跳到主要内容

CellProfiler 4:速度、效用和可用性方面的改进

摘要

背景

成像数据包含大量信息,这可能难以通过眼睛进行评估。随着高吞吐量的显微镜方法的扩展,产生越来越大的数据集,所产生的图像的自动化和客观分析对于有效地提取来自该数据的生物信息至关重要。CellProfiler是一个自由的开源图像分析程序,使研究人员能够生成模块化管道,使其将显微镜图像处理成可解释的测量。

结果

这里,我们描述了CellProfiler 4,该软件的新版本具有扩展功能。基于用户反馈,我们已经采取了多种用户界面改进,以提高软件的可用性。我们推出了新模块来扩展软件的功能。我们还评估了绩效,并进行了有针对性的优化,以减少与运行普通大规模分析管道相关的时间和成本。

结论

与以前的版本相比,CellProfiler 4在复杂的工作流程中提供了显著的性能改进。此次发布将确保研究人员在未来几年继续使用CellProfiler强大的计算工具。

背景

显微镜可以用来捕捉图像,其中包含丰富的信息,可以为生物医学研究提供信息。图像分析软件可以让科学家从图像中获得定量测量,否则很难通过主观观察捕捉图像。随着自动化显微镜技术的日益广泛应用,研究人员现在可以捕捉到含有数千种单独化合物或遗传扰动的样品的图像。科学家们越来越多地以3D或跨时间序列的方式对细胞进行成像;这种不断膨胀的原始数据需要自动处理和分析。这种分析最好是通过使用软件对细胞或生物体进行自动检测,并提取客观描述标本的定量指标来实现。

现在许多显微镜都附带了专利分析套件,如MetaMorph(分子设备),Elements(尼康),Zen(蔡司)和Harmony(珀金·埃尔默)。这些生态系统很强大,但在处理来自其他制造商设备的数据时缺乏灵活性。这些专有解决方案的成本也会限制可访问性,而且它们的封闭性会模糊科学家的数据是如何被分析的。ImageJ、CellProfiler、QuPath、Ilastik等免费开源软件包因此成为研究人员使用的流行分析工具[1].ImageJ是使用最广泛的包,在执行单个图像的分析方面表现出色,并借助于大量社区开发的插件[1].大量较小的软件包被用于处理特定类型的数据:例如,QuPath是一个专门针对病理应用的流行程序[2,而Ilastik提供了一个交互式机器学习框架,以帮助用户分割图像[3.].

2005年,我们介绍了CellProfiler,一个开源图像分析程序,允许用户在没有特定培训的情况下通过使用模块化处理管道来自动化其图像分析[4].CellProfiler已被社区广泛采用,目前每年引用2000多次。内置模块提供了一种不同的算法,用于分析图像,可以通过使用社区开发的插件进一步扩展。在对15个免费图像分析工具的独立分析中,可以在可用性和功能中获得高度评分的CellProfiler [5].我们之前的发布,CellProfiler 3,引入了对3D图像分析的支持,以进一步扩展工具的应用[6].然而,CellProfiler 2的一些受欢迎的功能不能被引入到该版本中,某些模块在3D管道中难以有效运行。

实现

CellProfiler最初是用MATLAB编写的,但在2010年被Python 2重写,它在2020年正式结束生命。为了确保与未来操作系统的持续兼容性,我们将该软件移植到Python 3语言,以创建CellProfiler 4。这为软件代码的更广泛重组提供了机会,以提高性能、可靠性和实用性。CellProfiler 4可以在cellprofiler.org上下载。

作为向Python 3迁移的一部分,我们将CellProfiler源代码分成两个包:CellProfiler和CellProfiler -core。新的CellProfiler核心包包含执行CellProfiler管道所需的所有关键功能,而CellProfiler存储库现在主要包含用户界面代码和内置模块。核心包的开发引入了一个稳定的API,允许用户在流行的环境(如Jupyter)中以Python包的形式访问CellProfiler的功能[7[未来与其他包装和软件套件的整合。

