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

成像数据包含大量的信息,肉眼难以评估。随着高通量显微术方法的扩展,产生越来越大的数据集,对结果图像进行自动化和客观分析对于从这些数据中有效提取生物信息至关重要。CellProfiler是一个免费的、开源的图像分析程序,它使研究人员能够生成模块化管道,用以将显微镜图像处理成可解释的测量值。

后果

在这里我们描述CellProfiler 4,这是这个软件的一个新版本,具有扩展的功能。在用户反馈的基础上,我们对用户界面进行了一些改进,以提高软件的可用性。我们引入了新的模块来扩展软件的功能。我们还评估了性能,并进行了有针对性的优化,以减少运行常见的大规模分析管道的时间和成本。

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

显微镜可用于包含了丰富的,可以通知生物医学研究信息采集图像。图像分析软件,可以让科学家从否则难以通过主观观察采集图像获得定量的测量。越来越多地使用自动化的显微术的现在使研究人员能够与许多数千个单独的化合物或遗传扰动的处理的样品的捕获图像。科学家越来越多图像细胞3D或跨时间系列;这扩大大块的原始数据的必要自动化处理和分析。这样的分析是通过使用软件来执行的细胞或生物体的自动化检测并提取定量的度量,其客观地描述试样最好地实现。

许多显微镜现在都附带有专有的分析软件包,如变态(分子设备)、Elements(尼康)、Zen(蔡司)和Harmony(Perkin Elmer)。这些生态系统功能强大,但无法灵活处理来自其他制造商设备的数据。这些专有解决方案的成本也会限制可访问性,其封闭源代码的性质可能会掩盖科学家数据的分析方式。ImageJ、CellProfiler、QuPath等免费开源软件包因此,Ilastik和许多其他工具已成为研究人员使用的流行分析工具[1].ImageJ是使用最广泛的软件包,在大量社区开发的插件的帮助下,它擅长对单个图像进行分析[1]。许多较小的软件包是针对特定类型的数据开发的:例如,QuPath是一个专门针对病理学应用的流行程序[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,我们推出了CellProfiler,这是一个开源的图像分析程序,允许未经特殊培训的用户使用模块化处理管道自动进行图像分析[4].CellProfiler已经被社区广泛采用,目前每年被引用超过2000次。内置模块提供了分析图像的各种算法,可以通过使用社区开发的插件进行进一步扩展。在一项对15个免费图像分析工具的独立分析中,CellProfiler在可用性和功能上都获得了很高的分数[5].我们之前的版本CellProfiler 3引入了对3D图像分析的支持,进一步扩展了该工具的应用[6].然而,CellProfiler 2的一些流行功能无法在该版本中推出,某些模块难以在3D管道中高效运行。

实施

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源代码分为两个包:CellProfiler和CellProfiler core。新的CellProfiler core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s、 开发核心包是为了引入一个稳定的API,允许用户在流行环境(如Jupyter)中访问CellProfiler作为Python包的功能[7以及将来与其他软件包和软件套件的集成。

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) 。我们还扩大了人物对比对话框让用户通过图像的方式显示在2D和3D模式(图更精细的控制。1b) 。这些更改将帮助用户更好地可视化和理解他们的数据。

图1
图1

CellProfiler 4中的用户界面改进。一个新的三维查看器窗口的右上角带有平面控件。b对比度和标准化调整弹出窗口可用于任何图像窗口。c在模块上调用“trace”命令时显示的。左边的箭头图标表示向所选模块提供数据或使用所选模块的数据的模块(点图标)。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工作空间查看器模块显示示例管道中数据的自定义覆盖

其他更改使得开发和配置管道更加容易。我们添加了一个接口来可视化哪些模块生成感兴趣的模块所需的输入或使用感兴趣模块的输出,这将有助于修改复杂的管道(图3)。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,“添加模块”弹出窗口中的新搜索过滤器允许用户更轻松地按模块名称而不是按类别查找所需模块(图。1e)。

我们还恢复了从CellProfiler 2迁移到CellProfiler 3时丢失的一些特性。最值得注意的是,我们重新构建了工作区查看器,用户在其中构建了他们的数据的定制视图,并可以在管道被修改时专注于感兴趣的特定区域(图。1f)中,使得它更简单,以监测和图像的问题区域的细化分割。此外,在测试模式下管道接口的新图标提供更强的视觉指示,其中模块是当前要被执行,和提供返回并执行前面的模块在管道的能力。这种重复,取代了CellProfiler 2滑块控件,这不能结转到CellProfiler 3但受用户欢迎的功能。

