видимости, наш подход также позволяет количественно определять сфероиды, принадлежащие ко второй категории (> 50%), которая в данном случае содержит примерно 25% от общего числа сфероидов, как видно из подсчета сфероидов для каждой категории видимости.

Идентификация клеток, положительных по данному ядерному маркеру

Клетки, положительные по данному ядерному маркеру, обнаруживаются либо с помощью дорогостоящего в вычислительном отношении 3D, либо быстрого 2.Алгоритм 5D точечного обнаружения на основе MIP и высоты соответствующего флуоресцентного канала. Предполагается, что разрешения достаточно для разделения отдельных ядер, которые физически разделены цитоплазмой (как показано в S1 Movie). В обоих подходах маркерные положительные пятна обнаруживаются с использованием фильтра Лапласа гаусса (LoG) в масштабе ожидаемого размера ядра, который показывает координаты пятен на исходном изображении как локальные минимумы. Параметр максимального радиуса пятна устанавливается так, чтобы разрешить слияние нескольких локальных минимумов, возникающих в ядре, при сохранении различия между отдельными ядрами.Оптимальный масштаб для ожидаемого размера ядер определяется заранее с помощью 2D MIP. Общая суммарная интенсивность LoG MIP максимизируется за счет оптимизации параметра масштаба, от одной десятой максимального радиуса пятна до самого значения. Кривая общей суммарной интенсивности как функция параметра масштаба показана на S3 Fig. После этого пятна фильтруются на основе их интенсивности, с порогом, равным средней интенсивности сфероида в MIP (в результате получается один порог для каждого изображения). .В качестве примера результаты подхода показаны на панели (b) S3 Fig, где красные кружки представляют обнаруженные EdU-положительные клетки. Для алгоритма обнаружения пятна 2.5D исходный стек изображений заменяется его 2D MIP, а координата z пятна получается из обзора высоты.

Применение подхода к изучению распространения

Мы применили предложенный нами алгоритм для анализа изображений пролиферирующих клеток в трехмерных сфероидных культурах, продемонстрировав его эффективность на частично ослабленных стеках изображений. Это изображения культур клеток многоклеточного сфероидного рака простаты, обработанных в течение 17 дней цитотоксическим соединением (доцетаксел) или цитостатическим соединением (MDV-3100). Как показано на фиг. 6, опухолевые клетки были помечены RFP, стромальные клетки — GFP, а красители Hoechst и EdU были применены для идентификации ядер и пролиферирующих клеток соответственно. Анализировали объем сфероида и количество EdU-положительных клеток на сфероид. Объем и количество EdU-положительных клеток на сфероид в конечной точке эксперимента показаны для культуры раковых клеток PC346-c для обоих соединений (фиг. 7A и 7B).Под действием доцетаксела уменьшается как объем, так и количество EdU-положительных клеток на сфероид. Общее количество EdU-положительных клеток на объем изображения (четыре разных поля были отображены в лунке для образца), показанное на фиг. 7 (C), дополнительно указывает на то, что обработка доцетакселом снижает общее количество EdU-положительных клеток в культуре.

Рис. 6. Данные примера анализа распространения.

(а): Схема маркировки используемых клеток и красителей. (b-c): изображение трехмерной культуры раковых клеток in vitro, меченных / окрашенных EdU, RFP, GFP и Hoechst.Показана проекция максимальной интенсивности.

https://doi.org/10.1371/journal.pone.0156942.g006

Рис. 7. Сравнение предложенного метода анализа с базовым методом анализа 2D MIP.

Пролиферация культуры сфероидных клеток, количественно определенная с помощью EdU-положительных клеток, из трехмерной гомогенной сфероидной культуры, обработанной цитотоксическим соединением (доцетаксел, 1e-8 M) и цитостатическим соединением (MDV-3100, 1e-7 M). На (а) показан объем сфероида, а на (b) — количество EdU-положительных клеток на сфероид.В (c) показано общее количество положительных ячеек EdU на объем изображения, где размер точек представляет собой общее соотношение переднего плана / фона MIP стека изображений. В (d) сравнивается количество положительных клеток EdU, основанное как на предложенном, так и на методе анализа 2D MIP. Показана нормализованная разница в EdU-положительных клетках, взвешенная с объемом сфероида.

https://doi.org/10.1371/journal.pone.0156942.g007

Сравнение с результатами 2D-анализа.

Важное различие между нашим подходом и стандартным 2D MIP-анализом (как описано в разделе «Материалы и методы») заключается в том, что количество обнаруженных EdU-положительных клеток в большом сфероиде корректируется. Значимость этой разницы показана при сравнении двух подходов на графиках на рис. 7 (D). Как и ожидалось, значительная отличная от нуля разница между двумя подходами обнаружена в обработанных MDV культурах, представляющих культуру с более крупными сфероидами. Предлагаемый нами новый алгоритм корректирует сигналы, потерянные из-за ослабления света, в то время как небольшие сфероиды в основном приводят к тем же результатам.Таким образом, наш подход особенно полезен для сфероидных культур, содержащих изрядное количество более крупных сфероидов в культурах. В частности, это может привести к значительной разнице при сравнении двух образцов, содержащих разные средние размеры сфероидов, больших и малых, например, при визуализации культуры растущих сфероидов в разные моменты времени. Смещение в выборке больших сфероидов из 2D MIP-анализа может тогда привести к неточным выводам.

Сравнение с полным 3D-анализом.

Мы сравнили предложенный алгоритм с полным трехмерным анализом, выполненным в широко используемом коммерческом инструменте общего назначения Bitplane Imaris (Bitplane AG, Швейцария, http://bitplane.com). Мы сравнили обнаружение пролиферирующих клеток и вычисление объема совпадающих обнаруженных сфероидов. Из-за различий в алгоритмах сегментации перекрытие обнаруженных сфероидов составило 63%. В S4 (A) Fig сравниваются объемы обоих методов. Объем, полученный при полном трехмерном подходе, в среднем больше, чем в 2.5D подход для маленьких сфероидов, но меньший для больших сфероидов. На панели (b) это проиллюстрировано. Мы предполагаем, что из-за сегментации на основе интенсивности в Imaris очень маленькие сфероиды, как правило, кажутся вытянутыми вдоль z-направления из-за плохого z-разрешения, увеличивая общий объем, в то время как более крупные сфероиды, как правило, не полностью отображаются из-за ослабления сигнала. . Чтобы проверить эту гипотезу, мы изобразили сферичность сфероидов как функцию их объема на панели (c). Уменьшение подобранной кривой указывает на то, что более крупные сфероиды не сегментированы правильно.Чтобы проиллюстрировать влияние на анализ роста, мы наносим на график разницу между количеством положительных клеток EdU, полученными с помощью нашего подхода и Imaris. Этот график на панели (d) показывает, что для больших сфероидов (где категория видимости меньше 100%) наш подход приводит к большему количеству пятен, что соответствует коэффициенту корреляции (Спирмен), который был равен 0,26.