用户界面改进

在生物学家反馈的指导下,我们对CellProfiler用户界面做了一些改进,目的是让软件更容易访问和使用。CellProfiler 3.0中引入的基本3D查看器现在已经被功能更全面的查看器所取代,它允许用户查看体积内的任何平面(图。1a).我们还扩展了图形对比度对话框,让用户在2D和3D模式下对图像的显示方式有更细粒度的控制。1b)。这些变化将帮助用户更好地可视化和了解其数据。

图1
图1

CellProfiler 4中的用户界面改进。一种新的3D查看器窗口在右上方带有平面控件。B.具有任何图像窗口的对比度和归一化调整弹出窗口。C在模块上调用“跟踪”命令时显示的界面。左侧的箭头图标表示从所选模块(DOT图标)提供数据或使用数据的模块。D.选择小部件,用于选择多个图像进行分析。来自禁用或丢失模块的图像被突出显示。E.在搜索模式下的“添加模块”窗格中,模块列表会根据输入到搜索框中的文本进行过滤。F工作区查看器模块显示来自示例管道的自定义数据覆盖

其他更改使得更容易开发和配置管道。我们添加了一个接口,可视化哪些模块产生所需的输入或者来自感兴趣模块的输出,这将有助于修改复杂的流水线(图。1c).我们还修改了在一个模块中选择多幅图像进行分析的界面,将下拉菜单替换为一个检查表,可以快速有效地选择多幅图像(图4)。1d).此外,在弹出的“添加模块”中,一个新的搜索过滤器允许用户更容易地通过模块名称而不是类别找到所需的模块(图4)。1e)。

我们还恢复了以前丢失的一些功能,这些功能将从CellProfiler 2迁移到CellProfiler 3.最值得注意的是,我们重建了Workspace Viewer,用户构建了他们的数据的自定义视图,并且可以侧重于作为管道的特定兴趣区域被修改(图。1F),使它更容易监控和细化分割的问题区域的图像。此外,Test Mode管道界面中的新图标提供了一个更强的可视化指示,表明当前将要执行哪个模块,并提供了返回和执行管道中较早的模块的能力。这复制并取代了CellProfiler 2中的滑块小部件的功能,后者无法进入CellProfiler 3,但很受用户欢迎。

新的和恢复的特征

在CellProfiler 4中,我们引入了几个新的分析特性和设置。我们发现的一个常见的工作流程问题是,分析人员经常在多个阶段分割高度可变的对象(例如分割和遮蔽明亮的对象,以帮助分割相似但更暗的对象),但是在执行和导出度量时,以前的版本不能简单地将结果分割作为单个对象集。为了解决这个问题,我们添加了CombineObjects模块,允许用户合并单独定义的对象集。设计这个模块时的一个关键问题是,如果集合被合并,如何处理会重叠的对象,因此我们构建了如图所示的几个策略。2.合并后的结果集可以在整个管道中进行,而不需要在CellProfiler之外合并测量表。

图2
figure2

在CombineObjects模块中组合对象集的方法。结果表示模块中可用的不同方法的输出。“合并”将连接接触的对象,并将冲突区域分布到离初始集合最近的对象。“保留”将只添加从第二集合中没有与初始集合重叠的对象区域。“丢弃”只会添加没有重叠的对象。“Segment”将同时添加对象集和重新分割争议区域

许多用户对失去RunImageJ模块感到失望[8]在CellProfiler 2.2中;我们现在用新的RunimageJMacro模块替换它。新模块允许用户将来自CellProfiler的图像导出到临时目录中,在该目录上执行自定义imagej宏,然后自动将结果的处理图像导入CellProfiler。在实践中,这将允许用户访问CellProfiler流水线中的ImageJ函数和插件,大大扩展其互操作性。与其前置不同,RunimageJMacro模块依赖于用户的imagej副本而不是内置副本。这允许用户利用任何新的imagej升级,同时对CellProfiler稳定性的危险较少,因为两个软件之间的释放不需要同步。