新功能和恢复的功能

在CellProfiler 4,我们推出了一些新的分析功能和设置。我们确定了共同的工作流程问题是分析师在多个阶段往往段高度可变的对象(如分割和屏蔽掉亮的物体援助分割相似,但调光器的对象),但以前的版本不能简单地把得到的分割作为一个单一的对象执行和出口测量时设定。要解决这一点,我们添加了CombineObjects模块,允许用户合并对象的套已单独定义。设计该模块时,一个关键问题是如何处理将重叠,如果集被合并,因此我们建立详见图几种策略对象。2。生成的合并集可以在整个管道中进行,而无需在CellProfiler外部合并测量表。

图2
figure2

接近为CombineObjects模块内结合对象集。结果代表来自模块内的可用不同的方法的输出。“合并”将加入触摸物体和从所述初始集合相互冲突的区域到最近的对象分发。“保留”,将来自第二组,其与该组初始的没有重叠相加对象的唯一区域。“放弃”将只与没有重叠添加对象。“段”将增加两个对象集,并重新段争议地区

许多用户都用RunImageJ模块的损失感到失望[8在CellProfiler 2.2;我们现在已经用新的RunImageJMacro模块替换了它。新模块允许用户从CellProfiler导出图像到临时目录,在该目录上执行自定义ImageJ宏,然后自动将处理后的图像导入到CellProfiler。实际上,这将允许用户在CellProfiler管道中访问ImageJ函数和插件,极大地扩展了它的互操作性。与它的前辈不同,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,同时减少了对CellProfiler稳定性的威胁,因为这两个软件之间的版本不需要保持同步。

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让用户感到困惑,所以我们开始在CellProfiler 3中更新这个实现,并在CellProfiler 4中完成它。在应用任何阈值方法期间,我们添加了一个专门的设置来记录变换图像数据。这些新选项将帮助用户分割具有挑战性的图像。

新测量

我们检查了CellProfiler 4中的一些测量模块。我们重新设计了MeasureObjectSizeShape,以记录额外的测量,现在可以在scikit-image,包括边界盒位置,图像矩和惯性张量,产生多达60个新的形状测量每个对象。我们预计,这些新特征可能对训练机器学习模型具有特殊价值,机器学习模型在对大数据集进行对象分类方面发挥着越来越重要的作用。除了新的功能,一些以前的2d测量,如欧拉数和稳定性,现在也可以用于3D图像。这些扩展的测量方法为研究人员提供了更多的指标来调查细胞表型。

后果

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.a) 。另一个需要改进的关键领域是文件加载(输入/输出或I/O操作)。Python底层目录扫描功能的改进与CellProfiler图像加载过程的优化相结合,大大缩短了将大型文件夹图像添加到文件列表所需的时间。这在使用网络存储时尤其明显。

图3
图3

在CellProfiler 3一般性能与CellProfiler 4.结果代表了运行Windows 10的机器上独立运行,使用1个工作进程。一个从启动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ExampleFly管道的时间(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,如3D分割和常用的细胞绘制分析[11]为耗时CellProfiler 3.因此,我们的目的是确定和调整哪些显示长执行时间在这些场景模块。

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工作流中,我们发现MedianFilter模块处理速度特别慢。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。4a) 。

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。一个MedianFilter模块在3D单层管道中运行的执行时间(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ExampleFly管道的8位图像上运行MeasureLocalization时的执行时间(n = 5)

另一个关键目标是MeasureTexture模块,当执行每个对象的测量时,它会显示较长的运行时间。分析表明,这是由每个对象函数处理要测量的每个对象的全尺寸屏蔽数组造成的。为了提高性能,我们调整了这些函数,以生成和处理每个对象感兴趣的特定区域的数组。在我们的测试中,这将分析每张图像的时间从几分钟减少到几秒,而结果测量值没有任何变化。4b)。

在measurelocalization模块中,成本共本地化系数的测量也取得了重大进展。这个统计需要计算cost的自动阈值,该阈值是通过对要比较的两幅图像进行阈值化,然后连续降低阈值,直到两幅阈值图像之间的Pearson R相关性降到0以下而产生的。我们最初的实现会在每一步将0-1比例的图像中的候选值减少1/255,这对于包含65,536个灰度级的16位图像来说是不合适的,而在8位图像中是256。在16位图像中测试65,536个候选阈值将会非常慢,因此我们引入了cost自动阈值方法的可选实现来解决这种效率低下的问题。我们的第一个优化保持了评估每个可能阈值的典型策略,但仅在新值产生的阈值像素总数与前一个值不同的情况下测量阈值图像的Pearson R相关性。我们称之为“精确”模式,但在具有大量独特像素值的图像中,性能非常慢。因此,我们在模块中引入了“fast”模式,在该模式中,如果之前的Pearson R值大大高于0,则候选阈值将以更大的步骤降低。这提高了处理8位图像时的性能(图。5a) ,但使用16位图像仍然效率低下(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)理论上,这些加速方法可能会在极少数情况下“超出”目标阈值,但在我们的测试中,它们始终产生与“精确”实现相同的结果。尽管如此,我们已经在模块设置中实现了所有三种策略(“准确”、“快速”和“更快”)。其他的共本地化方法没有同样程度的性能问题,但是将它们更新到新的实现可以减少模块在不启用cost特性的情况下处理的时间(图)。4c) 。