Чтобы продемонстрировать вычислительное преимущество использования подхода 2.5D, мы рассчитали время для обоих методов (на стандартной рабочей станции с процессором Intel ^® Core ™ i7-3920XM, работающим на скорости 2. 9 ГГц и 8 ГБ ОЗУ). Используемые стопки изображений имели размер 1024 x 1256 x 91 пиксель (использовались два 16-битных канала). В Imaris на сегментирование сфероидов и обнаружение пятен уходило в среднем 7 минут. Наш подход 2.5D выполнил это за 3 минуты, а при использовании упрощенного алгоритма обнаружения пятен (на основе MIP и обзора высоты) время сократилось до 1 минуты.

Материалы и методы

Стек изображений многоклеточной сфероидной культуры

Клеточные культуры, использованные для тестирования метода анализа, содержали клетки рака простаты человека LNCaP (ATCC, Роквилл, США) или клетки PC346c (линия клеток рака простаты, полученная из Медицинского центра Erasmus через консорциум PREDECT) и CAF-PF179T фибробласты, ассоциированные с раком человека (линия клеток, полученная из Института Вейцмана через консорциум PREDECT) [32], встроенные в Matrigel ^® (Corning # 356231, Lot # 3198769, сниженный фактор роста, без фенолового красного, концентрация: 4 мг / мл). Их суспендировали в матрице и засевали (10000 опухолевых клеток и 1000 стромальных клеток в 60 мкл / лунку) в 96-луночные планшеты (96-луночные черные микропланшеты для культивирования клеток из полистирола с дном μClear ^® ; Greiner, # 655090), которые были предварительно покрытый матрицей (30 мкл / лунку). Обработка культур цитотоксическим соединением (доцетакселом) или цитостатическим соединением (MDV-3100) начиналась на 6-й день, когда культуры находились в экспоненциальной фазе, и эксперимент завершался на 23-й день, когда необработанные культуры достигли стационарной фазы. .Раковые и стромальные клетки стабильно экспрессировали tRFP и eGFP соответственно. Перед визуализацией культуры клеток окрашивали 10 мкМ EdU в течение 2 часов (Click-iT EdU Alexa Fluor 647 HCS; Life Technologies) для обнаружения пролиферирующих клеток и Hoechst 33342 (8,1 мкМ, 30 мин) для мечения всех ядер, а затем фиксировали 4% формальдегид.

Пакеты микроскопических изображений многоклеточных сфероидных культур получали с помощью конфокального вращающегося дискового микроскопа Yokogawa CellVoyager 7000 (Wako Automation, Сан-Диего, США) с использованием UPLSAPO 10x / 0. 4 NA и расстояние между срезами в стопке по оси Z 10 мкм. Пары длина волны возбуждения-фильтр, используемые для каналов tRFP, eGFP, Hoechst и EdU, составляли 561 нм — BP 600/37, 488 нм — BP 522/35, 405 нм — BP 447/45 и 640 нм — BP 676/29. , соответственно.

Наземные изображения

Базовые данные были сгенерированы для трехмерных гомогенных многоклеточных сфероидных культур рака LNCaP путем ручного рисования двухмерной маски для каждого сфероида на MIP. Более того, каждый сфероид был отнесен к одному из случаев: (1) хорошо разделены, (2) перекрываются с более яркими сфероидами в MIP (что делает их неотделимыми), (3) перекрываются с менее яркими сфероидами в MIP (отображая их хорошо отделимы), (4) просто касаясь других сфероидов, и (5) касаясь границы 2D-проекции изображения.Маркировка проводилась с использованием плагина RoiManager в FIJI (ImageJ) [24], в результате чего контуры для случаев (1) — (5) были окрашены в красный, зеленый, пурпурный, голубой и синий цвета соответственно. Эти наземные данные использовались для проверки шага 2D сегментации алгоритма путем определения чувствительности и точности и представлены в файле S2.

Реализация алгоритмов анализа

Анализ стеков изображений проводился с использованием набора инструментов анализа изображений DIPimage (Технологический университет Делфта, Делфт, Нидерланды) для MATLAB ^® (выпуск 2014a, The MathWorks Inc., Натик, США). Алгоритмы доступны в виде пакета сценариев MATLAB в файле S1: исходный код алгоритмов анализа изображений, содержащий как код для генерации фигур, так и реализацию метода. Для запуска предоставленного кода требуется рабочая среда MATLAB с установленным набором инструментов DIPimage и следующие внешние библиотеки: набор инструментов биоформатов для MATLAB, JSONlab и ReadImageJROI. Реализация также доступна на GitHub: https://github.com/mbarbie1/ellipsoids-analysis-paper.мерзавец.

Статистический анализ

Статистический анализ был выполнен в R (https://www. r-project.org) с использованием RStudio IDE (https://www.rstudio.com). Данные были проверены на нормальность с использованием теста Шапиро-Уилкса, значимость была получена с использованием T-критерия Велча и непараметрического U-критерия Манна-Уитни для ненормальных распределений. Чтобы сравнить многомерные распределения, например данные для размера сфероида и количества пролиферирующих клеток применяли MANOVA. Во всех таких случаях сравнивались только две группы, поэтому приближение F-статистики сводится к статистике T-квадрата Хотеллинга.Значимости были обозначены как *: p <0,05, **: p <0,01 и ***: p <0,001.

Расчет параметров трехмерной аппроксимации эллипсоида

Координата z центра и длина вертикальной оси выводятся из пикселей исходного 3D-изображения. Z-координата центра эллипсоида определяется как среднее значение z-координат внешнего края маски 2D сегментации. Чтобы получить длину вертикальной полуоси эллипсоида, мы рассматриваем окрестность, которая содержит 8 ближайших соседних пикселей центра эллипса ( x _c , y _c ) в xy- плоскость и достаточный диапазон (в 2 раза превышающий наибольший диаметр D эллипса) в направлении z:

Усреднение по этой окрестности дает профиль I (z) через центроид маски сегментации двумерного сфероида (см. Рис. 4 (C)).Координата z вершины сфероида (которая меньше всего страдает от ослабления света) определяется из кривой профиля как координата z над центром сфероида, где кривизна становится нулевой (точка перегиба). Когда двумерная маска рассматриваемого сфероида имеет площадь ниже определенного порогового значения min _{, радиус} , вышеупомянутый подход не используется; вместо этого длина вертикальной оси аппроксимируется средней длиной осей эллипса в плоскости.

