概述

MiNA 是斐济使用荧光图像或 3D 堆栈分析线粒体形态的简化工作流程。该流程工作使用 ImageJ Ops、3D Viewer、Skeletonize (2D/3D)、Analyze Skeleton[^1] 和Ridge Detection[^2][^3]。简而言之，该工具根据图像的二值化估计完整长度（或体积），并使用拓扑样本估计完整结构的长度。这些值以表格形式报告，并生成覆盖图（或3D渲染）评估分析的准确性。

安装

要安装 MiNA 以及我们实验室大量使用的其他插件、脚本和宏工具，建议我们要添加我们的更新站点 (“StuartLab”)。通过这种方法，您将立即在每次运行updater时收到自动更新，确保您在新功能和错误修复时可以获得它们。在斐济安装中添加更新站点：

1.打开斐济。 2.运行更新程序（帮助→更新…）。

1. 导航至更新站点管理器（管理更新站点）。
2. 通过在表单旁边的选中站点来添加“StuartLab”和“Biomedgroup”站点。
3. 关闭站点管理器对话框（关闭）。 6.应用更改（应用更改）。

加工流程及用途

确定线粒体的面积/体积

MiNA 从两种简化形式中提取形态信息。出于演示目的，我们将使用图 1 中的显微照片操作。一种是二进制表示，它简单地连接像素图像表示为包含信号或背景。这是通过自动阈值生成的，第 Auto Threshold 页面上提供了有关阈值的详细概述。 ImageJ Ops有许多可用的阈值方法。另外，仅提供了全局阈值，但最终将合并局部阈值。下面列出了所包含的方法。如果您发现使用特定阈值方法出现问题，请使用 GitHub issue tracker打开问题（仅测试了一部分）。

• 黄 [^4]
• ij1[^5]
• 互模[^6]
• isoData[^7]
• 李[^8]
• 最大熵[^9]
• 最大似然
• 随[^10]
• 最小错误[^11]
• 轻轻[^12]
• 瞬间[^13]
• 大津（默认）[^14]
• 百分位[^15]
• renyiEntropy[^16]
• 松香 ——尚巴格[^17]
• 三角形[^18]
• 日元[^19]

一旦图像被二值化，可以通过简单地计算信号正像素/体素的数量并乘以近似为直角棱柱的像素/体素的面积或体积来估计面积或体积。图2显示了阈值处理后的图像。二值化图像中，洋红色代表信号正像素，而背景像素为黑色。在作为精度/伪影检查措施进行处理后，该二值化副本覆盖在原始图像上。信号的图像或体积作为mitochondrial footprint返回，其单位取决于图像的调整方式。您可以在图像→属性下检查图像的调整方式。

估计线粒体长度和分支

为了估计线粒体结构的长度和分支程度，对图像进行了第二次简化。简化是生成形态重构，可以提取和分析折线（如通过Analyze Skeleton[^20]插件完成的方式）。包装本身可以通过两种插件生成。第一种是迭代细化，是原始宏中使用的方法，通过迭代删除外部像素保留直到一个像素宽的结构生成网格。这是通过Skeletonize (2D/3D)的方法完成的，并且具有在3D数据集和2D数据集上运行的额外好处。要使用此方法，很好地解析线粒体，以便在生成二进制文件时可以将各个线粒体完全分割。

脊线检测也被嵌入其中，并通过使用索引强度本身来生成重构，而不是从二进制生成重构。这是通过 Ridge Detection[^21][^22] 插件提供的方法来完成的。脊线检测需要额外的参数，这些参数将在提示时提供。 调整脊线检测插件本身的参数是有利的，因为它提供了预览模式图像。使用的参数是高恢复、低恢复、线宽转换和最小长度。请注意，对于脊线检测预览，图像必须是 8 位。如果您的不是 8 位，则必须使用 → 类型来进行。如果使用 MiNA，则转换；这就自动完成。

从形态构成完成中提取的信息是每个独立特征的分支长度的均值、中值和标准差以及每个网络中的分支数量。没有数据被删除，因此在确定长度和分支分支参数时，将使用简单的纵向、没有任何分支点的杆或复杂的分支高度网络的特征。该信息是从Analyze Skeleton[^23]插件方法的输出中总结的。处理后，如图3的示例）将覆盖为绿色，以所示方式评估重建的可信度。 强制用户确保能够引导感兴趣的系统准确地生成形态构成。该分析工具通常不适合极其聚集的线粒体、分辨率差的图像或对比度低的图像。叠加（或 3D 渲染）旨在作为一种评估生成参数的模型是否有意义的方法。