图5
figure5

替代成本自动化阈值策略的性能。使用每种算法,measurecolocation模块执行1个两两比较时的执行时间一个来自ExampleFly管道的8位图像(n = 6) 或b来自示例Cell Painting数据集的16位图像(n = 8)。在16位图像上,CellProfiler 3的结果计算不正确,但显示了相对性能

总之,这些改进将显着地减少所需的计算时间和功率来处理图像,特别是大的,复杂的数据集时。这将对降低资源成本的研究,使得大规模分析CellProfiler更多的实惠和方便的增值收益。在分析时间的减少也将减少运行这种管道对环境的影响。

通用工作流中的性能

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。6a) 。

图6
figure6

细胞涂装分析协议中选定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。一个管道中所有模块的每个映像集的总模块执行时间(以CPU时间为单位)。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每个图像集的IdentifyPrimaryObjects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,MeasureTexture的改进贡献了我们观察到的大部分性能改进(图。6b).我们还注意到measureimagequal中的小改进(图。6IdentifyPrimaryObjects(图c)。6MeasureGranularity(图d)。6e) 和测量对象尺寸图(图。6f) 模块。管道中的其他模块在这两个版本中表现出类似的性能,或者执行时间可以忽略不计(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。

cellprofiler core拆分成一个独立的包也为生成一个稳定的API以用于其他基于Python的应用程序奠定了基础。这最终将允许用户在Jupyter等环境中修改和执行管道,这可能有助于寻求自动化复杂工作流的研究人员。该API可以为常见的图像处理任务(如对象分割)提供更高级别的接口,这将简化直接在Python环境中分析图像的工作流程,并可以作为Python工具的桥梁,这些工具的GUI与CellProfiler不兼容,如Napari[14]。当前的实现提供了对CellProfiler所有重要类的访问,以及运行管道或单个模块的能力。为了将来的发展,我们希望引入一个更方便的系统,以编程方式生成图像集,而无需原始输入模块或CSV文件。

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],未来我们希望研究与其他流行模型的集成,如Cellpose [16]和Stardist [17].

结论

CellProfiler迁移到Python3将确保该软件在未来几年保持可访问性和可维护性。在CellProfiler 4中,我们进一步完善了用户界面,并引入了新的模块和功能,以帮助科学家开发和执行他们的分析工作流程。此版本中有针对性的性能改进将大大降低与高通量图像分析相关的计算成本,拓宽此开源软件包的潜在应用。

可用性和要求

项目名称:CellProfiler。


项目主页:欧宝直播官网apphttps://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)。


许可:BSD 3-条款许可。


对非学者使用的任何限制:没有。

数据和材料的可用性

CellProfiler 4是一款开源软件,已免费提供给科学界。Windows和MacOS的预编译版本以及文档手册可在http://cellprofiler.org。源代码可在https://github.com/CellProfiler/CellProfiler.图中所示的基准测试和可视化。1c、 d,f,3.A-C,4b, c和5使用公开可用的管道和映像集“ExampleFly”(https://github.com/CellProfiler/examples/tree/master/ExampleFly)).基准测试和可视化显示在图中。1一个,3.d、 及4a是使用公开可用的“3D单层”管道和图像集执行的,可以访问https://github.com/CellProfiler/tutorials/tree/master/3d_monolayer. 无花果细胞绘画基准实验。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.broadinstitute.org/BBBC025)和管道(分析。cppipe从https://github.com/carpenterlab/2016_bray_natprot/blob/master/supplementary_files/cell_painting_pipelines.zip,引于[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提供在一个公共GitHub存储库(https://github.com/carpenterlab/2021_Stirling_BMCBioInformatics).

缩写

应用程序编程接口:

应用程序编程接口

CP3:

细胞分析器3

CP4:

细胞分析器4

输入/输出:

输入/输出

参考文献

  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。

    CAS.文章谷歌学者

  2. 2.

    班克黑德P,Loughrey MB,费尔南德斯JA,多明布鲁夫斯基Y,McArt DG,邓恩PD,等人。QuPath:开源软件对数字病理图像分析。SCI代表2017; 7(1):1-7。

    CAS.文章谷歌学者

  3. 3.

