International Journal of
ELEKTROKIMIA
ILMU
www.electrochemsci.org
Helena Skutkova 1, Martin Vitek 1,3, Sona Krizkova 2, rene Kizek 2, Ivo Provaznik 1,3 *
1 Departemen Biomedical Engineering, Fakultas Teknik Elektro dan Komunikasi, Brno University of Technology,
Republik Ceko
*
E-mail: provaznik@feec.vutbr.cz
Otomatisasi proses klasifikasi gambar elektroforesis gel adalah tugas yang sulit. Hasilnya sangat tergantung pada kualitas
digitalisasi gambar gel dan imprecisions dalam proses elektroforesis. Metodologi yang diusulkan di koran membantu
menghilangkan sebagian besar distorsi gambar gel dan efektif mengatasi masalah proses elektroforesis non-seragam.
Kata kunci: gel elektroforesis, analisis cluster, taksonomi, dinamis waktu warping, deteksi jalur, distorsi geometrik,
penyesuaian kontras, median filtering
1. PERKENALAN
Analisis kemiripan dengan klasifikasi selanjutnya sampel elektroforesis adalah cara yang umum untuk
mengevaluasi hasil elektroforesis gel satu dimensi. studi taksonomi organisme mikroba [1,2] adalah salah satu aplikasi
yang khas. Namun, kemungkinan pelaksanaan yang lebih luas, misalnya sidik jari analisis jaringan tumor [3]. Prinsip
dasar evaluasi saling kesamaan dengan konstruksi dendrogram dapat digunakan misalnya untuk perbandingan DGGE
( denaturasi gradien elektroforesis gel) profil dari fragmen PCR [4-8]. dendrogram yang dihasilkan dapat berfungsi
sebagai indikator tujuan filogeni bakteri [9,10], maka disebut pohon filogenetik [11]. Analisis filogenetik sampel gel
elektroforesis biasanya diwujudkan secara manual. Alasan kebohongan
Int. J. Electrochem. Sci., Vol. 8, 2013 1610
sebagian besar dalam kualitas rendah gambar gel yang membuat pemrosesan komputer yang tepat mungkin. Kesamaan saling jalur
elektroforesis sering dievaluasi secara subjektif dalam ketergantungan pada jumlah band yang identik dan berbeda [6]. Otomatisasi
gambar gel klasifikasi membutuhkan penghapusan sebagian distorsi gambar yang signifikan seperti kecerahan noise, non-seragam dan /
atau kontras, dan disproporsi geometris. distorsi yang paling serius disebabkan oleh prosedur yang tidak sempurna dalam elektroforesis.
Penindasan atau penghapusan distorsi gambar gel adalah masalah yang diketahui yang dapat diselesaikan dengan berbagai produk
perangkat lunak komersial [12-14]. Kerugian utama mereka adalah adaptasi miskin untuk perangkat elektroforesis spesifik dan fokus
Pendekatan yang diusulkan dalam makalah ini menggabungkan dipilih alat gambar dan pemrosesan sinyal untuk mencapai
mungkin otomatisasi maksimal dalam pengolahan gambar gel digital terlepas dari aplikasi tertentu. Mekanisme dasar pengolahan citra gel
biasanya terdiri dari tiga langkah dasar: 1. Deteksi Band, 2. Band pencocokan, dan 3. kuantifikasi dan perbandingan [15]. Ketiga langkah ini
sangat tergantung pada metode elektroforesis. otomatisasi terpadu mereka untuk metode yang berbeda dari elektroforesis gel (protein, PCR
DNA / RNA fragmen, DGGE, TGGE, dll) sulit. Informasi tentang posisi pita sendiri tidak memberikan gambaran yang cukup nilai intensitas,
lebar band atau pergeseran vertikal antara band. Properti ini memiliki karakter individu untuk setiap gambar dan membuat perbandingan
gambar yang sulit. Karakter individu diberikan oleh non-keseragaman pemisahan elektroforesis. Masalah yang paling umum adalah distorsi
geometrik (misalnya efek senyum, sampel hyperfocusing), kontaminasi sampel (latar belakang sampel), gradien parasit (jalur fleksi), paparan
gambar gel miskin (kontras rendah), dll [12,16,17]. Yang paling distorsi gambar ini disebabkan oleh operasi yang tidak sempurna dan
pengaturan yang salah dari elektroforesis [18]. Namun, analisis citra elektroforesis otomatis harus mengambil pilihan ini ke rekening. Gambar