我们还升级了几个现有的模块。我们重新编写了阈值模块,允许所有预先存在的阈值策略在“自适应”模式下使用,为用户提供更多的高可变背景图像选择。我们还添加了Sauvola局部阈值法作为一种替代的自适应策略[9].CellProfiler 2以前的版本提供了一个Otsu阈值方法的版本,该方法在应用阈值之前对数据进行日志转换;这有助于模糊图像的阈值,但导致用户质疑为什么我们的Otsu值不匹配其他库,如scikit-image [10].这种不一致的行为可能会对用户令人困惑,因此我们开始更新CellProfiler 3中的实现并在CellProfiler 4中完成它的过程。我们在应用了任何阈值的应用期间添加了对日志变换图像数据的专用设置。这些新选项将帮助用户分割具有挑战性的图像。

新测量

我们在CellProfiler 4中大修某些测量模块。我们重新设计了MeteceObjectSizeShape,以记录Scikit-Image中可用的额外测量,包括边界框位置,图像时刻和惯性张量,每个对象产生多达60个新的形状测量。我们预计这些新功能可能是培训机器学习模型的特殊价值,这在对大数据集上执行对象分类方面发挥着越来越重要的作用。除了新功能之外,在使用3D图像时,现在还可以提供几个以前的2D专用测量,例如欧拉数和稳定性。这些扩展的测量一起为研究人员提供了更多的测量,用于研究细胞表型。

结果

性能改进

生产CellProfiler 4的一个关键重点是提高软件的性能,并解决用户遇到的常见问题。我们修改了构建打包过程,将CellProfiler的Java依赖项更可靠地捆绑在一起,这样使用该程序就不再需要额外的软件和系统配置。在这样做的同时,我们也优化了程序的启动顺序,这大大提高了软件初始化所花费的时间(图2)。3.一种)。另一个关注的改进焦点领域已经在文件加载(输入/输出或I / O操作)中。Python的底层目录扫描功能和对CellProfiler的图像加载过程的综合改进大大减少了将大型图像的图像添加到文件列表所需的时间。使用网络存储时,这尤其明显。

图3
图3

CellProfiler 3和CellProfiler 4的总体性能。结果表示在一台运行Windows 10的机器上独立运行,使用1个工作进程。一种从启动CellProfiler可执行文件到显示完整GUI的时间(n = 5)。B.在分析模式下运行ExampleFly管道所花费的时间(n = 3)。C在测试模式下运行empumfly流水线的时间(n = 5)。D.在分析模式下运行3D单层教程管道的时间(n = 3)

在我们对一个示例分析管道的性能测试中,总体性能类似于CellProfiler 3(图3)。3.b).但是,在Test Mode下执行这个管道会因为运行各个模块之间不必要的用户界面更新而被抑制。优化在测试模式下发送的UI更新,减少了在此模式下运行图像集的时间(图。3.C)。

运行更复杂的分析工作流程,如3D分割和常用的细胞彩绘分析[11在CellProfiler 3中,]是非常耗时的。因此,我们的目标是识别和改进在这些场景中显示较长的执行时间的模块。

当运行3D管道(如3D单层教程数据集)时,所有模块的优化产生了50%的性能提高(图)。3.d) (12].在3D工作流程中,我们已将MedianFilter模块识别为尤为慢地处理。通过切换到新的Scipy.ndimage过滤器实现,我们能够大大减少处理每个图像所需的时间(图。4一种)。

图4
装具

Module-specific性能改进。在运行Windows 10的机器上进行单个模块测试的结果。一种在3D Monolayer管道内运行的MedianFilter模块的执行时间(n = 5)。B.对来自ExampleFly管道的数据运行每个对象纹理测量时的执行时间(n = 5)。C在evalumefly管道上运行MeasureColocalization的执行时间(n = 5)