输入参数

用户界面提示用户提供下面总结的许多参数。界面如图4所示。

| 参数： | 描述： | |—————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————-| |剪切器路径（任选）|运行分析之前要运行ImageJ脚本或宏的路径。这通常用于在用户定义的操作中对图像运行之前分析图像，例如扩展直方图范围、通过抑制减少噪声或对图像进行任选的反作用。 |后处理器完成路径（任选）|分析时要运行的ImageJ兼容脚本或宏的路径。这可用于触发保存数据副本、相似结果表窗口中存储的当前数据等。它是可选的。 |阈值法|用于确定阈值的算法。请注意，分析预计会出现积极信号。如果强度强，分析将会失败。 |使用脊线检测（仅限 2D） |检查是否要使用脊线检测。如果未勾选，分析将继续进行迭代细化以生成形态重构。请注意，脊线检测目前仅适用于 2D 图像。 | |高收益| 仅在使用脊线检测时需要！这定义了脊线检测插件的高恢复值。 |低收益| 仅在使用脊线检测时需要！这里定义了脊线检测插件的低功耗值。 |线宽| 仅在使用脊椎检测时需要！线的预期宽度，如顶部特征。 |线长| 仅在使用脊椎检测时需要！分析中包含的最小线长度。将其设置为0有助于消除意图的小线。 |用户评论 |要存储在表中的用户评论。这支持键值对，这对于存储条件信息很有用。例如，如果我想要“氧气”列和“氧气”列来培养存储条件，我可以使用注释“氧气=18，氧气=高”将值18添加到标题“氧气”的列，将值“高”添加到另一个标题作为氧气的列。 | 用户评论 |要存储在表中的用户评论。

分析输出

运行该工具将生成带二值化的曼哈顿和双胞胎模型的图像，或者如果提供了3D数据，则生成线框和二进制体积的3D渲染。测量的信息将放置在一个表格中，该表格可以保存为CSV文件以供进一步分析。图5显示了的覆盖图和结果表，显示了用户评论字段的键值对行为。

参数：	描述：
图片标题	已处理图像窗口的标题。
线粒体峰值	线粒体信号消耗的图像面积或体积。
目的地长度	用于表​​示线粒体结构的所有线路的平均长度。
分支长度中位	用于代表线粒体结构的所有线的中位长度。
分支长度stdevp	用于表示线粒体结构的所有线路长度的标准偏差（总体）。
总分支长度目的地	每个独立结构的分支长度总和的目的地（由形态/重构表示）。这是所有分支长度的总和以除独立重构的数量。
分支长度中附件总和	每个独立结构的分支长度总和中附件（由形态/拓扑表示拓扑）。
分支长度总和每个独立结构（由形态/重构表示）的分支长度总和的标准偏差。
网络分支含义	用于表示每个结构的附加线的平均数量。
网络分支中点	用于表示每个结构的连线的中点。
网络分支stdevp	用于表示每个线粒体结构的连接线数量的标准差（总体）。
用户评论	用户提供的评论。如果提供了键值对，它们将被放入适当的列中（如图5所示）。

*请注意，分析参数也存储在输出表中以供参考。这将在未来的更新中成为可选。

运行工具

在使用该工具之前，请确保您已阅读完整的 wiki 页面。上面的信息提供了一些有关该工具实际在做什么、输入参数是什么以及生成什么输出信息的信息。运行该工具：

1. 打开图像。 MiNA 期望 8 位或 16 位单通道图像，可以是 2D 或 3D（选项有限）。
2. 使用规划投资回报率工具选择单个单元格。如果您愿意，您可以复制一个区域。
3. 导航至Plugins › StuartLab › MiNA Scripts › MiNA Analyze Morphology脚本。将弹出一个用户操作。根据填写参数，然后选择“确定”运行分析。 4.将生成如上图所示的重力层，供您目视检查分析的真实性。洋红色区域是用于计算或体积面积的二值化信号。绿线是形态重构。 5.需要保存上面的图像副本，然后将图像另存为PNG或拼合图像并以您希望的任何格式保存。

报告错误和建议

MiNA 的源代码可在 Github 上找到。可以使用issue tracker报告软件错误。如果您实现自己的功能、修复错误或扩展工具并将其贡献回项目，您可以随时创建pull request。

报告错误时，请提供重复问题所需的步骤。在报告之前，请尝试运行更新程序（帮助 → 更新…），如果失败，请重新安装 Fiji 并按照安装部分中的说明添加更新站点。请仅使用 issue tracker 报告软件错误。另外，请务必先查看第README.md中的常见问题（常见问题）。

参考文献

附加属性

</h1>

该工具结合了各种已发表的作品中描述的技术和一般思想，解决了侦查比较该完成形态的任务。原论文审人的稿件建议（包括脊线检测方法）使该项目受益匪浅。项目还受益于 ImageJ 开发者社区的技术支持、会议上与同行的讨论以及用户提交的错误报告。

[^1]：Ignacio Arganda-Carreras、Rodrigo Fernandez-Gonzalez、Arrate Munoz-Barrutia、Carlos Ortiz-De-Solorzano，“3D reconstruction of histological sections: Application to mammary gland tissue”，学生研究与技术，第73卷，第11期，第1019–1029页，2010年10月。

