ICY Spot Detector находит и подсчитывает яркие или тёмные точечные объекты на микроскопических изображениях, выделяет их многомасштабным вейвлет-детектором, позволяет выбрать нужный канал, масштаб и чувствительность, ограничить анализ областями ROI, отфильтровать находки по размеру и передать координаты, количество и размеры обнаружений в таблицу, ROI или контрольное изображение для дальнейшей обработки.

Работа строится вокруг панели настроек Spot Detector в Icy: сначала указывают последовательность и канал, затем задают полярность объектов относительно фона, один или несколько пространственных масштабов и чувствительность для каждого из них. После запуска детектор формирует набор обнаружений, который можно проверить поверх исходного кадра, ограничить пользовательскими областями интереса и сохранить в одном из предусмотренных выходных представлений. Такой порядок особенно удобен для флуоресцентных точек, внутриклеточных фокусов, гранул, капель и других компактных структур, которые плохо отделяются от неоднородного шума одним глобальным порогом.

Ключевая особенность ICY Spot Detector — разделение задачи на собственно вейвлет-детекцию и последующую организацию результатов. Параметр Scale выбирает характерный размер искомых объектов, Sensitivity регулирует строгость отбора, а фильтрация по размеру позволяет убрать слишком мелкие или крупные срабатывания уже после детектора. Обнаружения можно сортировать по ROI, экспортировать как ROI для других инструментов Icy, передавать через SwimmingPool или использовать в протоколах, где детекция становится одним из шагов более длинной цепочки анализа.

Как Spot Detector выделяет точечные объекты

Детектор рассчитан не на произвольную сегментацию контуров, а на поиск локальных компактных сигналов. В основе лежит вейвлетное представление изображения: полезная структура рассматривается на нескольких пространственных масштабах, а фон и шум отделяются от значимых коэффициентов статистическим порогом. Практический смысл этого подхода в том, что пользователю не приходится подбирать один абсолютный уровень яркости для всего поля. Если фон плавно меняется, а интересующие объекты остаются локальными, вейвлетный отклик может сохранить их заметность даже там, где обычная бинаризация по интенсивности дала бы либо пропуски, либо большое число ложных областей.

Параметры Scale и Sensitivity связаны, но отвечают за разные аспекты. Scale задаёт, на каком пространственном уровне искать характерную структуру; небольшие масштабы предназначены для более мелких объектов, крупные — для более широких. Sensitivity определяет, насколько строгим будет статистический отбор на выбранном масштабе. Поэтому менять чувствительность без проверки масштаба не всегда полезно: если размер выбран неверно, повышение чувствительности может увеличить количество случайных срабатываний, но не восстановить корректную форму нужных точек.

Несколько масштабов можно использовать одновременно. Это важно, когда в одном изображении присутствуют объекты разных размеров или когда реальный сигнал слегка меняется по диаметру от клетки к клетке. В таком случае каждый активный масштаб получает собственную настройку чувствительности. Результаты затем объединяются в общий набор обнаружений, а размерная фильтрация помогает убрать крайние случаи. Смысл многомасштабной настройки состоит не в том, чтобы включить все варианты сразу, а в том, чтобы покрыть реальный диапазон размеров, который виден в исходных данных.

Для воспроизводимой настройки лучше начинать с участка изображения, где одновременно есть типичные объекты, слабые положительные примеры и фон без сигнала. Сначала подбирают один масштаб, который наиболее точно соответствует размеру большей части объектов, затем регулируют чувствительность до приемлемого баланса между пропусками и ложными точками. Лишь после этого стоит добавлять второй масштаб, если остаётся отдельная популяция существенно меньших или больших структур. Такой порядок позволяет понимать, какой именно параметр изменил результат.

Панель Settings и логика рабочего процесса

Настройки сгруппированы по смыслу: Input определяет входную последовательность и канал, Pre Processing отвечает за подготовительные параметры, Detector содержит сам алгоритм и его масштабы, Region of Interest ограничивает область анализа, Filtering уточняет набор найденных объектов, Output задаёт форму сохранения, а Display управляет визуальной проверкой. Это делает панель похожей на последовательный конвейер: параметры верхних групп влияют на то, что поступит в детектор, а нижние — на то, какие результаты будут оставлены и куда они попадут.

При ручной настройке полезно идти именно сверху вниз. Если сначала менять Output или фильтры, а затем обнаружить, что выбран неправильный канал, сравнивать результаты станет трудно. Напротив, последовательная проверка Input → Detector → ROI → Filtering → Output позволяет локализовать проблему. Например, пустой результат при заведомо видимых точках чаще связан с каналом, полярностью, масштабом или слишком строгой чувствительностью, а не с экспортом.

Spot Detector обычно используется вместе с открытой Sequence в Icy. Это означает, что геометрия, число каналов, временные точки и глубина Z определяются входной последовательностью, а не отдельным импортом внутри детектора. Для многоканального файла особенно важно не ориентироваться только на цвет отображения: анализ выполняется по выбранному числовому каналу. Если в просмотрщике включена композиция нескольких каналов, визуально заметный объект может находиться не в том канале, который в данный момент передан детектору.

Input: последовательность и канал

В Input выбирают изображение, на котором будет выполнен поиск, и нужный канал. Для эксперимента с несколькими флуорофорами это принципиальная настройка: один канал может содержать маркер клеточного тела, другой — фокусы, третий — ядра. Spot Detector способен работать как с отдельным каналом, так и быть частью протокола, где результаты одного канала используются для анализа другого. В сценарии с ROI типичный приём состоит в том, чтобы построить области по структурному маркеру, а затем считать точки внутри тех же областей на целевом канале.

Перед запуском стоит пролистать несколько Z-срезов и временных точек, если они есть, чтобы убедиться, что выбранный канал действительно содержит искомые структуры на всём диапазоне. Ошибка выбора канала часто выглядит как слишком строгий детектор: пользователь снижает порог, получает шум, но нужных объектов всё равно нет, потому что анализируется другая плоскость данных. Поэтому проверка Input должна предшествовать тонкой настройке чувствительности.

Pre Processing: что проверять до детекции

Подготовка изображения в контексте Spot Detector нужна прежде всего для того, чтобы входной сигнал соответствовал допущениям детектора: интересующие объекты должны быть локальными, а не определяться только глобальным градиентом или резкой границей большого объекта. Если изображение содержит сильную засветку, насыщенные области, выраженные полосы сканирования или резкий фоновой уклон, менять чувствительность до исправления причины может быть бесполезно. Вейвлетный анализ устойчивее простого порога к медленным изменениям фона, но не превращает технический артефакт в корректный биологический сигнал.

При сравнении серий важно применять одинаковую подготовку. Если одну группу предварительно сгладить сильнее, чем другую, эффективный размер точек изменится, а вместе с ним изменится и оптимальный Scale. Аналогично изменение пространственного разрешения без пересмотра масштаба может сделать старые параметры несопоставимыми. Практически это означает, что детектор следует настраивать на данных одного типа и затем переносить конфигурацию только на изображения с сопоставимой оптикой, дискретизацией и обработкой.

Detector: выбор алгоритма, полярности и масштаба

В списке Detector используется вейвлетный детектор UDWTWaveletDetector. Его задача — выделить значимые локальные структуры через недецимированное дискретное вейвлетное преобразование. Для пользователя важны не математические коэффициенты как таковые, а практическая возможность искать одинаковые по типу сигналы при неоднородном фоне. В интерфейсе задаётся полярность: яркие объекты на тёмном фоне или тёмные объекты на светлом. Неверная полярность меняет сам объект поиска, поэтому она должна соответствовать исходной интенсивности, а не цветовой палитре, выбранной для отображения.

Если флуоресцентные точки выглядят светлее окружающего цитоплазматического фона, выбирают вариант bright over dark. Для светлопольных изображений или инвертированных сигналов может понадобиться обратный режим. Перед выбором полезно временно перейти к нейтральной серой LUT: псевдоцвет иногда создаёт ощущение, что красный объект должен считаться ярким, хотя по числовой интенсивности он может быть темнее соседнего фона. Детектор работает с интенсивностями, а не с визуальным названием цвета.

После выбора полярности задают Scale. Документация и протоколы показывают несколько масштабов, которые можно добавлять и удалять. Каждый масштаб представляет свой диапазон размеров. В типичном протоколе для мелких фокусов может использоваться Scale 2, но это пример для конкретных изображений, а не универсальная установка. На другом объективе или при другой дискретизации тот же физический объект занимает иное число пикселей, поэтому корректный масштаб надо подбирать по фактическому изображению.

Если один и тот же объект реагирует сразу на соседних масштабах, важно проверить, как формируется итоговое обнаружение, а не считать срабатывания независимыми биологическими точками. Принцип многомасштабной детекции предполагает объединение информации о структуре, а не механическое суммирование всех коэффициентов. Именно поэтому результат следует оценивать по итоговым меткам и ROI, а не по числу активированных масштабов.

Sensitivity: как менять строгость отбора

Sensitivity следует воспринимать как параметр статистической строгости для выбранного масштаба, а не как обычную регулировку яркости. В опубликованных протоколах встречаются конкретные числа, например 10 или 100, но переносить их между экспериментами без проверки нельзя. Значение имеет смысл только вместе с размером пикселя, масштабом, уровнем шума, оптическим разрешением и выбранным каналом. Даже два изображения одного препарата, полученные с разной экспозицией или усилением, могут требовать повторной валидации.