另一个关键目标是测量曲线模块,其在执行每个对象测量时展现长时间。分析表明,这是由每个对象函数处理待测量的每个对象的全尺寸屏蔽阵列引起的。为了提高性能,我们调整了这些函数来生成和处理阵列,裁剪到每个对象的特定感兴趣区域。在我们的测试中,这减少了分析每秒钟到秒的时间所花费的时间,而不会产生任何导致的测量值(图。4b)。

还在测量MeasureColocalization模块中测量耗时量的成本中的主要增益。This statistic requires the calculation of Costes’ automatic threshold, which is generated by thresholding the two images to be compared and then serially reducing the thresholding value until the Pearson R correlation between the two thresholded images drops below a value of 0. Our original implementation would reduce the candidate value in images scaled 0–1 by 1/255 at each step, which was inappropriate for 16-bit images containing 65,536 grey levels rather than the 256 present in 8 bit images. Testing 65,536 candidate thresholds in 16-bit images would be excessively slow, so we introduced optional alternative implementations of the Costes automated thresholding method to resolve this inefficiency. Our first optimization maintained the canonical strategy of evaluating every possible threshold, but only measured the Pearson R correlation of the thresholded images if the new value produced a different total number of thresholded pixels than the previous value. We termed this “accurate” mode, but in images with large numbers of unique pixel values performance was unacceptably slow. We therefore introduced “fast” mode to the module, in which the candidate threshold is decreased in larger steps if the previous Pearson R value was substantially higher than 0. This improved performance when working with 8-bit images (Fig.5a),但对于16位图像仍然是低效的(图。5b).我们随后设计了一种替代的实现,称为“更快”模式,其中使用加权平分搜索算法连续缩小可能的目标阈值窗口。通过每个周期将候选窗口减少1/6,我们能够在秒而不是小时内计算出与“精确”方法相同的阈值。这开启了在16位图像上执行高效Costes Colocalization计算的能力(图。5b)。在理论上,这些加速方法可以在罕见的情况下“过冲”目标阈值,但在罕见的情况下,在我们的测试中,他们始终如一地产生的“准确”实现。尽管如此,我们在模块设置中提供了所有三种策略(“准确”,“快速”和“更快”)。其他分层化方法没有遭受相同程度的性能问题,而且还将其更新为更新的实现,减少模块在没有所耗时的特征的情况下对模块进行过程所花费的时间(图。4C)。

图5
figure5

替代品的性能成本为自动化的阈值策略。使用每种算法执行MeasureColocalization模块的执行时间与成本功能执行1对比较一种来自ExampleFly管道的8位图像(n = 6)或B.来自示例单元格绘画数据集的16位图像(n = 8)。在26位图像上,CellProfiler 3的结果不正确地计算,但显示为说明相对性能

总之,这些改进将大大减少处理图像所需的计算时间和能力,特别是在处理大型、复杂的数据集时。这将为研究人员减少资源成本带来额外的好处,使使用CellProfiler进行大规模分析更加实惠和方便。分析时间的减少也将减少运行此类管道对环境的影响。

共同工作流程的性能

为了检查我们的更改对大型异构工作流性能的影响,我们在运行Cell Painting分析协议时比较了CellProfiler 3和CellProfiler 4的性能[11].该工作流通常在集群环境中的大型数据集上执行,因此我们从发布的数据集中选择48个图像集的样本,并在一台机器上测量处理时间。在该数据集的三次独立运行中捕获每个模块的执行时间。这些计时的总和表示每个模块执行的总工作负载,不包括文件I/O操作。这些测量结果显示,分析每幅图像所需的总CPU时间减少了10倍。6一种)。