Характеристика затухания сигнала в сфероидах

Глубина, до которой сфероид поддается анализу, ограничена ослаблением сигнала в ткани сфероида.Мы вычисляем максимальную глубину (координату z) в сфероиде, для которой определенный пользователем процент интенсивности все еще сохраняется после ослабления сигнала. Чтобы получить эту глубину, мы предполагаем, что: (1) флуоресцентное окрашивание опухолевых клеток является постоянным внутри каждого сфероида, (2) коэффициенты рассеяния и поглощения, определяющие ослабление сигнала, постоянны внутри сфероидной ткани и равны нулю снаружи, и (3) ) значения интенсивности первого среза сфероида не имеют затухания.

Ожидается, что затухание сигнала будет наибольшим в (x, y) -центре эллипсоида для каждой координаты z. Следовательно, вертикальный профиль интенсивности через центр эллипсоида используется для характеристики затухания сигнала. Профили интенсивности I ( z ) определяются, как описано в предыдущем разделе (см. Рис. 4 (C)). Обычно они имеют крутой наклон к одному максимуму I _max = max _z I ( z ) около вершины сфероида, за которым следует снижение интенсивности.Мы рассматриваем I _max как интенсивность без затухания, а процент, оставшийся после затухания, определяется как P _att ( z ) = 100 I ( z ) / I _max . Определенный пользователем порог для минимального сохраняемого процента P _min приводит к диапазону [ z _max , z _{анализируемому} ], для которого P _att ( z )> P _мин действителен. Анализируемая глубина сфероида определяется как расстояние между первой z-координатой сфероида и z _{анализируемым} .

Другие методы анализа, использованные для сравнения

Для сравнения использовались 2D MIP-анализ, а также полный 3D-анализ. Оба подхода подробно описаны ниже.

Базовый метод анализа 2D MIP.

Для 2D-анализа распространения в тестовых данных был применен следующий подход к анализу изображений: аналогично предложенному алгоритму была получена 2D-маска сегментации MIP канала RFP, после чего положительные клетки EdU были идентифицированы с помощью 2D-изображения. Алгоритм точечного обнаружения выполняется на канале EdU.Но в отличие от предложенного анализа, все EdU-положительные клетки в 2D-областях сфероидальных масок считаются принадлежащими соответствующим сфероидам, и не предпринималось никаких попыток коррекции ослабления сигнала.

Рабочий процесс полного трехмерного анализа на основе Imaris.

Анализ изображений был проведен с использованием функции выделения клеток из ImarisCell, компонента Bitplane Imaris (v8. 1.2, Bitplane AG, Швейцария, http://bitplane.com), где «сфероиды и пролиферирующие клетки» переводятся как « клетки и клеточные везикулы ».Сфероиды были сегментированы с помощью инструмента для извлечения поверхности, и были извлечены морфологические особенности поверхностей сфероидов. Пролиферирующие клетки выявляли с помощью прибора для точечного обнаружения. Впоследствии обнаруженные поверхности и пятна были импортированы в модуль анализа клеток для определения границ сфероидов и пролиферирующих клеток. Наконец, были экспортированы характеристики, относящиеся к расположению сфероидов и количеству пролиферирующих клеток. В заключение отметим, что, хотя существует метод коррекции ослабления для однородного ослабления сигнала (через модуль Imaris ImarisXT), наши сфероидные культуры в значительной степени неоднородны, и этот метод нельзя применять.

Чувствительность и точность маски 2D сегментации

Чтобы количественно оценить отклонение автоматизированной сегментированной маски от наземного истинного изображения, мы сравниваем области двухмерного сегментированного изображения R _GT = { M _j } исходного изображения с областями R _A = { m _i }, найдено с помощью автоматической сегментации. Для каждой области M _j мы ищем соответствующую область m _i , которая перекрывается с M _j более чем на 50%.Области M _i , для которых не найдена соответствующая область, считаются ложноотрицательными (FN), в то время как области m _i не принадлежат области наземной истинности M _j ложные срабатывания (FP). Чувствительность определяется соотношением: TP / (TP + FN), где TP означает истинные положительные результаты. Ошибка чувствительности определяется доверительным интервалом, определенным Уилсоном, так называемым интервалом оценки Уилсона [33].

Для истинно положительных результатов (сегментированные области м _i , которые принадлежат области наземной истинности в соответствии с вышеуказанным критерием) точность сегментации может быть определена количественно путем назначения штрафа, определяемого тем, насколько близки контуры двух областей. . Это делается следующим образом: расстояние пикселей областей м _i \ M _j (включая все пиксели из м _i , не принадлежащие M _j ) и M _j \ m _i , от контура области M _j рассчитывается, используя расстояние изображения (в мкм) контурной маски M _j , которая взвешивает вклад ошибок неправильно классифицированных пикселей.Сигмоидальная функция f ( x ) = 1 / {1 + exp [- k ( x — x ₀ )]} с x ₀ = 1,5 мкм и k = 2 мкм. ^-1 применяется к этому расстоянию, так что очень маленькие ошибки в контуре сфероида мало влияют на оценку ошибки, но большие ошибки имеют постоянный вес. Затем пиксели суммируются и нормализуются путем деления на площадь целевой области. Результирующий штраф e _i близок к нулю для почти перекрывающихся сфероидальных масок, а точность сфероидальной маски m _i может быть определена как 1 — e _i .

Дополнительная информация

S1 Рис. Взаимосвязь между категориями видимости и размером сфероида.

Слева направо показаны сфероиды уменьшающихся размеров как представители различных категорий видимости: измерить можно менее половины сфероида, более половины или весь сфероид. Показаны срезы xy и xz через середину сфероидов, наложенные белыми пунктирными контурами эллипсоидов (которые были подогнаны вручную). В плоскостях xz нарисованный вручную тонкий пунктирный контур показывает приблизительную границу анализируемой области сфероидов.По мере уменьшения размера сфероида функция рассеяния точки (PSF) конфокального микроскопа приводит к искажению сферической формы.

https://doi.org/10.1371/journal. pone.0156942.s001

(TIF)

S2 Рис. Зависимость чувствительности сегментации от порога интенсивности min

_MIP.