distorsi pengaruh deteksi jalur (sampel tidak bergerak ketat lurus), deteksi band (tingkat latar belakang lebih tinggi dari tingkat band), evaluasi
kecepatan berbagai sampel (sampel dari bergerak dengan baik marjinal melalui gel lambat dari yang di tengah ). Kami mengusulkan analisis
citra gel tanpa deteksi band yang dapat menyebabkan banyak masalah dan posisi yang dihasilkan dari band-band tidak memberikan
informasi yang cukup tentang sampel. Representasi setiap sampel lengkap dalam bentuk time series (sinyal 1-D) berpotensi cocok untuk
analisis yang lebih rinci [14]. Sinyal waktu sesuai dengan sumbu vertikal migrasi sampel dalam gel dan besarnya sinyal ditentukan oleh
tingkat abu-abu dari gambar pada posisi individu sepanjang sumbu vertikal. Dengan demikian, masalah band pencocokan diubah menjadi
sinyal yang cocok. Posisi yang berbeda dari band-band (sinyal puncak) dapat biasanya disesuaikan dengan resampling. Dalam kasus sinyal
nonlinear migrasi (misalnya “senyum” distorsi), dapat disesuaikan dengan dinamika waktu warping. Transformasi jalur gel untuk representasi
sinyal membutuhkan deteksi yang tepat dari bentuk jalur, terutama jika jalur tersebut geometris terdistorsi. Makalah ini mengusulkan algoritma
baru berdasarkan metode lane deteksi inovatif dalam kombinasi dengan metode pemrosesan sinyal (sebagai dinamis waktu warping, deteksi
puncak, sinyal filtrasi dll). Hal ini memungkinkan lebih tepat, analisis citra gel otomatis dan universal. Selain itu, sangat cocok untuk
perbandingan simultan dari beberapa gambar gel dengan parameter yang berbeda. analisis citra gel otomatis dan universal. Selain itu, sangat
cocok untuk perbandingan simultan dari beberapa gambar gel dengan parameter yang berbeda. analisis citra gel otomatis dan universal.
Selain itu, sangat cocok untuk perbandingan simultan dari beberapa gambar gel dengan parameter yang berbeda.
Int. J. Electrochem. Sci., Vol. 8, 2013 1611
2. METODOLOGI
elektroforesis gel pengolahan citra yang diusulkan untuk evaluasi sampel elektroforesis kesamaan terdiri dari lima langkah berturut-turut. Gambar
gel sering ditangkap oleh kamera berkualitas rendah. Dengan demikian, langkah pertama dari pengolahan citra gel adalah peningkatan kualitas gambar
dasar. Langkah ini termasuk dalam metodologi yang diusulkan untuk dua alasan: 1. untuk memastikan otomatisasi lengkap dari pengolahan gambar, dan 2.
untuk memastikan kontras tinggi gambar grayscale. Segmentasi dari citra gel pada jalur sampel dilakukan sebagai langkah kedua. Konversi gel jalur gambar
untuk sinyal 1D adalah tak terpisahkan terkait dengan langkah ini. Representasi sinyal dari jalur gel diperoleh dengan median dan dapat dipahami sebagai
penyaringan sampel non-linear. Penyaringan sampel meningkatkan informasi yang berguna yang terkandung dalam sampel (rasio antara band dan tingkat
kebisingan latar belakang sampel). Penyaringan sampel berfokus pada masing-masing sampel secara terpisah dan menghilangkan cacat lokal. Selain
langkah median filtering, penyaringan khusus dari latar belakang sampel dirancang untuk menghilangkan kotoran yang menyebabkan latar belakang merata
abu-abu. Sebelum langkah terakhir dari analisis cluster digunakan untuk mengevaluasi kesamaan dari sampel, langkah inovatif berdasarkan dinamis waktu
warping terintegrasi. Dinamis waktu warping menyesuaikan posisi band serupa antara dua sampel, yang dapat tertandingi karena gerakan yang tidak merata
dari berbagai sampel dalam gel. Penyaringan sampel berfokus pada masing-masing sampel secara terpisah dan menghilangkan cacat lokal. Selain langkah
median filtering, penyaringan khusus dari latar belakang sampel dirancang untuk menghilangkan kotoran yang menyebabkan latar belakang merata abu-abu.