图6
figure6

细胞涂布分析协议中所选模块的性能面板标题中括号内的数字对应于附加文件中的模块1:图S1。一种每次映像为管道中的所有模块设置的全模块执行时间(以CPU时间测量)。B.每个图像集的MeasureTexture模块的执行时间。C每个图像集的measureimagequal模块的执行时间。D.每个映像集的idencePrimaryObjects模块的执行时间。E.每个图像集的MeasureGranularity模块的执行时间。F每个图像集的measureobjectsizesshape模块的执行时间

与我们的预期一致,对MeasureTexture的改进贡献了我们观察到的大部分性能改进(图2)。6b).我们还注意到measureimagequal中的小改进(图。6IdentifyPrimaryObjects(图c)。6MeasureGranularity(图d)。6e)和MeasureObjectSizeShape(图。6f)模块。管道中的其他模块在两个版本中表现出类似的性能,或者采用可忽略的时间执行(附加文件1:图S1)。

讨论

随着高含量显微镜方法的采用继续扩大,CellProfiler可能会在一些领域扩展新的功能。组织切片分析是一个潜在的改进领域。与组织标本相关的大文件尺寸给图像分析带来了挑战,因为系统内存通常不足以一次加载整个图像,采用Dask [13,通过按需加载图像的子部分来处理此类图像。这将扩大CellProfiler在数字病理学领域的用途。

我们还打算继续为目前只支持2D工作流的模块添加对3D分析的支持。虽然分割可能在3D管道,额外的工具和测量将是有价值的实验室使用CellProfiler。除此之外,进一步的性能改进将继续使研究人员受益,特别是在处理大型数据集时。

将CellProfiler-Core分成独立封装也为生产用于其他基于Python的应用的稳定API的基础奠定了基础。这最终将允许用户从诸如Jupyter等环境中修改和执行管道,这可能对寻求自动化复杂工作流程的研究人员有益。This API could provide a higher-level interface for common image processing tasks such as object segmentation, which would simplify the workflow for analyzing images directly within a Python environment and could serve as a bridge to Python tools whose GUI is incompatible with CellProfiler’s, such as Napari [14]. The current implementation provides access to all of CellProfiler’s important classes and the ability to run pipelines or individual modules. For future development we would like to introduce a more convenient system for programmatically generating image sets without the need for the original input modules or CSV files.

近年来,深度学习模型在自动进行图像分割方面有了长足的发展。提供对这些算法的访问将为CellProfiler的用户带来实质性的好处,但是运行这些模型所需的专用硬件和软件对打包和分发构成了挑战。为了避免与旧硬件的兼容性问题,以及最小化运行CellProfiler所需的软件依赖,我们的方法是开发独立的插件模块,这些插件模块独立于主CellProfiler程序分发。对于CellProfiler 3,我们之前发布了一个插件为NucleAIzer [15],在未来,我们希望能够调查与其他流行型号的集成,如细胞[16表演[Stardist [17].

结论

CellProfiler对Python 3的迁移将确保未来几年软件将仍然可访问和可维护。在CellProfiler 4中,我们进一步改进了用户界面并引入了新的模块和功能,以帮助科学家开发和执行其分析工作流程。此版本的目标性能改进将大大降低与高吞吐量图像分析相关的计算成本,扩大该开源软件包的潜在应用程序。