(a-b) Зависимость чувствительности, отношения FP / P и их 95% доверительного интервала (Wilson) от порога, установленного для средней интенсивности сегментированных сфероидов (мин. _MIP ).(c) Показывает среднюю интенсивность каждого сфероида как функцию их категории сегментации: истинные положительные результаты (красный), ложные срабатывания (зеленый), сфероиды, пропущенные при сегментации (синий), маски сегментации, объединяющие несколько сфероидов в GT (пурпурный), и сфероиды, которые обнаруживаются как множественные маски сфероидов (коричневые). (d) Представляет количество сфероидов для каждой из категорий.

https://doi.org/10.1371/journal.pone.0156942.s002

(TIF)

S3 Рис. Обнаружение пятен в пространстве шкалы.

Шаги обнаружения пятна показаны на примере стека изображений в файле Data_3, который доступен от Dryad (doi: 10. 5061 / dryad.0m9n7). (a) показывает общую сумму интенсивности пикселей MIP-изображения, отфильтрованного LoG, как функцию параметра гауссова масштаба σ (параметр сглаживания). Значение σ, которое максимизирует общую сумму яркости пикселей (отрицательного LoG), представляет собой оптимальный масштаб σ для обнаружения пятна. (b) показывает визуальное сравнение результатов обнаружения пятна, происходящего из подхода 3D LoG, используемого в нашем подходе (красные кружки), и обнаружения трехмерного пятна, рассчитанного с использованием Bitplane Imaris (синие кружки).

https://doi.org/10.1371/journal.pone.0156942.s003

(TIF)

S4 Рис. Сравнение предложенного метода анализа с подходом к анализу в полном 3D (с использованием Bitplane Imaris).

(a) полученный объем сфероида как для полного трехмерного метода (синие точки), так и для нашего подхода (красные точки) показан для соответствующих сфероидов. (b) отношение объема, полученного от Imaris, к объему, полученному с помощью нашего подхода, вместе с линейной аппроксимацией данных. На панели (c) сферичность сферических поверхностей, полученных в Imaris, представлена ​​как функция объема.Здесь получается нелинейная аппроксимация. (d) разность количества пролиферирующих клеток, полученная с помощью нашего подхода, с теми, что получены в Imaris, нанесены на график, где цвета соответствуют категории видимости: 100% (красные точки) и> 50% (зеленые точки). Для этих образцов не было сфероидов с видимостью <50%.

https://doi.org/10.1371/journal.pone.0156942.s004

(TIF)

S5 Рис. Сфероиды опущены при аппроксимации эллипсоида из-за неоднородности формы.

Процент сфероидов, которые опущены из-за низкой округлости, классифицируются на сфероиды несферической формы, затемненные сфероиды или сфероиды с неправильной сегментацией. В качестве набора данных используются изображения наземной достоверности из файла Data_4, который доступен от Dryad (doi: 10.5061 / dryad.0m9n7).

https://doi.org/10.1371/journal.pone.0156942.s005

(PNG)

S2 Файл.

2D наземная правда.

Это zip-файл, содержащий вручную сегментированные 2D-маски с метками наземных истинных данных (соответствующие стеки 3D-изображений можно найти в файле Data_4, который доступен в Dryad (doi: 10.5061 / дриада.0м9н7)). Раковые сфероиды (LNCaP) подразделяются на пять различных классов: (1) хорошо разделенные, (2) перекрывающиеся с более яркими сфероидами в MIP (делая их неотделимыми), (3) перекрывающиеся с менее яркими сфероидами в MIP (визуализация он хорошо разделяется), (4) просто касаясь других сфероидов, и (5) касаясь границы двухмерной проекции изображения. Открытие изображений в FIJI (ImageJ) с помощью ROI Manager позволяет визуально проверять данные.

https://doi.org/10.1371 / journal.pone.0156942.s007

(ZIP)

S1 Фильм. Алгоритм обнаружения пятен, проиллюстрированный на стеке трехмерных изображений, представленных в виде фильма.

Это стек 3D-изображений из файла Data_6, доступного в Dryad (doi: 10.5061 / dryad.0m9n7), сохраненный как фильм в формате AVI со сжатием JPEG. Он показывает канал EdU стека трехмерных изображений в файле Data_3, доступном от Dryad (doi: 10.5061 / dryad.0m9n7), с положительными ячейками EdU, аннотированными маленькими сферами. Этот фильм может служить примером результата алгоритма обнаружения пятна (3D-версия).

https://doi.org/10.1371/journal.pone.0156942.s008

(AVI)

Благодарности

Руководители рабочего пакета и платформы и представители партнеров в IMI PREDECT: Джон Хикман (Institut de Recherche Servier), Майк Бербридж (Institut de Recherche Servier), Эмми Вершурен (Университет Хельсинки), Олли Каллиониеми (Университет Хельсинки), Юха Клефстрём (Университет Хельсинки), Катрин Брискен (Федеральная политехническая школа Лозанны), Варда Роттер (Институт науки Вейцмана), Моше Орен (Институт науки Вейцмана), Катарина Брито (Институт экспериментальной биологии и технологии), Джек Соджагик (Radbologia Experimental e Tecnológica) Медицинский центр Университета Неймегена), Гвидо Йенстер (Erasmus MC Rotterdam), Вистке ван Верден (Erasmus MC Rotterdam), Яак Вило (Тартуский университет), Юлия Шулер (Oncotest GMbH), Оути Монни (Biomedicum Genomics Ltd), Саймон Т. Барри (AstraZeneca), Сильвия Грюневальд (Bayer Schering Pharma AG), Пекка Каллио (Orion Pharma), Ханс-Йоахим Мюллер (F. Hoffmann-La Roche AG), Адам Нопора (F. Hoffmann-La Roche AG), Вольфганг Зоммергрубер ( Boehringer Ingelheim International GmbH), Элизабет Андерсон (Boehringer Ingelheim International GmbH), Хайко ван дер Куип (Robert Bosch Gesellschaft fuer medizinische Forschung mbH), Ральф Грэзер (Boehringer Ingelheim International GmbH), Йоланда Т. Чонг (Janssen Pharmaceutical Companies) ), Рональда де Хугта (фармацевтические компании Janssen из Johnson & Johnson), Мэтью Смолли (Кардиффский университет), Эрвина Богаерта (AbbVie).Далее М. Барбье благодарит авторов набора инструментов DIPimage (Технологический университет Делфта).

Вклад авторов

Задумал и спроектировал эксперименты: SV RH RG YTC EG. Проведены эксперименты: КГ СВ. Проанализированы данные: МБ. Предоставленные реагенты / материалы / инструменты анализа: KG RH SV FC SJ EG IMI PREDECT Consortium. Написал статью: MB SJ SV KG RG YTC EG RH.