Sebelum langkah terakhir dari analisis cluster digunakan untuk mengevaluasi kesamaan dari sampel, langkah inovatif berdasarkan dinamis waktu warping
terintegrasi. Dinamis waktu warping menyesuaikan posisi band serupa antara dua sampel, yang dapat tertandingi karena gerakan yang tidak merata dari
berbagai sampel dalam gel. Penyaringan sampel berfokus pada masing-masing sampel secara terpisah dan menghilangkan cacat lokal. Selain langkah median filtering, pen
b) c)
Sebuah)
1
keluaran
g <1
0 1
memasukkan
6000 + 6000
1
Frekuensi
4000
Output
4000
Frekuensi
2000 2000
0 1
memasukkan
0 0
Semua langkah-langkah pengolahan lain dari analisis citra gel memerlukan gambar grayscale dengan latar belakang
putih dan tingkat abu-abu band mencapai hitam di batas. Skala abu-abu dapat dinormalisasi dalam kisaran dari 0 ke 1 (0 nilai
sesuai dengan warna hitam, 1 sesuai dengan putih) untuk diproses komputasi berikutnya. Histogram gambar grayscale
mengungkapkan frekuensi piksel dengan tingkat intensitas tertentu dalam rentang grayscale relatif dari 0 ke 1. Grayscale
histogram dari citra gel harus berisi piksel pada semua tingkat kisaran grayscale relatif. Sebuah peningkatan yang signifikan
dari jumlah piksel dalam kisaran 0,55-1, yaitu peningkatan frekuensi piksel warna putih mewakili latar belakang putih. Sebuah
gambar gel overexposed memiliki karakteristik histogram cenderung 1 (tingkat putih), kurang terang ke 0. peningkatan kontras
diwujudkan dengan fungsi transformasi diterapkan untuk berbagai grayscale dari histogram citra gel.
Metode perbaikan citra lain yang berguna menggabungkan koreksi gamma. Parameter gamma dipilih dalam
ketergantungan pada eksposisi gambar. Gambar overexposed harus diperbaiki dengan γ <1, gambar kurang terang dengan
γ> 1. Kisaran peningkatan kontras untuk piecewise linear penyesuaian kontras diatur sesuai dengan tingkat kebisingan di
latar belakang. Kombinasi transformasi kontras dengan koreksi gamma dan sepotong-bijaksana penyesuaian kontras linear
memungkinkan perluasan spektrum histogram untuk seluruh rentang grayscale, menyoroti band dan menekan kotoran latar
belakang. Gambar 1 menunjukkan contoh penyesuaian kontras gambar gel overexposed. Peningkatan kontras gambar dalam
panel) disadari oleh fungsi transformasi di panel b). parameter gamma eksperimen terpilih sebagai γ = 0,65 dan
meningkatkan linear trend fungsi linear sepotong-bijaksana adalah dalam kisaran antara 0,15 dan 0,85 dari skala abu-abu
[19,20].
Pilihan parameter fungsi transformasi harus secara manual dikoreksi harus, karena langkah ini sangat berguna
untuk meningkatkan penampilan dari gambar hasil gel, yang merupakan kriteria subjektif. Peningkatan kontras tidak
diperlukan untuk analisis kesamaan gambar gel elektroforesis; hasilnya berubah hanya sedikit dan klasifikasi taksonomi
hanya dalam kasus luar biasa untuk sampel sangat mirip. Langkah ini dapat benar-benar dilewati atau parameter dari
fungsi transformasi dapat dikonfigurasi berdasarkan kepadatan histogram untuk analisis sepenuhnya otomatis.
Langkah selanjutnya dari pengolahan elektroforesis gambar adalah deteksi otomatis jalur. Hingga saat ini, ada telah disajikan
sejumlah pendekatan untuk menangani masalah deteksi jalur, seperti [14,21-23]. Metode ini didasarkan pada prinsip yang disebut
“jalur tracking” yang terletak di pelacakan pusat setiap jalur. Kerugian dari pendekatan tersebut terletak pada mengabaikan informasi
dari daerah luar garis tengah. Dalam karya ini, kami menyajikan sebuah metode alternatif baru untuk deteksi jalur otomatis
berdasarkan pelacakan dari perbatasan jalur. Hasil pendekatan tersebut adalah segmentasi penuh dari jalur. Dengan demikian, kita
Metode yang diusulkan dapat dibagi menjadi dua bagian utama: 1) deteksi pixel pertama dari setiap perbatasan jalur,
dan 2) pelacakan perbatasan melalui piksel lainnya. Algoritma memerlukan nilai input tunggal yang jumlah jalur gambar
elektroforesis dianalisis. Tergantung pada nilai ini ditetapkan
Int. J. Electrochem. Sci., Vol. 8, 2013 1613
parameter lain dari algoritma. Sisa dari proses segmentasi sepenuhnya otomatis dan tidak memerlukan campur tangan
manusia lebih lanjut.