Удобный способ настройки — использовать три класса примеров: очевидно положительные точки, слабые ожидаемые точки и участки чистого фона. После каждого изменения проверяют все три. Если сильные объекты остаются, слабые начинают появляться, но фон ещё не превращается в множество случайных меток, параметр движется в полезном направлении. Если одновременно резко растёт число точек в областях, где биологического сигнала нет, дальнейшее ослабление отбора уже ухудшает специфичность.

В некоторых описаниях блока Wavelet Spot Detector меньшая числовая чувствительность связана с уменьшением количества обнаружений, тогда как формулировки старых руководств могут описывать шкалу через порог. Поэтому при работе с конкретной панелью нельзя полагаться только на слово Sensitivity и предполагать направление эффекта. Надёжный способ — изменить значение на один заметный шаг и визуально сравнить число меток. Такая проверка заодно выявляет, соответствует ли открытому интерфейсу тот вариант блока, который используется в протоколе.

Если задействовано несколько масштабов, параметр настраивают для каждого отдельно. Для мелкого масштаба фон обычно содержит больше высокочастотных деталей, поэтому он может давать иной профиль ложных срабатываний, чем крупный. Настройка всех масштабов одной цифрой только ради симметрии не имеет методического преимущества. Напротив, различающиеся значения могут быть оправданы, если каждый масштаб покрывает собственную популяцию объектов.

Force use of 2D Wavelets for 3D

В настройках предусмотрен режим принудительного использования 2D-вейвлетов для трёхмерных данных. Он нужен для случаев, когда вход содержит Z-стек, но структура или качество по оси Z не позволяют считать его изотропным трёхмерным объёмом. Например, шаг между срезами может существенно превышать размер пикселя в XY, а точка выглядеть хорошо определённой внутри плоскости и сильно растянутой между соседними срезами. Тогда покадровая двумерная логика может быть ближе к реальному качеству данных.

Выбор 2D или 3D должен соответствовать вопросу исследования. Если требуется получить объёмный объект и его пространственное положение, полноценная трёхмерная детекция логичнее при достаточной Z-дискретизации. Если же эксперимент фактически анализирует независимые оптические срезы, принудительные 2D-вейвлеты позволяют не приписывать слабой связи между плоскостями лишний смысл. После переключения режима обязательно проверяют, не дробится ли один объёмный объект на несколько детекций по Z.

Бинарное изображение до фильтрации

Опция отображения бинарного изображения до фильтрации полезна для диагностики самого детектора. Финальный список точек уже прошёл дополнительные ограничения, поэтому по нему трудно понять, какая стадия отбросила объект. Бинарная маска до фильтрации показывает, что именно алгоритм посчитал значимым на выбранных масштабах. Если нужная точка отсутствует уже там, причина находится в Input, полярности, Scale или Sensitivity; если она есть в маске, но исчезает позже, следует проверять ROI и Filtering.

Такая промежуточная проверка особенно помогает при сложных наборах правил. Допустим, пользователь ограничил поиск клеточными ROI и одновременно включил размерный фильтр. По итоговому изображению видно лишь, что объект не учтён. Сравнение с предфильтрационной маской позволяет быстро разделить два сценария: детектор не увидел структуру либо структура найдена, но исключена после детекции. Это сокращает число бессистемных изменений параметров.

Region of Interest: анализ внутри заданных областей

ROI в Spot Detector позволяют перейти от общего подсчёта по полю к подсчёту внутри биологически или технически значимых областей. Это могут быть отдельные клетки, ядра, сегменты ткани или области, заранее созданные другим шагом протокола. Вместо того чтобы считать все точки одинаково, детектор сопоставляет обнаружения с областями и тем самым позволяет получить число объектов для каждой ROI.

В многоканальном эксперименте ROI часто строятся по одному каналу, а точки ищутся в другом. Например, границу клетки удобно получить по мембранному или цитоплазматическому маркеру, а фокусы — по отдельному флуоресцентному сигналу. При таком подходе важно, чтобы геометрия ROI была привязана к той же Sequence и корректно распространялась на нужный канал. В обсуждениях Icy отдельно отмечалось, что канал ROI может мешать применению области к другому каналу; для общей области используют настройку, соответствующую всем каналам.

Если ROI неожиданно не ограничивает детекцию, сначала проверяют не чувствительность, а принадлежность области к данным: нужная ли Sequence активна, совпадают ли координаты, охватывает ли ROI правильные Z/T положения и не закреплена ли она за отдельным каналом. Визуально область может находиться на том же изображении, но метаданные ROI определяют, где она считается действующей. Такая ошибка особенно заметна в протоколах, где области создаются автоматически и передаются дальше без ручного открытия.

Опция вычисления вейвлетного преобразования с учётом ROI может быть полезна, когда фон вне области резко отличается от внутреннего содержимого. Однако граница ROI сама по себе создаёт контрастный переход, поэтому результат у края следует проверять отдельно. Если вблизи контура появляется необычно много точек, стоит сравнить анализ с небольшой внутренней зоной и убедиться, что детектор реагирует на биологический сигнал, а не на геометрию маски.

Сортировка детекций по ROI

После поиска обнаружения можно организовать по ROI. Для количественного анализа это важнее простого визуального наложения: таблица получает структуру область → число точек, а не только общий счётчик по изображению. Если ROI соответствуют клеткам, такой результат позволяет сравнивать распределение объектов между клетками и связывать координаты каждой детекции с конкретной областью.

До статистической обработки нужно решить, что делать с точками на границе ROI. В зависимости от геометрии и представления центра объекта одна структура может визуально пересекать контур, но её координата окажется только по одну сторону. Поэтому при критичной граничной классификации полезно либо сделать ROI немного консервативнее, либо отдельно просмотреть пограничные случаи. Spot Detector даёт координаты и размер, но биологическое правило принадлежности пользователь задаёт методикой эксперимента.

Filtering: очистка набора найденных объектов

Filtering применяется после первичной детекции и позволяет оставить только объекты, подходящие по заданным критериям. Наиболее прямой и документированный вариант — фильтрация по размеру. Она полезна, когда вейвлетный детектор успешно находит и целевые точки, и отдельные структуры другого масштаба: мелкий шум, слипшиеся крупные образования или яркие фрагменты, которые не относятся к анализируемой популяции.

Размерный фильтр не должен заменять неверный Scale. Если масштаб выбран слишком мелким, крупный объект может распасться на несколько областей; последующее ограничение размера не обязательно соберёт их обратно. Если масштаб слишком велик, близкие точки могут образовать один компонент, а фильтр лишь удалит его как слишком крупный. Правильный порядок — сначала добиться разумной геометрии детекций, затем ограничивать размерный диапазон.

В протоколах на базе Icy встречаются дополнительные морфометрические критерии, например контраст, однородность, периметр и округлость, но они могут относиться к последующим блокам фильтрации протокола, а не к базовой панели Spot Detector. Поэтому при описании конкретной конфигурации следует различать собственные параметры детектора и операции, добавленные вокруг него в Protocols. Если нужного признака нет в панели Spot Detector, его корректнее вычислить следующим блоком, чем предполагать скрытую настройку.

Для количественного проекта пороги фильтрации фиксируют до массового запуска. Подбирать диапазон отдельно для каждого изображения опасно: тогда результат начинает зависеть от субъективного решения оператора. Лучше выбрать репрезентативный набор кадров, определить допустимый диапазон размеров на нём, проверить ошибки на нескольких независимых полях и только после этого применять одинаковое правило ко всей серии.

Output: какие результаты можно получить

Spot Detector предлагает несколько вариантов вывода, рассчитанных на разные этапы анализа. Числовые данные можно сохранить в XLS, детекции — экспортировать в ROI, промежуточную или итоговую маску — в бинарное изображение, а исходное изображение с нанесёнными областями и находками — в контрольный файл. Для связки с другими инструментами Icy доступна передача результата в SwimmingPool. Наличие нескольких выходов позволяет отделить проверку качества от последующей статистики: таблица удобна для подсчётов, ROI — для интерактивного анализа, изображение — для визуального аудита.

Выходные форматы следует выбирать до пакетного запуска. Если конечная цель — только число точек в каждой клетке, XLS может быть основным результатом, но контрольные изображения всё равно полезно сохранить хотя бы для части набора. Если детекции дальше участвуют в трекинге или колокализации, важнее ROI или SwimmingPool, поскольку они сохраняют пространственную структуру обнаружений. Бинарная маска нужна, когда следующий шаг работает не со списком объектов, а с пиксельным представлением сегментации.

XLS: число, координаты и размеры обнаружений

Табличный вывод содержит количественную информацию о результатах: число обнаружений по ROI, а также положение и размер отдельных точек. Это позволяет перейти от изображения к данным, пригодным для сводных таблиц и статистического анализа. При интерпретации координат важно помнить о системе координат исходной Sequence и единицах, которые использует конкретный экспорт. Если метаданные пиксельного размера необходимы для физических величин, их проверяют до анализа, а не восстанавливают по памяти после экспорта.

В интерфейсе предусмотрены варианты автоматического XLS, указания конкретного файла и добавления данных к существующему файлу. В старых рабочих сценариях автоматический вариант сохранял таблицы в служебную папку рядом с исходными данными, а append использовался для накопления результатов. При пакетной обработке необходимо заранее проверить на двух-трёх файлах, как формируются имена и заголовки, чтобы данные разных изображений не перезаписались и не смешались без идентификатора исходника.

Если таблица пуста, а визуально точки есть, проверяют не Excel, а сам список детекций и выбранный способ вывода. Если таблица создаётся, но строки относятся не к тем ROI, проверяют порядок и имена областей. Для больших серий разумно включать в структуру проекта стабильный идентификатор изображения или образца, чтобы после объединения XLS можно было восстановить происхождение каждой строки.

XML и структурированное сохранение

В некоторых конфигурациях панели присутствует вывод XML. Он полезен там, где результат должен быть прочитан программно или сохранён вместе с более подробной структурой объектов. Однако для обычного пользовательского подсчёта таблица и ROI обычно проще для проверки. XML имеет смысл выбирать, если последующий инструмент действительно ожидает этот формат; иначе добавление ещё одного файла повышает сложность архива проекта без практической пользы.

Export to ROI

Экспорт найденных точек в ROI превращает результат детектора в стандартные области Icy. Это один из самых полезных выходов для ручной верификации: найденные объекты становятся видимыми и доступными другим операциям, их можно сопоставлять с исходными структурами и использовать в следующих блоках. В опубликованных протоколах для Spot Detector прямо используется вариант Export to ROI перед запуском Detection.

Если детектор запускается повторно на той же Sequence, старые ROI могут смешаться с новыми. В панели предусмотрена возможность удалить предыдущие точки, визуализированные как ROI. Это особенно важно при подборе параметров: иначе после нескольких проб пользователь может видеть совокупность меток от разных запусков и ошибочно считать, что изменение чувствительности не убрало ложные объекты. Перед сравнением двух конфигураций следует очистить старые детекции или открыть копию исходного изображения.

ROI-экспорт удобен и как средство выборочной коррекции. Если задача допускает ручной контроль, оператор может посмотреть пограничные случаи после автоматического поиска. Но ручное удаление отдельных точек меняет происхождение данных, поэтому такие правки фиксируют отдельно. Для сравнимых серий предпочтительнее исправить правило детекции или фильтрации, чем вручную редактировать каждый кадр.

Контрольное изображение и бинарный результат

Экспорт исходного изображения с ROI и детекциями создаёт наглядное подтверждение того, что именно было посчитано. Для длительных проектов это полезнее скриншота, сделанного случайно: контрольный файл можно связать с конкретным набором параметров и образцом. На нём должны быть видны и положительные детекции, и места потенциальных пропусков, поэтому перед сохранением стоит выбрать такой масштаб отображения, при котором метки не закрывают мелкие структуры.

Бинарное изображение представляет результат в виде маски и подходит для дальнейших морфологических операций. Оно отличается от визуальной метки центра: бинарная область показывает пиксели обнаруженного компонента, а не только координату. Если последующая задача требует площади или пересечения масок, такой выход удобнее списка точек. Если же нужно только количество и центры, XLS или ROI дают более прямое представление.

SwimmingPool: передача обнаружений внутри Icy

SwimmingPool служит промежуточным хранилищем объектов, которыми обмениваются инструменты Icy. Spot Detector может отправлять туда свои обнаружения, чтобы другой компонент забрал их без промежуточного файла. Такой путь используется, например, когда найденные точки должны участвовать в колокализации или трекинге. В старых обсуждениях Icy прямо отмечалось, что для некоторых цепочек Colocalization Studio ожидает детекции в SwimmingPool.

Если следующий инструмент не видит результат, проверяют, был ли включён Export to SwimmingPool и появился ли объект в соответствующей панели до запуска следующего шага. Ошибка порядка легко воспроизводится: пользователь сначала открывает анализатор, затем меняет детекции, но второй инструмент продолжает работать со старым набором. Надёжнее заново передать результат после окончательной настройки и только затем запускать зависимую операцию.

Display: визуальная проверка до экспорта

Display отвечает не за алгоритм поиска, а за представление обнаружений пользователю. Визуальная проверка должна быть обязательным этапом, потому что одно число объектов не показывает характер ошибок. Два набора параметров могут дать одинаковый итоговый счётчик, но один пропустит слабые точки и добавит столько же ложных объектов на фоне, а другой действительно совпадёт с ожидаемой структурой. Наложение меток на исходный канал позволяет увидеть такую разницу.

Проверять нужно не только красивый участок. Минимальный набор включает область с хорошим сигналом, слабый сигнал, фон, границы ROI, плотное скопление точек и участок около яркого крупного объекта. Для 3D дополнительно просматривают несколько соседних Z-плоскостей, чтобы убедиться, что один объект не превращается в серию независимых меток. Для time-series полезно посмотреть начало, середину и конец, где фотоблекание или движение могут менять отношение сигнал/шум.

Рабочий сценарий для одного 2D-изображения

Для одиночного кадра настройку удобно начинать с самой простой конфигурации. Откройте Sequence, выберите целевой канал и установите полярность сигнала. Затем оставьте один масштаб, соответствующий типичному размеру точек, и выполните пробную детекцию. На этом этапе не стоит добавлять жёсткие фильтры: задача — увидеть, способен ли вейвлетный детектор отделить объект от фона и правильно ли выбран характерный размер.

После первого результата сравните метки с исходным изображением. Отдельно посчитайте несколько очевидных ложных положительных областей и несколько пропусков, а не оценивайте результат только на глаз. Если пропуски в основном относятся к маленьким точкам, проверьте меньший Scale. Если лишние области повторяют крупные фоновые структуры, возможно, выбран слишком большой масштаб или неверно подобран диапазон. Sensitivity меняйте только после того, как геометрия найденных объектов выглядит разумно.

Затем включите фильтрацию по размеру, если у ложных объектов есть устойчивое морфометрическое отличие. Если требуется счёт внутри клеток, добавьте ROI и проверьте, что каждая область корректно сопоставляется с детекциями. Только после этой проверки включайте XLS, ROI-экспорт или контрольное изображение. Такой порядок оставляет понятную причинную связь между настройкой и результатом.

Рабочий сценарий для Z-стека

Трёхмерные данные требуют отдельной проверки дискретизации. Перед выбором параметров убедитесь, что метаданные пиксельного размера и шага Z соответствуют реальной съёмке. Если стек анизотропный, объект может быть почти круглым в XY и вытянутым по Z. Это влияет на то, как воспринимается его размер и насколько оправдана полноценная 3D-детекция. В протоколах Icy проверка metadata и pixel size выполняется до запуска Spot Detector именно потому, что пространственная интерпретация зависит от этих значений.

Сделайте пробный запуск на небольшом фрагменте стека и просмотрите обнаружение по нескольким соседним срезам. Хороший результат должен согласовываться с визуальным существованием одной структуры, а не создавать независимую точку на каждой плоскости только из-за того, что сигнал продолжается по Z. Если данные по глубине слишком редкие, сравните результат с режимом принудительных 2D-вейвлетов и выберите тот способ, который соответствует цели измерения.

При фильтрации 3D-объектов не переносите автоматически размерные ограничения из 2D-анализа. Площадь проекции и объём компонента — разные величины. Даже если интерфейс показывает один параметр size, его численная интерпретация зависит от того, какой тип объекта сформирован в текущем режиме. Поэтому пороги калибруют на нескольких вручную проверенных структурах именно в том режиме, который затем будет использоваться для серии.

Многоканальная детекция и подсчёт внутри клеток

Одна из сильных сторон связки Spot Detector с ROI — анализ целевого сигнала в контексте структуры, полученной из другого канала. Сначала можно сегментировать клетки или ядра отдельным инструментом, превратить их в ROI и затем выбрать канал с точечным маркером. Spot Detector ищет точки, а сортировка по ROI распределяет их между областями. В результате вместо общего количества по полю получается набор значений для отдельных клеток.

Такой сценарий требует точной регистрации каналов. Если оптический сдвиг между каналами заметен, ROI из структурного канала может не совпадать с точками во втором. Программа не исправляет хроматическую аберрацию автоматически в момент подсчёта; геометрическую согласованность следует обеспечить до анализа. При сомнениях наложите каналы и посмотрите несколько ярких ориентиров по всему полю, а не только в центре.

Если ROI должны действовать независимо от канала, проверьте их канальную привязку. В Icy встречается ситуация, когда область создана для конкретного C и поэтому не применяется при анализе другой полосы. Для общей области используют состояние, соответствующее всем каналам. Это особенно важно в автоматических протоколах: визуально геометрия может выглядеть правильно, но программная фильтрация будет исключать ожидаемые точки.

При сравнении числа точек между клетками учитывайте размер самих ROI. Spot Detector выдаёт количество объектов, но вопрос нормализации остаётся за методикой: иногда нужен абсолютный счётчик, иногда число на площадь или объём, иногда доля клеток с хотя бы одним событием. Не следует считать, что одна и та же таблица автоматически отвечает на все эти вопросы. Детектор формирует измеримые объекты; статистическую модель выбирают отдельно.

Batch: обработка серии файлов

Для больших наборов Icy позволяет включать Spot Detector в пакетный протокол. Официальный сценарий Batch Spot Detection with Custom Output организует цикл по файлам в папке, запускает детекцию и сохраняет результаты, включая таблицу, бинарное изображение и контрольный кадр. Такой подход нужен не только для скорости: он фиксирует одинаковую последовательность операций и уменьшает риск того, что оператор случайно изменит настройку между образцами.

Перед обработкой всей папки создайте маленький тестовый набор из нескольких файлов с разным качеством: типичный кадр, слабый сигнал, высокий фон и плотное поле. Запустите протокол только на них и проверьте не только число точек, но и имена выходных файлов, соответствие таблиц исходникам, бинарные маски и изображения с детекциями. Ошибка в пути или схеме имени после сотен файлов обходится дороже, чем короткая предварительная проверка.

Пакетный режим особенно чувствителен к неоднородности входных данных. Если в одной папке смешаны разные объективы, размеры пикселя, каналы или режимы экспозиции, единый Scale и Sensitivity могут быть методически неверны. Такие данные лучше разделить на однородные группы и валидировать параметры для каждой. Автоматизация гарантирует повторение настроек, но не гарантирует, что одна настройка подходит любому изображению.

В структуру вывода полезно включить минимум три типа информации: числовой результат, контрольное представление и идентификатор исходного файла. Число без изображения трудно аудировать, а изображение без стабильного имени трудно связать с таблицей. Если анализ будет повторяться, храните конфигурацию протокола рядом с результатами, чтобы можно было восстановить точную последовательность блоков и порогов.

Wavelet Spot Detector Block в Protocols

В редакторе Protocols детектор доступен как блок и может быть соединён с другими операциями. В опубликованных рабочих процессах блок получает изображение или последовательность, задаёт Scale и Sensitivity и передаёт найденные объекты дальше. Это позволяет использовать Spot Detector не как изолированное окно, а как вычислительный шаг между сегментацией клеток, фильтрацией, экспортом и статистикой.

В блоковом сценарии особенно важно различать параметры самого детектора и параметры соседних блоков. Например, ограничение размера может выполняться после Wavelet Spot Detector отдельным фильтром. Если затем кто-то открывает только детектор и пытается найти в нём тот же критерий, интерфейс может не содержать такого поля. Для воспроизводимости документируют не только числа Scale/Sensitivity, но и порядок блоков, входы, выходы и дополнительные фильтры.

При передаче результата между блоками проверьте тип данных на соединении. Один шаг может выдавать Sequence, другой ROI, третий набор объектов. Визуально похожие данные не всегда взаимозаменяемы. Если связь в протоколе не принимает выход Spot Detector, сначала уточните, какой тип ожидает следующий блок, и при необходимости используйте предусмотренный экспорт или преобразование, а не случайный промежуточный файл.

Связка с трекингом

Точечная детекция часто используется как первый этап отслеживания объектов во времени. Spot Detector определяет положение объектов на кадрах, а специализированный трекер связывает эти положения между временными точками. В таком сценарии качество треков напрямую зависит от стабильности детекций: один пропущенный объект создаёт разрыв, а ложная точка может породить неправильную ветвь.

Перед запуском трекера проверьте несколько последовательных кадров вручную. Если объект движется, его метка должна сохраняться без резких исчезновений при небольшом изменении яркости. Если Sensitivity настроена слишком близко к границе, фотоблекание или флуктуация сигнала будет включать и выключать детекцию. Для трекинга иногда полезнее немного более стабильный набор точек с последующей фильтрацией, чем идеально чистый один кадр ценой частых пропусков во времени.

Передача через SwimmingPool удобна тем, что пространственные детекции остаются внутри рабочего окружения Icy. Однако следует очистить старый набор перед повторной настройкой, иначе трекер может получить не те точки, которые сейчас видны в окне. После финальной детекции проверьте число объектов в первых кадрах и только затем строьте траектории.

Связка с колокализацией

Для анализа взаимного расположения точек из разных каналов можно выполнить детекцию отдельно по каждому сигналу и передать результаты следующему инструменту. Здесь особенно важны одинаковая геометрия изображений и корректная регистрация каналов. Spot Detector отвечает за обнаружение объектов в каждом канале, но само совпадение или расстояние между ними вычисляется уже на следующем этапе.

Не стоит использовать один и тот же Scale только потому, что два канала относятся к одному биологическому объекту. Разные флуорофоры, оптика и морфология сигнала могут давать разные видимые размеры. Каждый канал калибруют отдельно, а затем проверяют колокализацию на полученных координатах. Иначе систематическое смещение размера детекции может изменить число пар, считающихся совпавшими.

Подсчёт внутриклеточных фокусов

Внутриклеточные фокусы — один из типичных классов объектов для вейвлетной детекции. Они локальны, часто имеют диаметр порядка нескольких пикселей и могут находиться на неоднородном цитоплазматическом или ядерном фоне. Рабочая схема состоит из сегментации клетки или ядра, формирования ROI, поиска фокусов в целевом канале и последующей фильтрации по размеру. Итогом становится число фокусов по отдельным клеткам и координаты каждой точки.

Для фокусов особенно опасно перепутать реальный объект с одиночным шумовым пикселем. Слишком мелкий Scale и ослабленная статистическая отсечка увеличивают количество высокочастотных ложных срабатываний. С другой стороны, слишком крупный масштаб может объединять соседние фокусы. Правильная настройка должна сохранять отдельность близких объектов настолько, насколько это позволяет фактическое оптическое разрешение.

Если эксперимент сравнивает интенсивность фокусов, Spot Detector сам по себе не заменяет измерение интенсивности в найденной области. Он даёт детекции и геометрию, после чего нужный показатель можно вычислить средствами Icy или блоками протокола. Важно не смешивать число обнаруженных объектов с их суммарной яркостью: два образца могут иметь одинаковое число точек, но разную интенсивность, и наоборот.

Кахалевы тельца и другие ядерные структуры

В опубликованных протоколах Icy вейвлетная детекция используется для компактных ядерных субструктур, после чего результаты фильтруются и сводятся в количественные таблицы. На таких данных особенно важна корректная ROI ядра: яркие объекты вне ядра не должны попадать в итоговый счёт. Если граница ядра проходит слишком близко к точке, итог зависит от правила принадлежности центра объекта к ROI.

При сравнении клеток с ядрами разного размера абсолютное количество телец может быть лишь одним из показателей. Дополнительно можно рассчитывать число на ядро, долю ядер с определённым количеством или плотность относительно площади/объёма. Spot Detector предоставляет исходные объекты для таких расчётов, но не навязывает конкретную биологическую нормализацию.

Липидные капли, гранулы и другие компактные структуры

Вейвлетный подход применим не только к флуоресцентным фокусам. Если структура выглядит как локальный яркий или тёмный объект на более медленно меняющемся фоне, её можно рассматривать как кандидат для Spot Detector. В BIII среди назначения детектора указывается общий поиск пятен в шумных 2D/3D-изображениях, где spot может соответствовать разным биологическим объектам в зависимости от цели эксперимента.

Для липидных капель или гранул распределение размеров часто шире, чем у почти точечных фокусов. В таком случае многомасштабная настройка полезнее одного Scale, но её нужно валидировать на крупных и мелких объектах отдельно. Если большие капли начинают распадаться на несколько детекций, добавление ещё одного мелкого масштаба проблему усугубит. Сначала добиваются корректного представления крупных структур, затем проверяют, какие мелкие объекты остаются необнаруженными.

Термин точка не означает, что объект обязан быть размером в один пиксель. Детектор работает с пространственными масштабами и может находить компактные структуры, занимающие заметную область. Ограничение определяется не названием, а тем, насколько форма и размер соответствуют локальной структуре на выбранных вейвлетных масштабах. Для протяжённых мембран, длинных волокон или сложных разветвлённых контуров лучше выбирать инструмент, предназначенный для соответствующей геометрии.

Яркие и тёмные объекты: как выбрать полярность

Режим bright over dark используют, когда средняя интенсивность объекта выше локального окружения, а dark over bright — в обратной ситуации. Эта настройка должна оцениваться по исходным числовым данным. Инвертированная LUT, тепловая карта или псевдоцвет могут полностью изменить визуальное ощущение, но не меняют того, какие пиксели численно светлее. Если результат выглядит нелогично, временно отключите сложную палитру и проверьте серое отображение.

На изображении с яркими точками и яркой широкой подложкой полярность сама по себе не решает задачу: локальный контраст может быть слишком мал. Тогда ключевыми становятся Scale и статистический порог. Если же фон содержит тёмные провалы, похожие по размеру на целевые светлые точки, неверная полярность может заставить детектор считать противоположные структуры. Поэтому этот параметр проверяют до тонкой регулировки Sensitivity.

Когда нужен один масштаб, а когда несколько

Один Scale предпочтителен, если целевые структуры однородны по размеру и оптическое качество стабильно. Конфигурация проще, быстрее проверяется и легче переносится между сериями. Несколько масштабов оправданы, когда распределение размеров действительно многомодальное или широкий диапазон подтверждён биологией и изображениями. Добавлять масштабы только для увеличения числа находок рискованно, потому что каждый новый уровень открывает дополнительный путь для ложных срабатываний.

Практический тест — построить небольшой вручную размеченный набор с объектами разных размеров. Настройте один масштаб и отметьте, какие реальные точки он пропускает. Если пропуски систематически относятся к отдельной размерной группе, добавьте второй. Если же пропуски распределены по яркости, фону или краям, проблема может быть не в размере, и дополнительный Scale не устранит её.

После добавления масштаба повторно проверьте уже хорошо обнаруживаемые объекты. Новая настройка не должна превращать один крупный объект в несколько меток или добавлять ореол ложных точек вокруг ярких структур. Качество оценивают по всему набору, а не только по тем примерам, ради которых менялся параметр.

Как валидировать детекцию

Самая надёжная проверка — сравнение с независимой ручной разметкой на ограниченном, но репрезентативном наборе. Для каждой точки можно классифицировать исход как истинно положительный, ложноположительный или пропущенный. Даже без сложной статистики это даёт намного больше информации, чем общий счётчик. Если два параметра дают по 100 объектов, но один содержит 20 пропусков и 20 ложных меток, а второй — по пять, одинаковое количество скрывает большую разницу в качестве.

Разметку лучше делать до просмотра нескольких вариантов параметров, иначе оператор непроизвольно подстраивает истину под понравившийся результат. Для неоднородных изображений включите в тест разные зоны: центр и край поля, сильный и слабый фон, плотные и разреженные объекты. Если есть Z или T, отберите примеры из разных положений, чтобы не настроить детектор только на один удачный кадр.

После выбора параметров полезно выполнить слепую проверку на нескольких изображениях, которые не участвовали в настройке. Если качество резко падает, конфигурация была переобучена на тестовый участок. В таком случае лучше выбрать чуть более консервативные параметры, устойчивые к изменению поля, чем максимизировать совпадение на одном кадре.

Разбор типичных ошибок

Детектор не находит ни одной точки

Проверьте входную Sequence и канал, затем полярность. После этого временно отключите ROI и фильтрацию, чтобы увидеть чистый результат детектора. Если он всё ещё пуст, измените Scale в сторону видимого размера объектов и сделайте один контролируемый шаг Sensitivity. Бинарное изображение до фильтрации помогает понять, возникает ли вообще значимый отклик. Если нет, проблема находится до этапа Output.

На фоне появляются сотни ложных точек

Сначала посмотрите, какого они размера и где локализованы. Равномерный мелкий шум часто указывает на слишком мелкий Scale или чрезмерно допускающую настройку чувствительности. Срабатывания вдоль крупных границ могут означать, что масштаб реагирует на структуру, не относящуюся к целевым объектам. Размерный фильтр допустим как финальная очистка, но сначала нужно исключить систематически неверную геометрию детекции.

Один большой объект распадается на несколько

Такое поведение обычно требует пересмотра масштаба. Если детектор настроен на детали существенно меньше самого объекта, разные его части могут становиться отдельными локальными максимумами. Попробуйте больший Scale и сравните бинарную область. Если объект физически состоит из нескольких разрешимых субструктур, наоборот, объединять их только ради нужного числа нельзя: правило должно соответствовать биологическому определению объекта.

Соседние точки сливаются

Проверьте, не выбран ли слишком крупный Scale и достаточен ли оптический контраст между объектами. Если две структуры ближе предела разрешения, программная настройка не обязана корректно разделить их. Уменьшение масштаба иногда улучшает разделение, но одновременно повышает чувствительность к шуму. Оценивать нужно на примерах с известной геометрией, а не по желаемому количеству.

Точки есть в маске, но исчезают из результата

Это прямой признак того, что первичная детекция сработала, а объект исключён последующей стадией. Проверяйте ROI, размерный фильтр и другие ограничения протокола. Сравните предфильтрационную бинарную маску с итоговыми ROI. Такой подход быстрее, чем повторно менять Sensitivity, потому что она уже доказала способность обнаружить нужную структуру.

ROI видна, но точки вне неё всё равно учитываются

Убедитесь, что именно эта область выбрана для ограничения анализа и что она относится к той же последовательности. Для многоканальных данных проверьте значение C у ROI: область, закреплённая за одним каналом, может не действовать так, как ожидается при детекции другого. Аналогично для Z и T область может быть определена только на части данных. Проблему лучше диагностировать на одной большой простой ROI, где принадлежность точек очевидна, а затем возвращать сложную разметку.

После повторного запуска стало больше меток, хотя параметры строже

Проверьте, не остались ли ROI или визуальные детекции от предыдущего запуска. В Output предусмотрено удаление ранее показанных spot-объектов, и при подборе параметров эту возможность важно использовать последовательно. Иначе экран содержит метки нескольких запусков, тогда как новая таблица относится только к одному. Для чистого сравнения можно также закрыть результат, снова открыть исходную Sequence и применить каждую конфигурацию отдельно.

XLS создаётся, но непонятно, к какому изображению относятся строки

Это организационная проблема пакетного вывода. До массовой обработки проверьте схему автоматических имён и способ добавления к существующему файлу. Если несколько исходников объединяются в одну таблицу, в данных должен сохраняться стабильный идентификатор образца или файла. Если его нет в выбранном варианте экспорта, безопаснее писать отдельные файлы и объединять их позже по именам, чем получить одну неразделимую таблицу.

Точки смещены относительно второго канала

Spot Detector не должен использоваться как средство регистрации каналов. Если детекции корректно лежат на первом канале, но смещены относительно структуры второго, проверьте оптическую регистрацию и геометрию исходных данных. Для анализа колокализации даже небольшой систематический сдвиг может изменить число совпадений. Сначала исправляют регистрацию, затем заново строят ROI и детекции в общей системе координат.

Результат резко меняется между соседними полями

Сравните фон, экспозицию, насыщение, размер пикселя и реальный размер объектов. Если съёмка технически неоднородна, один набор Scale/Sensitivity может находиться на границе устойчивости. Для стандартизированной серии полезно выбрать параметры по нескольким полям и затем не менять их вручную. Если поля получены принципиально разными режимами, их следует анализировать как отдельные группы с собственной валидацией.

На краю изображения слишком много срабатываний

Края могут отличаться по освещению, шуму или содержать обрезанные объекты. Вейвлетная обработка также имеет граничные условия, поэтому крайние пиксели всегда стоит проверять отдельно. Если артефакт систематический, используйте ROI, исключающую техническую рамку, либо стандартизируйте поле ещё до детекции. Не следует компенсировать краевой артефакт общей чувствительностью, если это ухудшает поиск в основной области.

Яркая крупная структура создаёт ореол мелких детекций

Проверьте несколько вещей: насыщение исходного сигнала, выбранные мелкие масштабы и предфильтрационную бинарную маску. Резкий контраст вокруг большого объекта может содержать высокочастотные компоненты, которые похожи на отдельные точки. Если ложные области имеют устойчиво иной размер, фильтрация помогает; если они возникают только рядом с пересвеченными объектами, лучше устранить или исключить сам технический источник проблемы.

Метаданные, размер пикселя и физический масштаб

В опубликованных протоколах перед Spot Detector отдельно проверяют metadata и pixel size. Причина проста: параметр Scale задаётся в пространстве изображения, а биологический размер объекта существует в физических единицах. При смене объектива, биннинга или размера изображения один и тот же объект занимает другое число пикселей. Слепой перенос старого Scale означает, что детектор фактически ищет структуру другого физического размера.

Перед серией запишите размер пикселя XY и, для стека, шаг Z. Если файлы получены из микроскопического формата с метаданными, убедитесь, что Icy прочитал их корректно. После экспорта в простой растровый формат часть метаданных может потеряться, поэтому хранение только изображений без исходного описания усложняет воспроизводимость. Для Spot Detector это влияет не только на подпись осей, но и на обоснование выбранного масштаба.

Если изображения уже пересэмплированы, параметры следует калибровать на пересэмплированных данных. Нельзя считать, что уменьшение кадра в два раза сохранит прежнюю оптимальную настройку. Объект также уменьшается в пикселях, меняется частотный состав и отношение локальной структуры к шуму. Даже если визуально картинка выглядит той же, вейвлетные уровни работают с другим цифровым представлением.

Работа с 2D, 3D, каналами и временем

В каталоге BIII Spot Detector отмечен как инструмент для 2D, 3D, многоканальных и временных данных. Это не означает, что один запуск автоматически решает одинаковую задачу во всех четырёх измерениях. Пользователь определяет, какой канал анализируется, как интерпретируется Z и каким способом детекции передаются в дальнейший временной анализ. Сильная сторона состоит в совместимости с многомерной Sequence Icy и возможности включить результат в протокол.

Для 2D ключевой вопрос — размер объекта в плоскости. Для 3D добавляется анизотропия Z. Для нескольких каналов — выбор полосы и согласование ROI. Для time-series — стабильность настроек при изменении яркости во времени. Именно поэтому один набор параметров следует оценивать не на случайном кадре, а на тех измерениях, которые реально будут обработаны.

Если временная серия заметно выцветает, параметр, идеально настроенный на первый кадр, может пропускать поздние точки. Но автоматически менять чувствительность на каждом кадре тоже опасно: тогда число объектов становится зависимым от адаптации параметра. Лучше сначала проверить диапазон изменений сигнала и найти настройку, которая остаётся приемлемой на всей серии, либо явно разделить данные на заранее определённые режимы.

Какие данные получает пользователь после детекции

Основной логический результат — набор обнаруженных spot-объектов. Для каждого объекта важны положение и размер; при сортировке по ROI добавляется принадлежность к области, а таблица может содержать количество объектов в каждой области. Эти данные позволяют строить уже прикладные показатели: число фокусов на клетку, распределение размеров, пространственные координаты или входные точки для трекинга.

При интерпретации размера учитывайте, что это характеристика детектированной области, а не обязательно точный физический диаметр биологического объекта. Оптика размывает точечный источник функцией рассеяния точки, а вейвлетный порог определяет границу выделенной структуры. Если исследование требует абсолютного морфометрического измерения, детекцию следует валидировать отдельно для этой цели, а не считать любой размер из таблицы прямым диаметром органеллы.

Координата тоже имеет конкретный смысл только в системе исходной Sequence. Для сравнения между изображениями нужно знать, были ли они зарегистрированы, обрезаны или масштабированы. Если детекции экспортируются, а затем объединяются с внешней геометрией, сохраните преобразования координат. Ошибка в несколько пикселей может быть несущественной для общего подсчёта, но критичной для колокализации или расстояния до мембраны.

Форматы входных изображений и роль Icy

Spot Detector получает изображения через инфраструктуру Icy, поэтому поддержка конкретных микроскопических форматов определяется тем, что Icy открывает как Sequence. Сам детектор не является отдельным конвертером файлов. Практический вывод: если нужный файл корректно открывается в Icy с каналами, Z/T и метаданными, его можно передать в рабочий процесс; если Icy видит данные неверно, сначала решают импорт, а уже потом детекцию.

Перед анализом многомерного файла проверьте порядок измерений. Некоторые форматы хранят каналы, плоскости и время в сложной структуре, и визуально открывшееся изображение ещё не гарантирует, что все оси интерпретированы как ожидалось. Пролистайте C, Z и T, посмотрите размеры Sequence и убедитесь, что целевой сигнал находится там, где его ожидает протокол.

При пакетной обработке лучше не смешивать в одной папке файлы разной структуры. Если один набор имеет два канала, другой три, а протокол жёстко выбирает C=1, семантика выбранного канала может измениться. Аналогично разные размеры Z или отсутствие времени могут повлиять на последующие блоки. Однородная структура входов делает поведение Spot Detector и протокола предсказуемее.

Производительность и объём данных

Время детекции зависит от размера Sequence, числа плоскостей, количества активных масштабов и последующих операций. Многомасштабный вейвлетный анализ по большому 3D-стеку требует больше вычислений, чем один 2D-кадр. Добавление лишних масштабов на всякий случай увеличивает не только риск ложных срабатываний, но и объём вычислений. Поэтому параметрический набор лучше делать минимальным, но достаточным для реального диапазона объектов.

Для отладки большого стека полезно сначала выбрать небольшой репрезентативный объём или несколько кадров. Настройка на полном массиве замедляет итерации и затрудняет визуальную проверку. После фиксации Scale, Sensitivity, ROI и фильтров тот же протокол можно применить ко всему набору. При этом финальная проверка всё равно должна включать несколько участков полного объёма, чтобы исключить особенности тестового фрагмента.

Если пакетный анализ ограничен памятью, причина может находиться не только в Spot Detector, но и в количестве одновременно открытых Sequence, контрольных изображений и результатов, которые хранит протокол. Закрытие ненужных представлений и последовательная обработка файлов обычно безопаснее, чем накопление всех промежуточных данных в интерфейсе. Для длинного цикла важно также проверить, что каждый шаг освобождает предыдущий файл перед переходом к следующему.

Воспроизводимость настроек

Минимальный набор параметров, который стоит фиксировать вместе с результатами: имя входного канала или его индекс, полярность, активные Scale, Sensitivity каждого масштаба, режим 2D/3D, правила ROI, размерные фильтры и выбранные Output. Если детектор находится внутри Protocols, сохраняют весь протокол, потому что соседние блоки могут менять вход или отбрасывать часть объектов.

Одних скриншотов панели недостаточно для большого исследования. Они полезны как визуальная квитанция, но таблица параметров или сохранённый протокол легче сравниваются между запусками. Если анализ менялся, полезно присваивать конфигурациям короткие идентификаторы и связывать их с выходными папками. Тогда можно отличить пробный запуск от утверждённого без чтения каждого файла.

Ручная коррекция результатов должна быть отделена от автоматической детекции. Если оператор удалил или добавил ROI после Spot Detector, итог уже не воспроизводится только параметрами детектора. Сохраняйте исходный автоматический набор и, при необходимости, отдельную скорректированную копию с правилом ручного вмешательства. Это особенно важно, когда данные будут перепроверяться другим человеком.

Как выбрать параметры на новой серии

Начните не с числа, использованного в чужой статье, а с визуального размера объекта в собственных данных. Выберите полярность, затем один Scale, наиболее близкий к этому размеру. Настройте Sensitivity на нескольких полях и только после этого добавляйте размерный фильтр. Если остаётся отдельная группа реальных объектов другого размера, добавьте второй масштаб и снова проверьте ложные срабатывания.

Заранее сформулируйте, что считается ошибкой. Для подсчёта редких фокусов один пропуск может быть критичнее нескольких ложных точек, а для массового скрининга ложные срабатывания могут сильнее искажать результат. Параметры детектора оптимизируют не абстрактную красоту изображения, а компромисс, соответствующий конечному измерению.

После настройки заморозьте параметры и примените их к небольшой независимой выборке. Если качество остаётся приемлемым, переходите к пакетной серии. Если нет, вернитесь к репрезентативному набору и выясните, какой фактор меняется: размер, фон, яркость, фокус, канал или геометрия. Это эффективнее, чем подгонять Sensitivity отдельно под каждый неудачный файл.

Примеры опубликованных конфигураций

В одном из протоколов для Spot Detector показан Scale 2 с чувствительностью 10 и экспортом в ROI. После запуска сегментированные spot-объекты отображаются зелёным, а их центры — красным. Этот пример полезен для понимания интерфейса и последовательности действий: выбрать масштаб, задать чувствительность, включить Export to ROI и запустить Detection. Числа относятся к конкретным данным и не должны восприниматься как универсальная настройка.

В другом рабочем процессе Wavelet Spot Detector Block используется с параметрами, где чувствительность указана существенно выше. Это хорошо показывает, почему сравнение голых чисел без контекста вводит в заблуждение: разные изображения, блоки протокола и определения объекта требуют собственной калибровки. Надёжно переносится логика настройки, а не фиксированная цифра.

Публикации, использующие Icy, часто помещают Spot Detector рядом с сегментацией клеток, фильтрацией и экспортом. Это соответствует назначению инструмента: он хорошо решает ограниченную задачу поиска компактных сигналов и отдаёт структурированный результат дальше. Чем сложнее биологический вопрос, тем важнее рассматривать детектор как часть проверяемой цепочки, а не ожидать от одного окна полной классификации всех объектов.

Сравнение контрольных изображений из разных опубликованных процессов показывает ещё одну практическую особенность: внешний вид меток зависит от того, как следующий блок визуализирует ROI и компоненты. Цвет точки на скриншоте не является параметром алгоритма. Для собственной проверки важны совпадение геометрии и число объектов, а не попытка воспроизвести оформление чужого рисунка.

Ограничения ICY Spot Detector

Детектор не классифицирует биологические типы объектов. Он выделяет локальные структуры по сигналу, масштабу и статистической значимости. Если на изображении присутствуют две популяции одинакового размера и контраста, но различающиеся по биологическому смыслу, Spot Detector сам не определит, какая из них правильная. Для разделения нужны ROI, дополнительные каналы, морфометрические признаки или последующая классификация.

Он также не заменяет полноценную сегментацию сложных форм. Длинные волокна, мембраны, разветвлённые сосуды или большие неоднородные клетки не сводятся к компактным spot-объектам. Попытка подобрать масштаб так, чтобы детектор отметил такие структуры, может дать набор локальных фрагментов, но не корректный контур целого объекта. Для подобных задач выбирают сегментатор соответствующей геометрии.

Чувствительность приходится валидировать вручную на собственных данных. Наличие статистического порога не означает, что программа автоматически знает допустимую частоту ложных объектов для конкретного эксперимента. Параметр зависит от качества изображения, шума и масштаба, поэтому контрольная разметка остаётся необходимой, если результат используется количественно.

Качество исходной съёмки остаётся фундаментальным ограничением. Пересвеченные точки, сильное размытие, неравномерная регистрация каналов и слишком редкий Z нельзя надёжно исправить настройками Spot Detector. Программа помогает отделять локальный сигнал от шума, но не восстанавливает информацию, которой нет в изображении.