可用性和要求

项目名称:CellProfiler。


项目主页:188体育投188体育投注https://cellprofiler.org/


操作系统:Windows、MacOS、Linux。


编程语言:Python 3。


其他要求:Java 1.6 + (JDK 14与构建版本绑定)。


License: BSD 3条款License。


非学术界使用的任何限制:无。

可用性数据和材料

CellProfiler 4是开源软件,该软件已经自由地提供给科学界。适用于Windows和MacoS的预编译构建,以及文档手册http://cellprofiler.org..源代码可在https://github.com/CellProfiler/CellProfiler.基准测试和可视化显示在图中。1c, d, f,3.得了,4b, c和5A由公开可用的管道和图像设置为“empumefly”进行(https://github.com/CellProfiler/examples/tree/master/ExampleFly))。基准测试和可视化显示在图中。1一种,3.D,和4A与可公开的“3D Monolayer”管道和图像集进行执行,可以访问https://github.com/CellProfiler/tutorials/tree/master/3d_monolayer.图1和图2中的细胞绘画基准测试实验。5b,6,以及附加文件1:图S1使用了以前发布的数据集(来自https://bbbc.broadintitute.org/bbbc025)和管道(分析。来自https://github.com/carpenterlab/2016_bray_natprot/blob/master/supplementary_files/cell_painting_pipelines.zip,引用在[11])。这个数据集的管道最初是为CellProfiler 2编写的,因此被调整为在CellProfiler 3和CellProfiler 4上运行,具有类似的输出。这些调整的管道以及样品数据和管道用来产生图。2在公共GitHub存储库中提供(https://github.com/carpenterlab/2021_Stirling_BMCBioInformatics).

缩写

API:

应用程序编程接口

保罗:

CellProfiler 3

CP4:

CellProfiler 4

I / O:

输入输出

参考

  1. 1.

    Schneider CA, Rasband WS, Eliceiri KW. NIH Image to ImageJ: 25年的图像分析。Nat方法。2012;9(7):671 - 5。

    中科院文章谷歌学术搜索

  2. 2.

    Bankhead P, Loughrey MB, Fernández JA, Dombrowski Y, McArt DG, Dunne PD,等。QuPath:数字病理图像分析的开源软件。Sci众议员2017;7(1):1 - 7。

    中科院文章谷歌学术搜索

  3. 3.

    等。ilastik:交互式机器学习用于生物图像分析。Nat方法。2019;16(12):1226 - 32。

    中科院文章谷歌学术搜索

  4. 4.

    Carpenter AE, Jones TR, Lamprecht MR, Clarke C, Kang IH, Friman O,等。细胞分析器:识别和量化细胞表型的图像分析软件。基因组医学杂志。2006;7 (10):R100中。

    文章谷歌学术搜索

  5. 5。

    Wiesmann V, Franz D, Held C, Münzenmayer C, Palmisano R, Wittenberg T.荧光细胞显微图像分析免费软件工具综述。J Microsc。2015;257:39-53。https://doi.org/10.1111/jmi.12184

    中科院文章PubMed.谷歌学术搜索

  6. 6。

    Mcquin C,Goodman A,Chernyshev V,Kamentsky L,Cimini Ba,Karhohs Kw等。细胞分析器30:生物学的下一代图像处理。Plos Biol。2018; 16(7):E2005970。

    文章谷歌学术搜索

  7. 7。

    等。使用Jupyter进行可重复的科学工作流程。计算机科学与工程2021;23:36-46。https://doi.org/10.1109/mcse.2021.3052101

    文章谷歌学术搜索

  8. 8.

    Kamentsky L, Jones TR, Fraser A, Bray M-A, Logan DJ, Madden KL等。改进的结构,功能和兼容性Cell Profiler:模块化高通量图像分析软件。生物信息学。2011;27(8):1179 - 80。

    中科院文章谷歌学术搜索

  9. 9.

    Sauvola J,PietikäinenM.自适应文件图像二值化。模式识别。2000; 33(2):225-36。

    文章谷歌学术搜索

  10. 10。

    Van der Walt S,SchönbergerJL,Nunez-Iglesias J,Boulgne F,Warner JD,Yager N等人。Scikit-image:Python中的图像处理。peerj。2014; 2:E453。

    文章谷歌学术搜索

  11. 11.