Prinsip deteksi pixel pertama dari perbatasan jalur ditunjukkan pada Gambar 2a). Pada langkah pertama, intensitas berarti
nilai dihitung untuk setiap kolom pixel dari ketiga atas gambar. Alasan untuk menggunakan hanya sepertiga bagian atas gambar
adalah penindasan pergeseran jalur ke arah sumbu x yang lebih besar di tengah-tengah dan sepertiga bagian bawah gambar.
Puncak dalam representasi sinyal 1D yang diperoleh menandai posisi pixel pertama dari setiap perbatasan. algoritma deteksi
puncak yang digunakan didasarkan pada menemukan maxima lokal dalam sinyal. Ia mengembalikan hanya puncak dengan indeks
dipisahkan oleh lebih dari nilai variabel mPD ( Puncak jarak minimum). variabel mpd dihitung sebagai lebar rata-rata jalur dikalikan
dengan konstan 0,7. Lebar rata-rata yang diperlukan dari jalur dapat dengan mudah diperkirakan sebagai panjang sinyal dibagi
dengan jumlah yang disediakan dari jalur pada gambar.
Langkah berikutnya terletak pada pelacakan pixel lain dari masing-masing garis perbatasan. Algoritma
pelacakan dimulai dari posisi yang sudah dikenal dari piksel pertama. piksel ini sesuai dengan poin paling atas dari
garis biru pada Gambar 2b). Dalam setiap langkah pelacakan, algoritma membandingkan nilai intensitas dari tiga
piksel di bawah pixel saat ini dan memilih pixel dengan intensitas tertinggi (whitest satu). Untuk memprioritaskan jalan
yang paling langsung mungkin, nilai pixel tengah adalah sedikit meningkat dengan perkalian konstan 1,04. Algoritma
pelacakan berhenti ketika mencapai bagian bawah gel. Hasil akhir dari proses segmentasi jalur ditunjukkan pada
Gambar 2b) di mana garis biru mewakili jalur batas-batas yang ditemukan. (Algoritma konstanta 0,7 dan 1.
Sebuah)
Lanes
intensitas
relatif dari0,5 1
0,5 1
1/3
0
gambar 0 50 100 150 200 250 300 350
1234567 8 9 10 11 12 13 14 15 16 17 18 19 20
1/3 dari
b)
gambar
Gambar 2. Prinsip segmentasi citra gel menggunakan pelacakan batas jalur. a) terdeteksi
posisi puncak intensitas (garis biru) sesuai dengan posisi dari pixel pertama dari setiap asrama. b) akhir gambar
tersegmentasi dengan batas-batas ditandai masing-masing jalur (garis biru).
Digitalisasi profil grayscale 2D sampel gel elektroforesis untuk 1D representasi sinyal adalah langkah penting
berikutnya dari analisis komputasi gel elektroforesis digunakan di sebagian besar aplikasi [8,12,17,22,24]. Kita dapat
secara efektif menekankan fitur penting dari gambar elektroforesis dan menekan beberapa jenis distorsi dengan batas
yang diketahui dari setiap jalur
Int. J. Electrochem. Sci., Vol. 8, 2013 1614
dalam gambar. Fitur penting yang diperlukan untuk klasifikasi berikutnya adalah posisi, ketebalan dan intensitas band
di setiap jalur. Pergeseran ke arah sumbu x dan kebisingan latar belakang adalah jenis distorsi gambar yang bisa
ditekan. Dalam kasus tidak adanya pergeseran, garis batas terdeteksi akan lurus. Dalam kasus kehadiran
pergeseran, algoritma deteksi batas yang diusulkan bisa melacaknya. Kedua menekankan fitur dan penindasan
gangguan terletak pada konversi jalur 2D ke representasi sinyal 1D. Piksel dengan koordinat y-sumbu yang sama
dalam kisaran masing-masing jalur batas diganti dengan nilai rata-rata mereka. Mungkin pergeseran arah sumbu x
dihilangkan dan median juga efektif menekan noise. Hasil konversi tersebut dapat dilihat pada Gambar 3.
gambar 2D
jalur
jalur
band asli
median
relatif dari
sinyal 1D
intensitas
0,5 1
0
50 150 100 200 250
migrasi relatif ~ jumlah piksel
Gambar 3. Konversi gambar jalur sinyal representasi menggunakan median. a) jalur 2D asli
setelah segmentasi. b) Jalur 2D diperoleh filtering median jalur 2D asli. c) Akhir 1D sinyal representasi dari
jalur diperoleh dari nilai-nilai median dari jalur 2D asli.
Kotoran dalam sampel gel sering menyebabkan merata latar belakang abu-abu. Tingkat abu-abu di latar
belakang bisa sangat dekat dengan nilai abu-abu dari beberapa band. Selain itu, latar belakang kotoran spesifik untuk
masing-masing sampel tetapi tidak untuk karakteristik sampel, dan kemudian analisis kesamaan berturut-turut
membedakan dua sampel identik hanya atas dasar kotoran yang berbeda. Masalah ini dapat diatasi misalnya dengan
lokalisasi band-band tertentu menggunakan teknik deteksi puncak [15,17,23,25]. Namun, metode yang diusulkan
membandingkan seluruh program dari masing-masing sampel gel, tidak hanya posisi band sampel. Sebuah teknik
penyaringan sederhana terdiri dari tiga langkah: estimasi amplop latar belakang dalam representasi sinyal (Gambar 4
b, bagian atas),
Int. J. Electrochem. Sci., Vol. 8, 2013 1615
intensitas relatif
0
0 50 100 150 200 250 300
relatif
1
0
0 50 100 150 200 250 300
migrasi relatif migrasi
Sebuah) b) c)
Gambar 4. Koreksi shading di jalur elektroforesis. a) gel gambar setelah deteksi jalur dan
median filtering. b) Atas: Sinyal dari jalur 3 (garis biru) dengan estimasi amplop sinyal (garis merah). Lebih
rendah: Sinyal dari jalur 3 dengan amplop dihapus dan nilai-nilai normal. c) Citra gel dipulihkan dari sinyal
jalur dikoreksi.
Estimasi tren latar belakang abu-abu diwujudkan dengan menemukan maxima sinyal di jendela mengambang. Ukuran
jendela L W tergantung pada resolusi gambar dan lebar band terbesar, bahwa amplop dari latar belakang tidak mengikuti jalannya
sinyal. Ukuran jendela yang tepat adalah dua kali ukuran band terbesar dan langkah-langkah dari jendela mengambang dengan
tumpang tindih L Hai sama seperempat dari ukuran jendela L W. Jendela tumpang tindih membutuhkan perpanjangan setiap sinyal oleh
salah satu panjang jendela di kedua sisi. Nilai-nilai extension adalah yang pertama dan terakhir L W nilai-nilai sinyal berulang pada
awal dan akhir. Estimasi amplop latar belakang dilakukan secara terpisah untuk setiap sinyal (sampel). Parameter window
ditetapkan L = W 20 px dan L o = 5 px untuk gambar pengujian ditunjukkan pada Gambar 4 dengan ukuran 550 × 300 px.
Kecepatan rata pergerakan sampel pada gel disebabkan oleh banyak faktor. Ini adalah tegangan elektroforesis biasanya terlalu tinggi, kepadatan
tidak merata gel atau sampel kesalahan aplikasi [18]. kecepatan meningkat gerakan sampel di sumur tengah dibandingkan dengan sumur marginal (efek
senyum) adalah jenis distorsi yang dapat dimodelkan dan dengan demikian kompensasi [12,13,15-17,26]. Kombinasi faktor-faktor yang lebih menyebabkan
distorsi geometris membuat pemodelan sulit. Dalam hal ini, kecepatan sampel tidak berubah sama, yaitu jalur sampel menengah tidak hanya bergeser ke
marjinal, tetapi juga tidak merata membentang. Kompensasi distorsi seperti itu memerlukan penyesuaian individu masing-masing sampel. Metode
berdasarkan deteksi posisi band [12,15,23,25] posisi yang benar untuk sesuai dengan skala tangga. Namun, penentuan posisi yang tepat dari
masing-masing band rumit. Penggunaan tentu saja sinyal bukannya posisi band yang memelihara informasi lebih lanjut tentang sampel. Koreksi gerakan
sampel yang tidak merata dapat diwujudkan dengan penyesuaian lokal dari panjang sinyal. Jika kita mempertimbangkan representasi sinyal dari jalur sampel
sebagai hidangan waktu, dinamika waktu warping dapat digunakan untuk penyesuaian lokal ini. Panjang koreksi dilakukan berpasangan (semua sampel satu
sama lain), sehingga salah satu penyesuaian yang salah memiliki pengaruh kurang pada hasil akhir dari analisis kesamaan. Satu penyesuaian berpasangan
mempengaruhi kesamaan saling dua sampel ini, tapi dalam jumlah yang memadai sampel lainnya dapat mengkompensasi ketidakakuratan ini. Koreksi
gerakan sampel yang tidak merata dapat diwujudkan dengan penyesuaian lokal dari panjang sinyal. Jika kita mempertimbangkan representasi sinyal dari
jalur sampel sebagai hidangan waktu, dinamika waktu warping dapat digunakan untuk penyesuaian lokal ini. Panjang koreksi dilakukan berpasangan (semua
sampel satu sama lain), sehingga salah satu penyesuaian yang salah memiliki pengaruh kurang pada hasil akhir dari analisis kesamaan. Satu penyesuaian
berpasangan mempengaruhi kesamaan saling dua sampel ini, tapi dalam jumlah yang memadai sampel lainnya dapat mengkompensasi ketidakakuratan ini.
Koreksi gerakan sampel yang tidak merata dapat diwujudkan dengan penyesuaian lokal dari panjang sinyal. Jika kita mempertimbangkan representasi sinyal dari jalur samp
Int. J. Electrochem. Sci., Vol. 8, 2013 1616
Teknik yang disebut dinamis waktu warping yang awalnya digunakan dalam analisis pidato [27]. kata yang
diucapkan sama dalam pidato orang yang berbeda memiliki arti yang sama (sinyal dari bentuk hampir sama), tapi waktu dan
offset tertentu bagi tiap orang. Metode dinamis waktu warping dapat beradaptasi waktu dan offset sinyal tersebut [28]. atribut
ini dapat menguntungkan digunakan untuk penyesuaian posisi pita antara dua jalur gel.
Prinsip DTW dikenal di masyarakat pemrosesan sinyal [28]. Prinsip sinyal keselarasan menggunakan DTW
ditampilkan dalam Gambar 5. Teknik ini menyejajarkan nilai sampel menggunakan minimalisasi jarak antara pasang
sampel. Peregangan salah satu atau kedua sinyal diwujudkan dengan mengulangi sampel yang dipilih. Kriteria untuk
penyelarasan dan pengulangan sampel ditentukan oleh tabel akumulasi jarak (Gambar 5 b). Nilai jarak akumulasi
dihitung dari jarak berpasangan untuk setiap pasangan sampel sesuai dengan (1).
16
15
10
5
saya
14
0
0 2 4 6 8 10 12 14 16
Sebuah) 0 2 5 7 10 12 9 13 7 12 8 6 4 2 1 0 3 7 11 8 13 9 15 8 12 7 3
15
b)
12
10
10
0
0 2 4 6 8 10 12 14 16
i - 1, j
Waktu
8
c) aku j
i - 1, j - 1
j
15
6
10
5 i, j - 1
4
0
0 2 4 6 8 10 12 14 16
2
Waktu
0
15
10
0
5
Gambar 5. prinsip umum DTW. a) Dua sinyal asli panjang yang berbeda. b) Penentuan
matriks akumulasi jarak dan backtracking jalur yang optimal. Nomor di kolom pertama mewakili nilai-nilai dari sinyal
pertama dan nomor pada baris pertama mewakili nilai-nilai dari sinyal kedua. Panah hitam membentuk jalur optimal
digunakan untuk adaptasi sinyal. Panah merah menunjukkan arah mungkin dalam setiap langkah. c) Sinyal yang
dihasilkan setelah DTW (panjang yang sama).