Список литературы

1. 1. Hay M, Thomas DW, Craighead JL, Economides C, Rosenthal J.Показатели успешности клинических разработок исследуемых препаратов. Nat Biotechnol. 2014; 32 (1): 40–51. pmid: 24406927.
2. 2. Левингер И., Вентура Ю., Ваго Р. Жизнь трехмерна, как и должны быть культуры рака in vitro. Adv Cancer Res. 2014; 121: 383–414. pmid: 24889536.
3. 3. Wrzesinski K, Rogowska-Wrzesinska A, Kanlaya R, Borkowski K, Schwämmle V, Dai J, et al. Культурный разрыв: экспоненциальный рост в классическом 2D и метаболическое равновесие в 3D-средах.PLoS One. 2014; 9 (9): e106973. pmid: 25222612
4. 4. Aljitawi OS, Li D, Xiao Y, Zhang D, Ramachandran K, Stehno-Bittel L, et al. Новая трехмерная стромальная модель для тестирования чувствительности лейкозных клеток к химиотерапии in vitro. Лимфома лейка. 2014; 55 (2): 378–91. pmid: 23566162; PubMed Central PMCID: PMC40.
5. 5. Лонгати П. , Цзя Х, Эймер Дж., Вагман А., Витт М.Р., Реммарк С. и др. Трехмерные сфероиды карциномы поджелудочной железы индуцируют богатый матрицей, химиорезистентный фенотип, предлагая лучшую модель для тестирования на наркотики.BMC Рак. 2013; 13: 95. pmid: 23446043; PubMed Central PMCID: PMC3617005.
6. 6. Перче Ф, Торчилин В.П. Сфероиды раковых клеток как модель для оценки протоколов химиотерапии. Cancer Biol Ther. 2012. 13 (12): 1205–13. pmid: 22892843; PubMed Central PMCID: PMC3469478.
7. 7. Jiguet Jiglaire C, Baeza-Kallee N, Denicolai E, Barets D, Metellus P, Padovani L, et al. Ex vivo культуры глиобластомы в трехмерном гидрогеле сохраняют исходную динамику роста опухоли и подходят для доклинического скрининга лекарственной и радиационной чувствительности.Exp Cell Res. 2014. 321 (2): 99–108. pmid: 24355810.
8. 8. Кошкин В., Аиллес Л.Е., Лю Г., Крылов С.Н. Метаболическое подавление субпопуляции лекарственной устойчивости в раковых сфероидных клетках. J Cell Biochem. 2015. pmid: 26054050.
9. 9. Хикман Дж. А., Грэзер Р., де Хугт Р., Видик С., Брито С., Гутекунст М. и др. Трехмерные модели рака для фармакологии и биологии раковых клеток: определение сложности опухоли in vitro / ex vivo. Biotechnol J. 2014; 9 (9): 1115–28. pmid: 25174503.
10. 10. Hickman JA. Доведение наркотиков до суда. Int Innov. 2013: 80–2.
11. 11. Тома С. Р., Циммерманн М., Агаркова И., Кельм Дж. М., Крек В. Системы трехмерных культур клеток, моделирующие детерминанты роста опухоли при обнаружении раковых мишеней. Adv Drug Deliv Rev.2014; 69–70: 29–41. pmid: 24636868.
12. 12. Hirschhaeuser F, Menne H, Dittfeld C, West J, Mueller-Klieser W., Kunz-Schughart LA. Сфероиды многоклеточных опухолей: недооцененный инструмент снова набирает обороты.J Biotechnol. 2010. 148 (1): 3–15. pmid: 20097238.
13. 13. Piccinini F. AnaSP: программный пакет для автоматического анализа изображений многоклеточных сфероидов. Вычислительные методы Программы Biomed. 2015; 119 (1): 43–52. pmid: 25737369.
14. 14. Chen W, Wong C, Vosburgh E, Levine AJ, Foran DJ, Xu EY. Высокопроизводительный анализ изображений сфероидов опухоли: удобное программное приложение для автоматического и точного измерения размеров сфероидов. J Vis Exp. 2014; (89). pmid: 25046278; PubMed Central PMCID: PMC4212916.
15. 15. Ке М-Т, Фудзимото С., Имаи Т. SeeDB: простой и сохраняющий морфологию агент оптической очистки для реконструкции нейронных цепей. Nat Neurosci. 2013; 16: 1154–61. pmid: 23792946
16. 16. Чунг К., Уоллес Дж., Ким С.И., Калянасундарам С., Андалман А.С., Дэвидсон Т.Дж. и др. Структурный и молекулярный опрос интактных биологических систем. Природа. 2013. 497 (7449): 332–7. pmid: 23575631; PubMed Central PMCID: PMC4092167.
17. 17. Куваджима Т., Ситко А.А., Бхансали П., Юргенс К., Гвидо В., Мейсон К.ClearT: не содержащий детергентов и растворителей метод очистки нейрональных и ненейрональных тканей. Разработка. 2013; 140: 1364–8. pmid: 23444362
18. 18. Хама Х., Курокава Х., Кавано Х., Андо Р., Шимогори Т., Нода Х. и др. Масштаб: химический подход к флуоресцентной визуализации. Nat Neurosci. 2011; 14: 1481–8. pmid: 21878933
19. 19. Helmchen F, Denk W. Двухфотонная микроскопия глубоких тканей. Нат методы. 2005. 2 (12): 932–40. pmid: 16299478.
20. 20. Пампалони Ф, Ансари Н, Стельцер Э.Глубокая визуализация живых клеточных сфероидов с высоким разрешением с помощью флуоресцентной микроскопии на основе световых пластин. Cell Tissue Res. 2013; 352 (1): 161–77. pmid: 23443300.
21. 21. Томер Р., Хайри К., Амат Ф, Келлер П.Дж. Количественная высокоскоростная визуализация целых развивающихся эмбрионов с одновременной многоэкранной световой микроскопией. Нат методы. 2012. 9 (7): 755–63. pmid: 22660741.
22. 22. Strasters KC. Количественный анализ в цитометрии конфокальных изображений. Кандидатская диссертация. Делфт: Издательство Делфтского университета, 1994.
23. 23. Strasters KC, van der Voort HTM, Geusebroek JM, Smeulders AWM. Быстрая коррекция затухания при флуоресцентной конфокальной визуализации: рекурсивный подход. Биовизуализация. 1994; 2: 78–92.
24. 24. Schindelin J, Arganda-Carreras I, Frize E, Kaynig V, Longair M, Pietzsch T. и др. Фиджи: платформа с открытым исходным кодом для анализа биологических изображений. Нат методы. 2012. 9 (7): 676–82. Epub 2012/06/30. pmid: 22743772; Идентификатор PubMed Central PMCID: PMCPMC3855844.
25. 25. де Шомон Ф., Даллонжвиль С., Шенуар Н., Эрве Н., Поп С., Провуст Т. и др.Icy: открытая платформа информатики биоизображений для расширенных воспроизводимых исследований. Нат методы. 2012. 9 (7): 690–6. pmid: 22743774.
26. 26. Харма В., Щуков Х.П., Хаппонен А., Ахонен И., Виртанен Дж., Сиитари Х. и др. Количественная оценка динамических морфологических реакций на лекарства в трехмерных органотипических культурах клеток с помощью автоматического анализа изображений. PLoS One. 2014; 9 (5): e96426. pmid: 24810913; PubMed Central PMCID: PMC4014501.
27. 27. Лу Х, Канг М., Ксенопулос П., Муньос-Дескальцо С., Хаджантонакис А.К.Быстрый и эффективный метод ядерной сегментации 2D / 3D для анализа данных изображений ранних эмбрионов мыши и стволовых клеток. Отчеты о стволовых клетках. 2014. 2 (3): 382–97. pmid: 24672759; PubMed Central PMCID: PMC3964288.
28. 28. Hodneland E, Kogel T, Frei DM, Gerdes HH, Lundervold A. CellSegm — набор инструментов MATLAB для высокопроизводительной трехмерной сегментации ячеек. Исходный код Biol Med. 2013; 8 (1): 16. pmid: 23938087; PubMed Central PMCID: PMC3850890.
29. 29. Gue M, Messaoudi C, Sun JS, Boudier T.Smart 3D-FISH: автоматизация анализа расстояний в ядрах интерфазных клеток путем обработки изображений. Цитометрия А. 2005; 67 (1): 18–26. pmid: 16082715.
30. 30. Trinh A, Rye IH, Almendro V, Helland A, Russnes HG, Markowetz F. GoIFISH: система для количественной оценки неоднородности отдельных клеток по изображениям IFISH. Genome Biol. 2014; 15 (8): 442. pmid: 25168174; Идентификатор PubMed Central PMCID: PMCPMC4167144.
31. 31. Паркер Д.Л., Чепмен Б.Е., Робертс Дж. А., Александр А. Л., Цуруда Дж. С..Повышенная детализация изображения за счет непрерывности в Z-буфере MIP: приложения к магнитно-резонансной ангиографии. J Магнитно-резонансная томография. 2000. 11 (4): 378–88. pmid: 10767066
32. 32. Мадар С., Брош Р., Буганим Ю., Эзра О., Гольдштейн И., Соломон Х. и др. Модулируемая экспрессия WFDC1 во время канцерогенеза и клеточного старения. Канцерогенез. 2009. 30 (1): 20–7. pmid: 18842679; PubMed Central PMCID: PMC2639035.
33. 33. Уилсон ЭБ. Вероятный вывод, закон преемственности и статистический вывод.J Am Stat Assoc. 1927. 22 (158): 209–12.

