-
X-Y亚像素注册 :在FFT域中使用改进的相位相关算法和亚像素平移。 如果GPU可用,则每1小时以30Hz和512x512分辨率录制20分钟即可完成。 -
SVD分解 :这为细胞检测提供了输入并加速了算法。 -
细胞检测 :在低维空间中使用聚类方法。 聚类算法为识别的每个ROI提供了一个正掩码,并允许掩码之间的重叠。 还可以选择执行自动红细胞检测。 -
信号提取 :默认情况下,在计算每个ROI内的信号时,会丢弃所有重叠像素,以避免使用可能有偏差的“分层”方法。 神经膜信号也针对每个ROI独立计算,作为加权像素平均值,从每个ROI周围的大区域汇集,但不包括细胞检测期间分配给ROI的所有像素。 -
尖峰反褶积 :进一步处理细胞和神经膜痕迹,以获得棘波时间和棘波“振幅”的估计值。 振幅与突发/箱中的峰值数量成正比。即使在低信噪比条件下,瞬变可能很难识别,反褶积仍有助于暂时缩小响应。 使用(过度)平滑跟踪的最小值对单元格跟踪进行基线化。 -
Neuropil减法 :系数与尖峰反褶积一起迭代估计,以最小化尖峰反卷积的残差。 鼓励用户也尝试改变这个系数,以确保任何科学结果都不依赖于它。 -
自动和手动管理 :可以使用包含的GUI可视化并进一步细化细胞检测算法的输出。 GUI旨在使单元格排序成为一种有趣而愉快的体验。 它还包括一个自动分类器,该分类器根据用户提供的手动标签逐步完善自身。 这使得自动分类器能够适应在不同条件下采集的不同类型的数据。 ( GUI自述文件 https://github.com/cortex-lab/Suite2P/blob/master/gui2P/README.md )
i=i+1; db(i).mouse_name=“M150329_MP009”; db(i).date='2015-04-27'; db(i).expts=[56];% 一起进行哪些实验
运行管道(db,ops);
addpath(genpath(“路径OASIS”))
添加卷积(ops0,db);
ops0.deconvType=“L0”;
iscell公司 :基于解剖的自动标签 神经膜系数 :神经膜信号的乘法系数 xpix、ypix :属于此最大值的像素的x和y索引。这些索引进入图像的有效部分(由ops.yrange、ops.xrange定义)。 ipix公司 :属于此掩码的像素的线性化索引((ypix,xpix)-->ypix+(xpix-1)x Ly)。 等覆层 :像素是否与其他遮罩重叠。 兰姆,兰姆达 :对应像素的遮罩系数。 lambda与lam相同,但归一化为1。 医学 :ROI中y和x像素的中位数(图像有效部分的索引,由ops.yrange和ops.xrange定义)。 阻止启动 :每个块的累积帧数。 Clould对正确连接实验很有用(某些平面的帧/块更少)。 足迹,mrs,mrs0,cmpct,aspec_ratio,椭圆,mimgProj,斜交,标准,最大减中,top5pcMinusMed :自动分类器使用这些标记将ROI标记为单元格或非单元格。 详见第九节。
最小分子量 :在所有帧对齐的注册开始时计算的目标平均图像 mimg1型 :从所有实验的所有帧计算的平均图像 DS公司 :以XY计算的偏移
根存储 ---存储原始tiff文件的根位置。 注册文件根 ---本地磁盘上保存二进制格式注册电影的位置。 这将被多次加载,因此理想情况下应该是SSD驱动器。 (要查看已注册的电影,请使用主文件夹中的脚本“view_registeredbinaries.m”) 结果保存路径 ---保存最终结果的位置。 删除Bin ---删除为存储注册电影而创建的二进制文件 注册文件Tiff位置 ---保存注册tiff的位置(如果为空,则不保存) 如果要保存redtiff,请指定ops。 RegFileTiffLocation和设置操作。 红色二进制=1
showTargetRegistration(显示目标注册) ---是否在计算后立即显示目标帧的图像。 相位相关性 ---是否使用相位相关(默认为相位相关,如果为0,则使用互相关)。 子像素 ---亚像素配准的精度级别(默认为10=0.1像素精度) 克里金 ---使用宽度为1的高斯核的核回归计算偏移到1/SubPixel的网格上(默认为kriging=1) 最大移位 ---FOV中允许的最大移动量(默认为最大值的10%(y像素,x像素)) 遮罩坡度 ---应用于图像的锥形遮罩上的斜率(默认为2像素指数衰减) 尼姆首次注册 ---用于计算目标图像的随机采样图像数 NiterPrealign公司 ---目标计算的迭代次数(帧子集的迭代重新对齐) 平滑时间空间 ---用指定尺寸的高斯函数卷积原始电影; [t] :与高斯卷积时间。 标准t,[ts]:在时间和空间上卷积, [t x y]:在时间上卷积,在空间上卷积为椭圆而不是圆 尼格伯恩 ---在实验开始和结束时平均的帧数(如果担心偏移)(默认为0帧)
非刚性的 ---将非刚性注册设置为1(或将numBlocks设置为>1) num块 ---1x2数组,表示用y和x划分图像的块数(默认值为[8 1]) 区块压裂 ---每个块要使用的图像百分比(默认值为1/(numBlocks-1)) 四边形块 ---通过拟合二次函数(默认值为1)将块移位插值为单线移位(6块->512行) 平滑块 ---如果quadBlocks=0,则smoothBlocks是高斯平滑核的标准偏差
多比迪 ---计算图像的双向相位偏移(默认值为1) 双二相 ---用于计算的双向相位偏移值(不会计算双向相位偏移)
对齐到红色通道 ---对红色通道(非功能通道)而不是绿色通道进行注册 (这假设db.expts中的所有录制都有一个红色通道) 红色平均值 ---从红色和绿色通道的实验中计算红色通道的平均图像 (您不需要为所有的db.expt都设置一个红色通道,只需要从db.expred进行计算——所以请确保它不是空的!!) 红色二进制 ---从db.expred计算红色通道的二进制文件(类似于绿色通道的二进制文件)
splitFOV---1x2数组,以y和x为单位指定块大小(默认值为[11])
信号发生器 ---空间平滑常数:在空间上平滑SVD。 间接地迫使ROI更圆。 nSVD用于ROI ---要保留多少SVD组件用于聚类。通常为预期的单元格数。 显示单元格映射 ---是否每隔10次聚类迭代将聚类结果显示为图像 获取ROI ---注册后是否运行ROI检测算法 停止Sourcery ---如果提取的ROI数量<(迭代1提取的ROIs)x(stopSourcery)(默认值为1/10),则停止集群 maxIterRoi检测 ---集群迭代的最大次数(默认值为100) 精炼 ---无论是否细化ROI,suite2p都会平滑PC以找到掩码,细化使用未平滑PC从平滑估计值重新计算掩码
导航框架SVD ---对于SVD,数据必须临时装箱。 该数字指定了装箱后要获得的最终点数。 换句话说,具有多个时间点的数据集在较高的窗口中装箱,而较小的数据集装箱较少。 获取SVDcomps ---是否获取已注册电影的SVD组件并将其保存到磁盘。 用于像素级分析和检查注册质量(残留运动将显示为SVD组件)。 这是一个独立于单元聚类的SVD分解(不删除每个像素的运行基线)。 nSVD用于ROI ---要保留多少SVD组件。 获取SVDcomps ---是否获取已注册电影的SVD组件并将其保存到磁盘。 用于像素级分析和检查注册质量(残留运动将显示为SVD组件)。 这是一个独立于细胞聚类的SVD分解(不删除每个像素的运行基线)。 nSVD公司 ---如果 获取SVD组件 =1,则 nSVD公司 指定要保存的组件数量
信号提取 ---如何提取荧光? “原始”选项限制单元格不重叠,“回归”选项允许单元格重叠。 神经膜模型是一组空间基函数,用于平铺视野。 “环绕”选项意味着单元格的活动是检测到的像素的加权和(按λ加权)。 神经膜被计算为周围像素活动的总和(计算中不包括其他细胞)。
神经磷脂比率 ---用于空间基函数和周围神经膜-神经膜的空间范围乘以细胞半径(ops.ratioNeuropil*细胞半径=神经膜半径)
内神经细胞 ---在细胞周围填充像素以从神经膜中排除 外神经磷脂 ---神经膜周围半径(设置为Inf以使用ops.ratioNeuropil) 最小神经像素 ---神经膜周围的最小像素数(半径将扩大,直到达到这个数字)
图像速率 ---每个平面的成像速率。 传感器Tau ---衰减时间刻度(秒)。 最大神经元 ---神经膜污染系数必须小于此值(有时最好将上限设置为1,即中间神经元) 反病毒类型 ---使用哪种类型的反褶积(“L0”或“OASIS”)
redratio=内部红色像素/外部红色像素 redcell=redratio>平均值(redratio)+ 红色的 x标准(重画) notred=redratio<平均值(redratio)+ 红色最大值 x标准(重画)
红色 ---thres越高表示红色单元格越少(默认值为1.35) 红色最大值 ---最大值越高,非红色单元格越多(默认值为1)
std=细胞轨迹的标准偏差,标准化为神经膜轨迹的大小 skew=神经白介素消减细胞轨迹的偏斜 pct=从ROI中心到像素的平均距离,标准化为完美磁盘的相同被测对象 footprint=ROI轨迹和附近像素之间相关性的空间范围 mimgProjAbs=此ROI形状是否与平均图像上的形状相关 aspect_ratio=与ROI拟合的椭圆