При очень плотных скоплениях соседние объекты могут сливаться на уровне оптики или детекции. В таком случае уменьшение Scale иногда разделяет их, но одновременно повышает реакцию на мелкие детали. Если структуры физически неразрешимы, правильное число нельзя получить только программным параметром. Это ограничение следует учитывать при интерпретации максимальной плотности объектов.

Сравнение ICY Spot Detector с аналогами

Программа	Лучше подходит для	Главное ограничение
ICY Spot Detector	Многомасштабного поиска компактных ярких или тёмных объектов в 2D/3D с ROI и передачей результата в Icy	Параметры масштаба и чувствительности нужно валидировать вручную
Fiji TrackMate	Детекции частиц с последующим построением траекторий во временных сериях	Для простого подсчёта без трекинга интерфейс и модель процесса избыточнее
ImageJ/Fiji ComDet	Поиска небольших пятен и проверки колокализации в привычной среде ImageJ/Fiji	Меньше ориентирован на обмен объектами с протоколами Icy
FISH-quant	Количественного анализа отдельных молекул РНК и smFISH-сигналов	Сильнее привязан к специализированным задачам FISH, чем к произвольным spot-объектам
CellProfiler IdentifyPrimaryObjects	Сегментации и измерения первичных объектов внутри воспроизводимых пакетных конвейеров	Логика параметров ориентирована на сегментацию объектов, а не на вейвлетную детекцию точек

ICY Spot Detector рационально выбирать, когда данные уже анализируются в Icy и нужны именно локальные spot-объекты, которые затем должны стать ROI, попасть в таблицу, SwimmingPool или Protocols. TrackMate удобнее, если главная цель — траектории; ComDet — если весь процесс построен вокруг ImageJ/Fiji; FISH-quant — для специализированного smFISH; CellProfiler — для крупного конвейера сегментации и измерения объектов. Критерий выбора здесь не число функций вообще, а то, какой тип объекта и какой следующий шаг анализа нужны после детекции.

Как понять, что Spot Detector подходит задаче

Подходящий объект должен быть локальным по отношению к фону и иметь характерный пространственный размер. Это не обязательно идеальный круг, но структура должна давать компактный отклик на одном или нескольких масштабах. Если визуально объект распознаётся главным образом по длинному контуру, текстуре всей клетки или сложной топологии, детектор пятен, скорее всего, будет представлять его набором фрагментов, а не единым биологическим объектом.

Второй признак — возможность сформулировать проверяемое правило размера. Даже если размеры варьируют, пользователь должен понимать, какой диапазон относится к целевым структурам. Тогда Scale задаёт уровень поиска, а Filtering помогает убрать крайние компоненты. Если объект не имеет устойчивого масштаба и отличается от фона только смыслом, известным человеку, без дополнительного канала или классификатора автоматическая spot-детекция будет ограничена.

Третий признак — необходимость сохранить пространственное положение. Если нужен только средний уровень интенсивности по ROI, поиск отдельных точек может быть лишним. Spot Detector полезен, когда важны количество объектов, их координаты, размеры, принадлежность к клетке, последующий трекинг или колокализация. Именно такие задачи используют структурированный набор детекций, а не просто интегральную яркость.

Настройка по контрольным образцам

Для лабораторной серии полезно иметь отрицательный контроль, где целевой сигнал отсутствует или должен быть минимальным, и положительный контроль с ожидаемыми точками. На отрицательном изображении проверяют, насколько детектор реагирует на шум и автофлуоресценцию; на положительном — не теряются ли реальные объекты. Параметры, которые выглядят хорошо только на одном из этих контролей, не дают достаточной уверенности.

Если отрицательный контроль содержит много детекций, прежде чем ужесточать Sensitivity, сравните размеры и локализацию ложных объектов. Иногда они относятся к отдельному морфологическому классу и лучше удаляются фильтром или ROI. Если же они неотличимы по размеру от целевых точек, следует пересмотреть качество сигнала или использовать дополнительный признак; одна настройка яркости не создаст различие, которого нет в данных.

Положительный контроль полезен для определения нижней границы видимости. Отметьте слабые, но подтверждённые объекты и смотрите, при каких параметрах они начинают исчезать. Затем проверьте, сколько ложных точек добавляется при более мягкой настройке. Таким образом выбор Sensitivity становится осознанным компромиссом, а не попыткой получить заранее желаемое среднее число.

Работа с неоднородным фоном

Вейвлетная детекция особенно полезна там, где глобальный фон меняется медленнее, чем размер целевых пятен. Локальная структура может оставаться заметной на соответствующем масштабе даже при градиенте яркости по полю. Но если фон содержит детали того же размера, что и объекты, детектор не способен отличить их только по масштабу. Тогда нужны ROI, другой канал или дополнительные критерии.

Неравномерное освещение и биологически неоднородный фон следует различать. Первое лучше исправлять на этапе получения или предварительной обработки, потому что оно является техническим артефактом. Второе может быть реальной частью образца, и слишком агрессивное вычитание фона способно удалить слабые биологические точки. Контрольные изображения до и после обработки помогают убедиться, что подготовка не изменила сам класс объектов.

При сильном локальном фоне настройте детектор на примерах из разных зон. Если параметры выбираются только на тёмном участке, в яркой области могут появиться пропуски или ложные компоненты. Если ни один набор не работает устойчиво по всему полю, лучше разделить изображение на методически обоснованные ROI либо пересмотреть предварительную коррекцию, чем назначать отдельную Sensitivity каждому случайному участку.

Работа с шумными изображениями

Spot Detector изначально описывается как средство поиска пятен в шумных 2D/3D-изображениях, однако шумное не означает, что можно игнорировать качество съёмки. Чем слабее отношение сигнал/шум, тем больше перекрываются распределения целевых и случайных локальных структур. Вейвлетный порог помогает выделять значимые коэффициенты, но предельная чувствительность определяется доступной информацией.

Сглаживание перед детекцией может уменьшить высокочастотный шум, но одновременно расширить маленькие точки и изменить оптимальный Scale. Если предварительная фильтрация используется, она должна быть одинаковой для всей сравниваемой серии. После изменения сглаживания параметры Spot Detector калибруют заново; нельзя считать, что старый Scale описывает тот же размер.

Шум также следует оценивать отдельно по каналам. Канал с низким сигналом может требовать другой настройки, чем яркий маркер, даже если биологические объекты пространственно совпадают. Для многоканального анализа правильно валидировать детекцию каждого канала независимо, а связь между объектами устанавливать уже после получения координат.

Насыщение, динамический диапазон, слабые точки

Насыщенный пиксель теряет информацию о реальной интенсивности, поэтому очень яркие объекты могут иметь плоскую вершину и необычную геометрию. Spot Detector всё ещё может обнаружить локальную структуру, но размер и разделение соседних объектов становятся менее надёжными. Если количественная задача зависит от формы или интенсивности, пересвеченные исходники лучше переснять, чем пытаться исправить только фильтрами.

Слабая точка на хорошем фоне и слабая точка на высоком шуме — разные случаи. В первом можно изменить статистическую строгость и сохранить специфичность; во втором то же изменение добавляет множество случайных детекций. Поэтому при пропусках важно смотреть не только на яркость объекта, но и на локальный фон вокруг него. Если различимость отсутствует, программный порог не может создать доказательство существования точки.

Для серий с большим диапазоном интенсивностей целесообразно проверять самые слабые и самые яркие примеры до пакетного запуска. Если единая настройка стабильно обнаруживает оба класса без систематической ошибки, она подходит для автоматизации. Если нет, нужно определить, действительно ли это одна популяция, и можно ли методически разделить данные на группы.

Проверка объектов на границе ROI

Граничные объекты требуют заранее определённого правила. Возможны разные научно оправданные варианты: считать объект по положению центра, требовать полного попадания, учитывать любую площадь пересечения или исключать пограничную зону. Spot Detector предоставляет геометрию и координаты, но смысл принадлежности зависит от последующего анализа. Если правило не задано, два оператора могут по-разному интерпретировать одну и ту же картинку.

Для автоматического подсчёта внутри клеток удобнее использовать правило, которое можно воспроизвести программно. Если центр spot-объекта попал в ROI, этот критерий легко проверить по координатам. Если требуется доля площади, понадобится операция пересечения масок. В любом случае ручное визуально относится к клетке следует заменить формальным критерием до массовой обработки.

При тонких ROI или тесно соприкасающихся клетках погрешность сегментации самой клетки может сильнее влиять на подсчёт, чем параметры Spot Detector. Если точка постоянно меняет принадлежность из-за сдвига границы на один пиксель, сначала оценивают качество ROI. Настраивать чувствительность детектора для решения ошибки сегментации неправильно.

Как проверять размерный фильтр

Постройте распределение размеров обнаружений на небольшом размеченном наборе и отметьте, где находятся целевые и ложные объекты. Если диапазоны хорошо разделяются, фильтр даёт понятное преимущество. Если они почти полностью перекрываются, жёсткий порог размера будет одновременно удалять реальные точки и оставлять ложные. В таком случае нужен другой признак или улучшение первичной детекции.

Не выбирайте порог ровно по минимальному и максимальному размеру нескольких удачных примеров. В новой серии реальные объекты могут немного измениться из-за фокуса или биологии. Лучше использовать репрезентативный диапазон и проверить его на независимых кадрах. Если требуется строгая морфометрия, сохраните распределение размеров до фильтрации, чтобы впоследствии можно было оценить, какая доля объектов была исключена.