Shuttle Radar Topography Mission

Наборы данных о высоте местности уровня 2 (цифровые топографические карты)

Наборы данных о высоте местности уровня 2 содержат данные цифровой топографии, обработанные из диапазона C данные, собранные во время миссии.

• Каждая публикация в наборе данных о высоте местности уровня 2 представляет собой измерение высоты (сообщение) в метров относительно поверхности эллипсоида WGS84.
• Горизонтальная точка отсчета для наборов данных высоты местности уровня 2 является эллипсоидной моделью земли WGS84.
• Абсолютная точность по горизонтали (круговая ошибка 90%) составляет 20 метров.
• Абсолютная точность по вертикали (линейная ошибка 90%) составляет 16 метров.

Наборы данных состоят из файлов, охватывающих области 5 градусов по широте и 5 градусов по долготе.


• Для данных между экватором и 50 градусами широты сообщения размещаются с интервалом 1 дюйм (одна угловая секунда). широта на 1 дюйм долготы.
• На экваторе это расстояние примерно 30 на 30 метров.
• Для данных за пределами 50 градусов широты сообщения размещаются с интервалом 1 дюйм широты и 2 дюйма долготы. (Поскольку продольное расстояние уменьшается с увеличением широты от экватора, 1 дюйм долготы равен всего около 15 метров на 50 градусах широты. )

Наборы данных случайной ошибки высоты

Наборы данных случайных ошибок высоты содержат оценки случайных ошибок (в метрах) для измерений высоты в наборах данных высоты местности уровня 2.(Случайная ошибка по высоте определяется как компонент ошибки по высоте, которая не коррелирует между разносами по высоте.)

Каждый набор данных о высоте местности уровня 2 будет иметь соответствующий файл набора данных случайных ошибок высоты, охватывающий одну и ту же область по широте и долготе и с сообщениями, зарегистрированными вместе с измерениями высоты.
Наборы данных ортотрансформированных изображений с полосами

Наборы данных полосового ортотрансформированного изображения генерируются во время формирование интерферограммы в процессоре топографии.

Каждый набор данных создается из данных внутренней антенны для одной подполосы; один массив охватывает территорию примерно 60 км в ширину и от 450 до 4500 км (от 1 до 10 минут) в длину. (В настоящее время наборы данных из разных наборов данных или из нескольких регионов одного набора данных не разбиваются на мозаику перед доставкой в ​​NGA.)

Образцы в наборах данных ленточного ортотрансформированного изображения расположены на расстоянии 15 метров на 15 метров и привязаны к локальной системе координат радара.
Систематическая ошибка высоты Модель

Модель систематической ошибки по высоте содержит оценку неслучайной составляющей ошибки по высоте, определяемой в ходе послеполетной проверки.
Окончательный отчет о проверке и Глобальная ошибка высоты Модель

Отчет об окончательной проверке документирует алгоритмы оценки ошибок и глобальные характеристики ошибок, определенные на основе всего набора данных.

Модель глобальных ошибок по высоте расширяет модель систематических ошибок по высоте за счет оценки длинноволновых ошибок, которые нельзя определить только по континентальным данным.

Произошла ошибка при настройке вашего пользовательского файла cookie

Произошла ошибка при настройке вашего пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

• В вашем браузере отключены файлы cookie.Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
• Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, используйте кнопку «Назад» и примите файлы cookie.
• Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
• Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
• Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с вашим системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу.Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файле cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

Краткое справочное руководство по географической привязке

точность

Близость оценочного значения (например, измеренного или вычисленного) к стандартному или принятому («истинному») значению. Антоним: неточность. Сравните ошибку, предвзятость, точность, ложную точность и неопределенность.

