Imagenes de tejidos vegetales

Imagenes de tejidos vegetales

Floema

Los avances en microscopía permiten a los biólogos documentar y comprender los cambios fenotípicos a nivel de los tejidos. A pesar de este avance, el análisis de las imágenes microscópicas para caracterizar los cambios en los fenotipos todavía está en desarrollo. En este trabajo, Wolny et al. han desarrollado una herramienta de análisis de imágenes, PlantSeg, que permite a los usuarios analizar imágenes microscópicas de microscopía confocal y de lámina de luz para realizar la segmentación en el tejido de interés. La segmentación en imágenes de organismos multicelulares como las plantas requiere imágenes de alta resolución con baja señal de fondo y límites claros de las células, lo que requiere experiencia en la obtención de imágenes. En este trabajo, los autores han desarrollado una herramienta que puede predecir límites claros utilizando una red neuronal de convolución seguida de segmentación para el análisis de la forma, el volumen y el patrón de las células. Para evaluar la herramienta, los autores realizaron con éxito la segmentación utilizando tejido fijo de óvulos de Arabidopsis y también el desarrollo en time-lapse de primordios de raíces laterales en Arabidopsis. Esta herramienta gratuita de código abierto está disponible para los usuarios y se puede encontrar más información en https://github.com/hci-unihd/plant-seg. Además de la interfaz gráfica de usuario, para los usuarios avanzados con conocimientos de Python el código fuente está disponible en el mismo enlace. (Resumen de Suresh Damodaran) bioRxiv 10.1101/2020.01.17.910562

Collenchy

El estudio cuantitativo a gran escala de la morfogénesis en un organismo multicelular implica una estimación precisa de la forma de todas las células en múltiples muestras. Los microscopios de luz más avanzados permiten este tipo de análisis al capturar la anatomía y el desarrollo de plantas y animales en terabytes de imágenes volumétricas de alta resolución. Con el uso rutinario de estos microscopios, la segmentación de las imágenes resultantes se ha convertido en un importante cuello de botella en el análisis posterior de los experimentos de imagen a gran escala. Se han propuesto algunas líneas de segmentación (Fernández et al., 2010; Stegmaier et al., 2016), pero estas no aprovechan los desarrollos recientes en el campo de la visión por ordenador o son difíciles de usar para los no expertos.

Recientemente, un enfoque que combina la salida de dos redes neuronales y la cuenca hidrográfica para detectar células individuales mostró resultados prometedores en la segmentación de células en 2D (Wang et al., 2019). Aunque este método puede, en principio, generalizarse a las imágenes en 3D, la necesidad de entrenar dos redes separadas plantea una dificultad adicional para los no expertos.

Clase de tejido vegetal 9

El método de la cuenca hidrográfica identifica los contornos de las células buscando crestas de alta intensidad que separen dos regiones de baja intensidad dentro de una imagen. Para superar los problemas comentados anteriormente, complementamos el paso de la cuenca utilizando el método del conjunto de niveles, que identifica los contornos buscando regiones de alto gradiente que separen una única región de baja intensidad (como el fondo) de una región de mayor intensidad (como el tejido de interés). Estos enfoques basados en gradientes también se han utilizado para la segmentación y el seguimiento de células en la embriogénesis de peces cebra [8,9,10,11,12,13]. Algunos métodos basados en conjuntos de niveles también se han implementado en paquetes comunes de procesamiento de imágenes. Por ejemplo, la plataforma de análisis de imágenes ImageJ [2, 14] tiene plugins de conjuntos de niveles, pero por el momento sólo para imágenes 2D, mientras que el uso de las implementaciones de conjuntos de niveles de la biblioteca ITK [15] requiere cierta experiencia tanto en el procesamiento de imágenes como en la programación. En la sección «Métodos» presentamos los principios del método de conjuntos de niveles, así como sus parámetros. A continuación, demostramos cómo este marco puede utilizarse para mejorar los resultados de la segmentación en múltiples contextos en la sección «Resultados y discusión»: detección del contorno del tejido, segmentación de la capa celular externa, segmentación celular dentro de los tejidos enteros y segmentación de los núcleos en los tejidos enteros.MétodosCrecimiento e imagen de las plantas

Meristemos

Galería de Imágenes Digitales de Autofluorescencia en Tejidos VegetalesHome/ Learn/ Microscopy Resource Center/ Digital Image Galleries/ Digital Image Gallery – Plant Tissue AutofluorescenceAutofluorescence in plant tissues is a common and useful phenomenon arising from a variety of endogenous biomolecules that absorb light in many regions of the near-ultraviolet and visible light spectrum. Uno de los principales responsables de la autofluorescencia de las plantas es la clorofila, pero las ligninas, los carotenos y las xantofilas también producen un nivel significativo de emisión de fluorescencia cuando se les estimula con las longitudes de onda adecuadas. Esta galería de imágenes digitales examina la autofluorescencia natural en secciones delgadas de tejido vegetal utilizando múltiples longitudes de onda de excitación con microscopía confocal de barrido láser.

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad