Kappa ( <i>κ</i> ): Analysis of Curvature in Biological Image Data using B-splines
Notice bibliographique
Résumé
Abstract Curvature is a central morphological feature of tissues, cells, and sub-cellular structures. A challenge for computational biology is to measure the curvature of these structures from biological image data. We present an open-source Fiji plugin for measuring curvature using B-splines. The plugin is named Kappa after the Greek symbol for curvature, κ . Kappa is semi-automated: users create an initialization curve by a point-click method, and the initialization curve is fit to the underlying data using an iterative minimization algorithm. We demonstrate Kappa’s applicability on images of cytoskeletal filaments in vitro , the cell wall of budding yeast, and whole worms moving in an agar dish. In order to verify the accuracy and precision of Kappa, we created a bank of synthetic images of known curvature using sine waves and golden spirals, which we digitized with different signal-to-noise ratios (SNR), pixel sizes, and point-spread functions (PSF). For synthetic images with characteristics similar to real data, the measured curvatures of those images show a high correlation with the theoretical curvatures. Our fitting algorithms perform better with higher SNR, smaller pixel sizes, and especially PSFs equivalent to super-resolution microscopy data (surprise, surprise). Kappa is freely available under the MIT license for simple integration into Fiji-based workflows. The source code and documentation can be found on GitHub at https://github.com/brouhardlab/Kappa .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,011 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».