«Истинное значение неизвестно, а только оценено, точность измеренной величины также неизвестна. Поэтому точность координатной информации можно только оценить». (Отдел геодезических изысканий 1996, FGDC 1998).

батиметрия

1. Мера глубины воды в океанах, морях и озерах.

2. Формы подводной местности, включая подводную топографию и картографирование морского дна.

граница

Пространственное разделение между тем, что находится внутри места, и тем, что находится за его пределами.

ограничивающая рамка

Область, определяемая координатами двух диагонально противоположных углов многоугольника, где эти два угла определяют крайние границы север-юг и восток-запад внутри области.

формат координат

Формат, в котором кодируются координаты, например «десятичные градусы», «градусы минут секунды», «десятичные градусы минут» или универсальная поперечная проекция Меркатора UTM.

точность координат

Доля градуса, соответствующая количеству значащих цифр в исходных координатах. Например, если координаты сообщаются с точностью до минуты, точность составляет 1/3600 (0,00027778) градуса; если десятичный градус сообщается с двумя десятичными знаками, точность составляет 0,01 градуса.

система координат

(также система пространственной привязки) Система координат, определенная относительно стандартной привязки или нулевой точки.

система координат

Геометрическая система, которая определяет характер и взаимосвязь координат, которые она использует для однозначного определения позиций. Примеры включают географическую систему координат и систему координат UTM универсальной поперечной проекции Меркатора.

координаты

Набор значений, определяющих положение в системе координат. Координаты используются для обозначения местоположений в пространстве относительно других местоположений.

исправленный центр

Точка внутри местоположения или на его границе, минимизирующая географический радиус местоположения.Эта точка получается путем создания наименьшего окружающего круга, который содержит весь объект, а затем взятия центра этого круга. Если этот центр не попадает в границы объекта, создайте наименьший окружающий круг, центр которого находится на границе объекта. Обратите внимание, что во втором случае новая окружность и, следовательно, радиальная окружность всегда будут больше нескорректированной (см. Рисунок 1).

Ядро Дарвина

Стандарт для обмена информацией о биологическом разнообразии (см. Darwin Core).

данные

Набор из одного или нескольких параметров, которые служат эталоном или основой для расчета других параметров ISO 19111. Датум определяет положение начала координат, масштаб и ориентацию осей системы координат. Для целей пространственной привязки датум может быть геодезическим или вертикальным.

десятичных градусов

градусов, выраженное одним действительным числом (например, -22,343456). Обратите внимание, что широты к югу от экватора отрицательны, как и долготы к западу от нулевого меридиана до -180 градусов.См. Также десятичную широту и десятичную долготу.

глубина

Измерение вертикального расстояния ниже вертикальной точки отсчета. В этом документе мы пытаемся изменить термин, чтобы обозначить среду, в которой проводятся измерения. Таким образом, «водная глубина» — это расстояние по вертикали ниже границы раздела воздух-вода в водоеме (океан, озеро, река, воронка и т. Д.). Сравните расстояние над поверхностью. Глубина — всегда неотрицательное число.

направление

см. Рубрику .

DMS

Градусы, минуты и секунды — один из наиболее распространенных форматов отображения географических координат на картах. Градус делится на 60 угловых минут, а каждая минута делится на 60 угловых секунд. Градусы, минуты и секунды обозначаются символами °, ′, ″. Градусы широты — это целые числа от 0 до 90, за которыми должен следовать индикатор полушария (например, N или S). Градусы долготы — это целые числа от 0 до 180, за которыми должен следовать индикатор полушария (например,грамм. E или W).

восток

В координатной системы отсчета (например, как это предусмотрено в GPS или карты системы отсчета сетки), линия, представляющая на восток расстояние от опорного меридиана на карте.

высота

Измерение вертикального расстояния от поверхности земли или воды над вертикальной точкой отсчета. На картах опорная точка отсчета обычно представляет собой некоторую интерпретацию среднего уровня моря или геоида, в то время как в устройствах, использующих GPS / GNSS опорная точка отсчета — это эллипсоид геодезической системы отсчета, на которую настроен модуль GPS, хотя устройство может вносить поправки. чтобы сообщить высоту над средним уровнем моря или геоидом.Отметки выше контрольной точки должны быть выражены положительными числами, а значения ниже — отрицательными. Сравните глубину, расстояние над поверхностью и высоту.

эллипсоид

Трехмерная замкнутая геометрическая фигура, все плоские части которой представляют собой эллипсы или окружности. Эллипсоид имеет три независимых оси. Если эллипсоид образован вращением эллипса вокруг одной из его осей, то две оси эллипсоида совпадают, и он называется эллипсоидом вращения. При использовании для представления модели Земли эллипсоид представляет собой сплюснутый эллипсоид вращения, образованный вращением эллипса вокруг своей малой оси.

точка входа

Точка входа на поверхность океана или озера, где ныряльщик входит в воду и откуда измеряется вся его активность. См. Иллюстрацию в Рекомендации по географической привязке (Chapman & Wieczorek 2020).

ошибка

Разница между вычисленным, оценочным или измеренным значением и принятым истинным, заданным или теоретически правильным значением.Он включает в себя как неточность измерения, так и его неточности. Ошибка может быть случайной или систематической. Если ошибка носит систематический характер, это называется «систематической ошибкой». Сравните точность, смещение, прецизионность, ложную точность и неопределенность.

протяженность

Все пространство внутри границы, которую фактически представляет местоположение. Экстент может быть объемом, площадью или расстоянием.

элемент

Объект наблюдения, измерения или ссылки, который может быть представлен в пространстве.Часто подразделяются на «типы объектов» (например, горы, дороги, населенные пункты и т. Д.) И дают имена для конкретных экземпляров (например, «Гора Эверест», «Рута 40», «Стамбул»), которые также иногда называют « названные места »,« топонимы »или« топонимы ».

географический справочник

Указатель географических объектов и их местоположений, часто с географическими координатами.

геокод

Процесс (глагол) или продукт (существительное) определения координат улицы.Его также иногда используют как синоним географической привязки.

географическая граница

Изображение в географических координатах вертикальной проекции границы на модель поверхности Земли.

географический центр

Средняя точка крайних значений широты и долготы объекта. Географические центры относительно легко определить, но они, как правило, не соответствуют центру, полученному по наименьшей описывающей окружности.По этой причине не рекомендуется использовать географический центр для каких-либо приложений с географической привязкой. Сравните исправленный центр.

географические координаты

Измерение местоположения на поверхности Земли, выраженное широтой и долготой.