    Bray M-A,Singh S,Han H,Davis CT,Borgerson B,Hartland C等人。细胞涂装,使用多路复用荧光染料的形态分析的基于高含量的图像的测定。NAT PROTOC。2016; 11(9):1757-74。

    中科院文章谷歌学术搜索

  12. 12.

    ljosa v,sokolnicki kl,木匠ae。注释的高吞吐量显微镜图像集进行验证。NAT方法。2012; 9(7):637-637。

    中科院文章谷歌学术搜索

  13. 13。

    Dask RM。基于阻塞算法的并行计算和任务调度。见:第14届蟒蛇科学会议论文集。凯瑟琳·赫夫和詹姆斯·伯格斯特拉;2015.130 - 6页。

  14. 14。

    napari贡献者。纳帕里:一个用于python的多维图像查看器。2019.https://zenodo.org/record/4968798.

  15. 15.

    Hollandi R,Szkalisity A,Toth T,Tasnadi E,Molnar C,Mathe B等人。生成核酸:使用图像样式传输的Nucleus分割的无参数深度学习框架。细胞系统。2020; 10(5):453-8.E6。

    中科院文章谷歌学术搜索

  16. 16。

    王涛,王海涛,王海涛。细胞分割算法的研究进展。Nat方法。2021;18(1):100 - 6。

    中科院文章谷歌学术搜索

  17. 17。

    基于星形凸多边形的细胞检测。医学图像计算与计算机辅助干预。2018.p . 265 - 73。https://doi.org/10.1007/978-3-030-00934-2_30

下载参考

致谢

作者要感谢Katrin Leinweber、Vito Zanotelli、Erin Weisbart、Chris Allen、Nasim Jamali和Pearl Ryder对该软件预发布版本的bug修复和测试所做的贡献。我们也感谢所有提供反馈和建议,帮助指导这项工作的生物成像社区成员。

资金

该工作得到了国家健康机构的支持(R35 GM122547和P41 GM1M135019至AEC)。该项目是部分组成的,部分是2018-192059至AG和2020-225720到BAC的BAC,硅谷社区基金会的建议基金陈扎克伯格倡议DAF。资助者在研究设计,数据收集和分析中没有作用,决定发布或准备稿件。

作者信息

从属关系

作者

贡献

该软件由DRS、MJS-B、AML、BAC和AG开发。DRS撰写了手稿,AEC和BAC负责编辑和监督。所有作者阅读并批准了最终的手稿。

相应的作者

对应到贝丝a Cimini

伦理宣言

伦理批准和同意参与

不适用。

同意出版物

不适用。

相互竞争的利益

提交人声明他们没有竞争利益。

额外的信息

出版商的注意事项

金宝搏官网下载施普林格《自然》杂志对已出版的地图和机构附属机构的管辖权要求保持中立。

补充信息

附加文件1:图S1

.单元格绘制示例管道中所有模块的执行时间。在Cell Painting检测协议中,每个模块的每幅图像CPU时间(n = 48)。这些测量不会记录Images模块中的I/O加载操作。

权利和权限

开放获取本文根据创意公约归因于4.0国际许可证,这允许在任何中或格式中使用,共享,适应,分发和复制,只要您向原始作者和来源提供适当的信贷,提供了一个链接到Creative Commons许可证,并指出是否进行了更改。除非信用额度另有说明,否则本文中的图像或其他第三方材料包含在文章的创造性公共许可证中,除非信用额度另有说明。如果物品不包含在物品的创造性的公共许可证中,法定规定不允许您的预期用途或超过允许使用,您需要直接从版权所有者获得许可。要查看本许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/.创作共用及公共领域专用豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文中提供的数据,除非另有用入数据的信用额度。

再版和权限

关于这篇文章

通过CrossMark验证货币和真实性

引用这篇文章

斯特灵,d.r.,斯温-鲍登,m.j.,卢卡斯,A.M.等等。CellProfiler 4:速度,效用和可用性的提高。www.188bet com22,433(2021)。https://doi.org/10.1186/s12859-021-04344-9.

下载引用

关键词

  • 图像分析
  • 显微镜
  • 图像分割
  • 图像定量
  • Bioimaging