    伯格S,Kutra d,克勒格尔T,Straehle CN,考斯勒BX,Haubold C,等人。ilastik:互动机器学习的(生物)图像分析。纳特方法。2019; 16(12):1226至1232年。

    CAS.文章谷歌学者

  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。

    文章谷歌学者

  5. 5.

    维泽曼V,弗朗兹d举行C,MünzenmayerC,彭明盛R,自由软件工具,用于荧光显微细胞的图像分析Wittenberg的T.综述。ĴMicrosc。2015; 257:39-53。https://doi.org/10.1111/jmi.12184

    CAS.文章PubMed谷歌学者

  6. 6.

    陈志强,陈志强,陈志强,等。细胞分析器30:下一代生物图像处理。公共科学图书馆杂志。2018;16 (7):e2005970。

    文章谷歌学者

  7. 7.

    求男,塔卡Ĵ,Kluyver T,科诺瓦洛夫A,拉根-凯利男,THIERY NM,等人。使用Jupyter可重复科学的工作流程。COMPUT科学与工程。2021; 23:36-46。https://doi.org/10.1109/mcse.2021.3052101

    文章谷歌学者

  8. 8.

    Kamentsky L,Jones TR,Fraser A,Bray M-A,Logan DJ,Madden KL等。细胞轮廓仪的改进结构、功能和兼容性:模块化高通量图像分析软件。生物信息学。2011;27(8):1179-80。

    CAS.文章谷歌学者

  9. 9.

    吴志强,王志强。自适应文档图像二值化。模式Recognit。2000;33(2):225 - 36。

    文章谷歌学者

  10. 10.

    van der Walt S, Schönberger JL, Nunez-Iglesias J, Boulogne F, Warner JD, Yager N, et al. scikit-image: Python中的图像处理。PeerJ。2014; 2: e453。

    文章谷歌学者

  11. 11.

    等。细胞绘画,一种高含量的基于图像的形态学分析使用多重荧光染料。Nat Protoc。2016;11(9):1757 - 74。

    CAS.文章谷歌学者

  12. 12.

    Ljosa V,Sokolnicki KL,Carpenter AE。用于验证的带注释的高通量显微镜图像集。Nat方法。2012;9(7):637–637.

    CAS.文章谷歌学者

  13. 13.

    Dask RM.《带分块算法和任务调度的并行计算》。载:第14届python科学会议论文集。Kathryn Huff和James Bergstra;2015年。第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.

    holi R, Szkalisity A, Toth T, Tasnadi E, Molnar C, Mathe B, et al. nucleAIzer:一种基于图像风格转移的无参数深度学习框架。细胞系统。2020;10 (5):453 - 8. - e6。

    CAS.文章谷歌学者

  16. 16

    Stringer C,Wang T,Michaelos M,Pachitariu M.Cellpose:细胞分割的通用算法.Nat方法.2021;18(1):100-6。

    CAS.文章谷歌学者

  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

确认

作者要感谢Katrin Leinweber、Vito Zanotelli、Erin Weisbart、Chris Allen、Nasim Jamali和Pearl Ryder对本软件发布前版本的错误修复和测试所做的贡献。我们还感谢生物成像社区的所有成员,他们提供了有助于指导这项工作的反馈和建议。

资金

这项工作得到了美国国立卫生研究院(AEC)的资助(R35 GM122547和P41 GM135019)。这个项目已经由GoalPosits 2018-192059号授权给AG和2020—225720,由硅谷社区基金会的建议基金扎克伯格提出。资助者在研究设计、数据收集和分析、决定出版或准备手稿方面没有任何作用。

作者信息

隶属关系

作者

贡献

DRS、MJS-B、AML、BAC和AG开发了该软件。DRS撰写了手稿,AEC和BAC进行了编辑贡献和监督。所有作者都阅读并批准了最终手稿。

通讯作者

对应于贝丝a Cimini

道德声明

伦理批准和同意参与

不适用。

同意出版

不适用。

相互竞争的利益

作者声明他们没有相互竞争的利益。

额外的信息

出版说明

欧宝体育黑玩家施普林格《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。

补充资料

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

开放获取本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图像或其他第三方材料都包含在本文的知识共享许可中,除非在该材料的信用额度中另有说明。如果资料不包括在文章的知识共享许可协议中,并且你的预期用途没有被法律规定允许或超过允许用途,你将需要直接从版权所有者获得许可。如欲查阅本许可证副本,请浏览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/)适用于本文提供的数据,除非在数据的信贷额度中另有说明。

重印和许可

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.CellProfiler 4:速度、效用和可用性方面的改进。欧宝娱乐合法吗22,433 (2021). https://doi.org/10.1186/s12859-021-04344-9

下载引文

关键词

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