[^2]：Steger, C.，1998。“An unbiased detector of curvilinear structures.”IEEE模式分析和机器智能汇刊，20(2)，第113–125页。

[^3]：托尔斯滕·瓦格纳、马克·纳和xraynaud。（2017年8月20日）。thorstenwagner/ij-ridgedetection：山脊检测1.4.0（版本v1.4.0）。泽诺多. http://doi.org/10.5281/zenodo.845874。

[^4]：L.K.黄和M.J.J.王.通过最小化模糊度来对图像进行阈值处理。模式识别，28(1):41–51, 1995。https://doi.org/10.1016/0031-3203(94)E0043-K

[^5]：自动阈值：默认https://imagej.net/plugins/auto-threshold#default

[^6]：Prewitt, JMS & Mendelsohn, ML (1966)，“细胞图像分析”，纽约科学院年鉴 128：1035-1053，https://doi.org/10.1111/j.1749-6632.1965.tb11715.x

[^7]：Ridler, TW & Calvard, S (1978)，“使用迭代选择方法进行图像阈值处理”，IEEE Transactions on Systems、Man and Cyber​​netics 8：630-632，[10.1109/TSMC.1978.4310039 10.1109/TSMC.1978.4310039]

[^8]：Li, CH & Tam, PKS (1998)，“最小交叉熵阈值的迭代算法”，Pattern Recognition Letters 18(8): 771-776, https://doi.org/10.1016/S0167-8655(98)00057-9

[^9]：卡普尔，JN；Sahoo, PK & Wong, ACK (1985)，“使用直方图熵进行灰度图像阈值处理的图像新方法”，图形模型和处理 29(3)：273-285 https://doi.org/10.1016/0734-189X(85)90125-2

[^10]：Glasbey，CA (1993)，“基于直方图的阈值算法的分析”，CVGIP：图形模型和图像处理 55：532-537，https://doi.org/10.1006/cgip.1993.1040

[^11]：Kittler, J 和 Illingworth, J (1986)，“最小错误阈值”，模式识别 19：41-47，https://doi.org/10.1016/0031-3203(86)90030-0

[^12]：Prewitt, JMS & Mendelsohn, ML (1966)，“细胞图像分析”，纽约科学院年鉴 128：1035-1053，https://doi.org/10.1111/j.1749-6632.1965.tb11715.x

[^13]：Tsai, W (1985)，“矩保留阈值：一种新方法”，计算机视觉、图形和图像处理 29：377-393

[^14]：Otsu, N (1979)，“灰度直方图的阈值选择方法”，IEEE Trans。系统，曼，网络。 9：62-66，[10.1109/TSMC.1979.4310076 10.1109/TSMC.1979.4310076]

[^15]：Doyle, W (1962)，“对相似性不变模式识别有用的操作”，计算机协会杂志 9：259-267，<doi:10.1145/321119.321123>

[^16]：卡普尔，JN；Sahoo, PK & Wong, ACK (1985)，“利用直方图熵进行灰度图像阈值处理的新方法”，图形模型和图像处理 29(3)：273-285 https://doi.org/10.1016/0734-189X(85)90125-2

[^17]：Shanbhag，Abhijit G.（1994），“利用信息测量作为图像阈值处理的手段”，图表。模型图像处理。（学术出版社）56 (5)：414–419，ISSN 1049-9652，https://doi.org/10.1006/cgip.1994.1037

[^18]：Zack GW、Rogers WE、Latt SA (1977)，“姐妹染色交换频率的自动测量”，J. Histochem。细胞化学。 25 (7)：741–53，PMID 70454，https://doi.org/10.1177/25.7.70454

[^19]：Yen JC、Chang FJ、Chang S (1995)，“自动多级阈值的新标准”，IEEE Trans。图像处理 4 (3)：370-378，ISSN 1057-7149，https://doi.org/10.1109/83.366472

[^20]：Ignacio Arganda-Carreras、Rodrigo Fernandez-Gonzalez、Arrate Munoz-Barrutia、Carlos Ortiz-De-Solorzano，第“3D reconstruction of histological sections: Application to mammary gland tissue”，大学生研究与技术，第73卷，第11期，第1019–1029页，20月10年10日。 [^21]：Steger, C.，1998。“An unbiased detector of curvilinear structures.”IEEE模式分析和机器智能汇刊，20(2)，第113–125页。

[^22]：托尔斯滕希瓦格纳、马克·纳和xraynaud。（2017年8月20日）。thorstenwagner/ij-ridgedetection：山脊检测1.4.0（版本v1.4.0）。泽诺多. http://doi.org/10.5281/zenodo.845874。

[^23]：Ignacio Arganda-Carreras、Rodrigo Fernandez-Gonzalez、Arrate Munoz-Barrutia、Carlos Ortiz-De-Solorzano，“3D reconstruction of histological sections: Application to mammary gland tissue”，学生研究与技术，第73卷，第11期，第1019–1029页，2010年10月。