географический радиал

Расстояние от исправленного центра местоположения до самой дальней точки на географической границе этого местоположения. Географический радиус — это то, что способствует расчетам максимального расстояния неопределенности с использованием метода пространственной привязки радиуса точки.Термин «географический радиальный», как он определен здесь, заменяет эквивалентный ему «экстент», используемый в ранних версиях этого Краткого справочного руководства и связанных с ним документов.

геометрия

Меры и свойства точек, линий и поверхностей. Геометрия используется для представления географической составляющей местоположений.

географическая привязка

Процесс (глагол) или продукт (существительное) интерпретации описания местности в пространственно отображаемое представление с использованием метода пространственной привязки.Сравните с геокодированием. Использование здесь отличается от концепции пространственной привязки спутниковых и других изображений (известной как георектификация).

метод географической привязки

Теория, включающая набор правил, общих процедур и ожидаемых результатов, предназначена для создания определенного типа пространственного представления местности.

протокол географической привязки

Набор конкретных задокументированных шагов, которые можно применить для создания пространственного представления местности с помощью одного или нескольких методов пространственной привязки.

GPS

Global Positioning System, спутниковая система, используемая для определения местоположения на Земле или вблизи Земли. Спутники, находящиеся на орбите, передают радиосигналы, которые позволяют приемнику вычислять свое местоположение в виде координат и высоты, иногда с оценками точности. См. Также GNSS, одним из примеров которой является GPS. См. Также GPS (приемник).

GPS (приемник)

Разговорный термин, используемый для обозначения приемников GPS и GNSS (в том числе в смартфонах и камерах).Приемник GPS или GNSS — это инструмент, который в сочетании со встроенной или отдельной антенной может принимать и интерпретировать радиосигналы от спутников GNSS и переводить их в географические координаты.

сетка

Сеть или массив равномерно расположенных ортогональных линий, используемых для разделения пространства на разделы. Часто они накладываются на карту и используются для справки, например, UTM-сетка универсальной поперечной проекции Меркатора.

нулевой точки

Место на поверхности земли непосредственно над точкой радиолокации в пещере, где линии магнитного излучения вертикальны. См. Иллюстрацию в Рекомендации по географической привязке (Chapman & Wieczorek 2020).

товарная позиция

Направление по компасу, например, на восток или северо-запад, или иногда в градусах по часовой стрелке от севера. Обычно используется вместе со смещением, чтобы указать расстояние и направление от объекта.

широта

Угловое расстояние до точки к северу или югу от экватора.

населенный пункт

Словесное представление местности, также иногда называемое описанием местности .

пункт о населенном пункте

Часть описания местности, которая может быть отнесена к одному из типов местности, к которой может применяться определенный протокол географической привязки.

тип населенного пункта

Категория, применяемая к положению о местонахождении, которое определяет конкретный протокол географической привязки, который следует использовать.

расположение

Физическое пространство, которое может быть расположено и ориентировано относительно опорной точки, и, возможно, описано в описании местности на естественном языке.При пространственной привязке местоположение может иметь различные представления, основанные на различных правилах интерпретации, каждое из которых воплощено в методе пространственной привязки.

долгота

Угловое расстояние до точки к востоку или западу от нулевого меридиана на заданной широте.

меридиан

Линия на поверхности Земли, где все точки имеют одинаковую долготу. Сравните антимеридиан и нулевой меридиан.

северная

В системе координат (например,грамм. как предусмотрено GPS или системой координат сетки карты), линия, представляющая расстояние на север от исходной широты.

смещение

Смещение от исходного местоположения. Обычно используется вместе с заголовком, чтобы указать расстояние и направление от объекта.

путь

Маршрут или трек между одним местом и другим. В некоторых случаях путь может пересекаться.

точка-радиус

Представление географической составляющей местоположения в виде географических координат и расстояния с максимальной неопределенностью.Метод географической привязки «точка-радиус» создает географические привязки, которые включают географические координаты, систему координат и максимальное расстояние неопределенности, которое охватывает все возможные географические координаты, в которых может быть интерпретирована местность. Это представление заключает в круг все географические неопределенности. Метод точка-радиус использует диапазоны для представления негеографических дескрипторов местоположения (высота, глубина, расстояние над поверхностью).

точность

1. Близость повторяющихся наборов наблюдений одной и той же величины друг к другу — мера контроля над случайной ошибкой.

2. Со значениями он описывает тончайшую единицу измерения, используемую для выражения этого значения (например, если запись сообщается с точностью до секунды, точность составляет 1/3600 ^th градуса; если десятичный градус сообщается с точностью до двух десятичных знаков. местами точность 0,01 градуса).

нулевой меридиан

Набор местоположений с долготой, обозначенной как 0 градусов восточной и западной, к которым относятся все остальные долготы.Гринвичский меридиан во всем мире признан главным меридианом для многих популярных и официальных целей.

радиальный

Расстояние от центральной точки (например, исправленного или географического центра) в пределах местоположения до самой дальней точки на самой внешней границе этого местоположения. См. Также географический радиал.

форма

синоним следа. Представление географического компонента местоположения в виде геометрии. Результат метода географической привязки формы включает форму в качестве географического компонента географической привязки, который содержит набор всех возможных географических координат, в которых может быть интерпретировано местоположение.Это представление охватывает все географические неопределенности в рамках данной геометрии. Метод формы использует диапазоны для представления негеографических дескрипторов местоположения (высота, глубина, расстояние над поверхностью).

наименьший охватывающий круг

Круг с наименьшим радиусом (радиальным), который содержит весь данный набор точек (или заданную форму) на поверхности (см. Задача наименьшего круга ). Это редко то же самое, что географический центр или середина между двумя самыми удаленными географическими координатами места.

трансекта

Путь, по которому проводятся наблюдения, измерения или выборки. Трансекты часто регистрируются как начальная и конечная точки.

неопределенность

Мера неполноты знаний или информации о неизвестной величине, истинное значение которой можно было бы установить, если бы были доступны полные знания и совершенное измерительное устройство (Cullen & Frey, 1999). Методы географической привязки кодифицируют способы включения неопределенностей из различных источников (включая точность и прецизионность) в интерпретацию местоположения.Сравните точность, ошибку, смещение, точность и ложную точность.

Универсальная поперечная проекция Меркатора UTM

Стандартизированная система координат, основанная на метрической прямоугольной системе координат и делении Земли на шестьдесят продольных зон под углом 6 градусов. Область действия UTM охватывает от 84 ° N до 80 ° S. (См. Координаты универсальной поперечной проекции Меркатора (UTM) в Georeferencing Best Practices (Chapman & Wieczorek 2020)).

.

No related posts.