При нескольких масштабах размерный фильтр особенно важен для контроля пересечений популяций. Однако он должен действовать после проверки того, что каждый Scale даёт осмысленные компоненты. Фильтр не исправит систематическое дробление или слияние; он лишь принимает или отклоняет уже сформированные объекты по числовому критерию.

Организация результатов

Удобная структура папок разделяет исходные изображения, конфигурацию протокола, таблицы, бинарные маски и контрольные изображения. Имена выходов должны содержать идентификатор исходного файла, а при нескольких конфигурациях — ещё и идентификатор набора параметров. Это позволяет открыть любую строку таблицы и быстро найти соответствующий визуальный результат.

Контрольные изображения не обязательно сохранять для каждого технического промежуточного запуска, но для окончательной серии они сильно упрощают аудит. Если статистический выброс обнаружен позже, можно проверить, действительно ли в образце необычно много объектов или детектор среагировал на артефакт. Без такого изображения остаётся только повторять весь анализ.

Для повторного запуска не перезаписывайте утверждённый результат без необходимости. Новая папка с новым идентификатором конфигурации сохраняет сравнимость. Если параметры не менялись, автоматический протокол должен давать тот же структурированный набор при одинаковом входе; если результат отличается, это повод проверить изменения в исходных данных или среде анализа.

Подготовка изображения перед запуском

До Spot Detector проверьте ориентацию, каналы, Z/T и наличие насыщенных или пустых кадров. Если серия содержит служебные изображения, превью или калибровочные кадры, исключите их из пакетного цикла. Для ROI убедитесь, что области созданы после всех геометрических преобразований: обрезка или ресэмплинг после разметки может рассогласовать координаты.

Не меняйте контраст только ради того, чтобы точки выглядели ярче на экране, если это изменение не затрагивает числовые данные. Display LUT помогает оператору видеть сигнал, но алгоритм работает с исходными интенсивностями Sequence. Если применена настоящая операция нормализации или фильтрации, это уже новый вход и её нужно фиксировать как часть протокола.

Перед массовой обработкой сохраните один эталонный кадр с ожидаемыми детекциями. После обновления протокола или переноса проекта его можно использовать как быструю проверку: открыть тот же вход, запустить конфигурацию и сравнить число и положение меток. Такой тест не заменяет полную валидацию, но быстро обнаруживает случайное изменение ключевого параметра.

Контроль после пакетной обработки

Автоматический запуск не заканчивается получением таблицы. Выберите случайную долю файлов из разных частей серии и откройте контрольные изображения. Дополнительно проверьте статистические крайности: файлы с минимальным и максимальным числом точек, необычно большим средним размером или пустым результатом. Именно среди крайних значений чаще обнаруживаются ошибки входа, фокуса или детекции.

Сравните число выходных файлов с числом входных. Отсутствующий XLS или контрольное изображение может означать, что конкретный файл не открылся, протокол завершился с ошибкой или имя было перезаписано. Для длинной серии этот простой контроль предотвращает ситуацию, когда статистика строится по неполному набору без явного уведомления.

Если append используется для одной общей таблицы, проверьте границы блоков и заголовки после нескольких файлов. Убедитесь, что данные не дублируются при повторном запуске. Повторное добавление к существующему XLS способно удвоить строки без изменения исходных изображений, поэтому перед новой серией важно явно решить, очищается ли файл или создаётся новый.

Практические вопросы по ICY Spot Detector

Нужно ли начинать с нескольких Scale?

Нет. Для первой настройки лучше один масштаб, соответствующий наиболее типичному размеру объекта. Так легче понять влияние Sensitivity и увидеть, правильно ли формируется геометрия детекции. Второй или третий Scale добавляют только после того, как стало ясно, что отдельная реальная размерная группа систематически пропускается. Это уменьшает число одновременно меняющихся причин ошибки.

Что важнее при первом запуске: Scale или фильтр размера?

Сначала Scale. Он влияет на то, какие структуры вообще формируются как обнаружения. Фильтр работает уже с полученным набором и не исправляет неправильное дробление или слияние. Когда форма детекций соответствует объектам, размерный диапазон становится полезным инструментом очистки от остаточных слишком мелких или крупных компонентов.

Можно ли считать точки сразу во всём изображении?

Да, если научный вопрос относится ко всему полю. Если же требуется число объектов на клетку, ядро или участок ткани, лучше использовать ROI и сортировку детекций по областям. Общий счётчик в таком случае скрывает биологическую единицу наблюдения: два поля могут иметь одинаковое число точек, но совершенно разное распределение между клетками.

Зачем экспортировать в ROI, если уже есть XLS?

Таблица удобна для чисел, но плохо показывает, где именно произошла ошибка. ROI сохраняют пространственное соответствие исходному изображению и могут участвовать в других операциях Icy. При проверке выброса можно открыть Sequence и увидеть конкретные найденные объекты, тогда как по строкам XLS трудно понять, было ли большое значение биологическим или техническим.

Что делать, если два канала имеют точки разного размера?

Калибровать их отдельно. Один и тот же биологический процесс не обязан давать одинаковый оптический размер в разных флуорофорах. Для каждого канала подбирают собственные Scale и Sensitivity, проверяют детекции, а затем сравнивают координаты. Принудительно одинаковые параметры удобны организационно, но могут систематически ухудшить один из каналов.

Как поступать с изменением фокуса по серии?

Сначала оценить, остаются ли объекты в пределах допустимого качества. Расфокусировка расширяет точку и снижает её пиковый контраст, поэтому одновременно меняются и эффективный размер, и статистическая заметность. Если изменения небольшие, выбирают устойчивую конфигурацию; если сильные, такие кадры лучше выделить как отдельную проблему качества, а не подгонять параметры индивидуально.

Как проверить результат перед статистикой?

Сопоставьте таблицу с несколькими контрольными изображениями и вручную оцените истинные, ложные и пропущенные детекции. Обязательно посмотрите статистические крайности, пустые результаты и изображения с высоким фоном. Затем убедитесь, что число выходных файлов совпадает с ожидаемым. Только после этого объединяйте показатели между образцами.

Последовательность настройки

Рациональный порядок для новой задачи выглядит так: проверить вход и метаданные, выбрать канал и полярность, определить характерный размер, оставить один Scale, подобрать Sensitivity, посмотреть предфильтрационную маску, затем добавить ROI и размерный фильтр. После этого выбирают XLS, ROI, бинарный или контрольный вывод и только в самом конце переводят процесс в batch. Каждый шаг отвечает на отдельный вопрос и поэтому легче диагностируется.

Если результат ухудшился после изменения, откатывайте только последний параметр. Одновременное изменение масштаба, чувствительности и размера фильтра лишает сравнение смысла: неизвестно, какая настройка ответственна за эффект. Для критичных проектов сохраняйте несколько именованных конфигураций и короткую таблицу, где отмечены причина изменения и результат на контрольной выборке.

После утверждения параметров перестаньте оптимизировать их по каждому новому изображению. Цель пакетной обработки — применить одинаковое правило к сопоставимым данным. Если отдельный файл явно выходит за диапазон качества, его лучше пометить для разбора, чем скрытно менять настройки только для него. Такой подход делает итоговую статистику прослеживаемой.

Что сохранять вместе с итоговой таблицей

• исходные изображения или неизменяемые ссылки на их архивные копии;
• сохранённый протокол Icy, если Spot Detector использовался внутри Protocols;
• выбранный канал и полярность детекции;
• все активные Scale и соответствующие им значения Sensitivity;
• описание ROI и правила принадлежности пограничных объектов;
• диапазон размерной фильтрации и другие последующие критерии;
• контрольные изображения с наложенными обнаружениями;
• бинарные маски, если они используются в следующих вычислениях;
• идентификатор исходного файла в каждой таблице или отдельном имени результата;
• краткое описание ручных исправлений, если они вообще выполнялись.

Такой набор позволяет повторить анализ и понять происхождение каждого числа. Особенно важны сохранённый протокол и контрольные изображения: первый восстанавливает вычислительную последовательность, вторые показывают фактическое качество детекции. Одно без другого оставляет либо параметры без визуального подтверждения, либо картинку без точного способа её получения.

Выбор режима работы

Для простого 2D-подсчёта достаточно одного канала, одного-двух обоснованных масштабов, визуальной проверки и XLS или ROI. Для клеточного анализа добавляют ROI и сортировку по областям. Для 3D отдельно решают вопрос Z-дискретизации и режима вейвлетов. Для временной серии важна стабильность обнаружений между кадрами, а для длинного набора файлов — Protocols и пакетный цикл с одинаковыми параметрами.

Главный критерий качества — не максимальное число найденных точек и не визуально плотная разметка. Хорошая конфигурация воспроизводимо обнаруживает тот класс компактных структур, который определён методикой, и сохраняет приемлемый баланс пропусков и ложных срабатываний на независимых изображениях. При таком подходе ICY Spot Detector становится удобным звеном между микроскопическим изображением и количественными данными, которые можно проверить визуально и передать в дальнейший анализ.