(, ) • • ,[
1 (min • 1) , D ji •D
1 (ji, D )ji. D (, • 1)] • (, )
jidji (1)
dimana D adalah jarak akumulasi dan d adalah nilai dari jarak berpasangan. Nilai jarak akumulasi D (i, j) ditentukan
oleh jarak berpasangan d (i, j) dan minimum dari nilai sebelumnya dari akumulasi jarak seperti yang ditunjukkan pada
Gambar 5b). set ini akumulasi jarak untuk setiap pasangan sampel membentuk matriks. Hasil urutan warping berasal
atas dasar minimalisasi cara mundur dari sudut kanan atas ke sudut kiri bawah dari matriks. Ada tiga arah
diperbolehkan untuk langkah setiap jalur, lihat Gambar 5b) (panah merah). Sinyal asli dari Gambar 5a) selaras dengan
sinyal yang dihasilkan ditunjukkan pada Gambar 5c).
Int. J. Electrochem. Sci., Vol. 8, 2013 1617
The DTW menyesuaikan posisi dari band yang sama tetapi kekhususan masing-masing jalur dipertahankan. Prinsip
penyesuaian menggunakan DTW ditampilkan dalam Gambar 6. Gambar 6a) menunjukkan dua jalur yang sama dengan kecepatan
migrasi yang berbeda dalam gambar dan sinyal representasi. analisis kesamaan tradisional mengevaluasi hanya sejumlah kecil saling
kesamaan dalam hal ini. Penerapan DTW pada formulir sinyal dari kedua sinyal pada Gambar 6b) memodifikasi panjang sinyal untuk
jalur asli 6
dan 10
Sebuah)
0,5 1 jalur 6
lajur 10
0
intensitas relatif
0,5 1 jalur 6
lajur 10
0
0 50 100 150 200 250 300 350 400
jalur disesuaikan
6 dan 10
Gambar 6. Penyesuaian posisi band sepasang jalur menggunakan DTW. a) Lanes mengandung sejenis
band yang tidak selaras (atas) dan representasi sinyal dari jalur (lebih rendah). b) penyesuaian Posisi puncak
sinyal dari jalur (atas) dan sesuai representasi citra jalur disesuaikan (lebih rendah).
Hasil analisis kesamaan dapat diwakili oleh dendrogram. Untuk sampel gel elektroforesis, dendrogram disebut
pohon filogenetik [9-11]. Informasi yang diperoleh tidak hanya menjelaskan kesamaan, tetapi juga afinitas. Metode
UPGMA digunakan untuk analisis cluster. Meskipun metode ini sederhana, masih yang paling banyak digunakan [4-6].
Selain itu, pengujian teknik analisis cluster bukan subjek dari artikel ini. Tujuan utama adalah perpanjangan dari metode
umum dengan menerapkan DTW, algoritma deteksi baris baru dan peningkatan citra gel. dendrogram tersebut
direkonstruksi dari jarak berpasangan ditentukan oleh (2) sebagai jarak Euclidean sederhana d xy dari dua sinyal X dan Y dengan
panjang k.
• d•
2
xy
• • YXii • (2)
•1
saya
Matriks jarak direkonstruksi dari jarak berpasangan dari masing-masing pasangan sinyal (sampel jalur). Beberapa metode
menggunakan koefisien korelasi Pearson untuk mengukur jarak [4,12]. Koefisien korelasi dapat mengkompensasi sampel offset
yang disebabkan oleh sampel bergerak tidak sama pada gel. korelasi hanya dapat digunakan untuk penyesuaian posisi linear; yang
tidak sama peregangan sampel
Int. J. Electrochem. Sci., Vol. 8, 2013 1618
tidak terpecahkan. Penerapan DTW pada langkah pengolahan sebelumnya memecahkan kedua masalah bersama-sama; Oleh karena itu penggunaan
Jika kesamaan sampel tergantung pada saling mengimbangi antara dua jalur sampel, panjang jalan mundur di DTW
dapat digunakan untuk pembobotan jarak Euclidean.
Metodologi yang diusulkan terdiri dari beberapa langkah yang inovatif: metode baru deteksi jalur, konversi jalur
sampel untuk 1D sinyal dan pengolahan tanpa deteksi band dan penerapan DTW untuk penyesuaian sinyal. Kesadaran
dampaknya ke hasilnya adalah penting untuk pemanfaatan yang tepat mereka.
Sebuah)
50
b)50
100 100
150 150
200 200
250 250
300
20 40 60 80 120 140 160 100 180 200 220 50 100 150 200 250 300 350 400 450 500
c) d) 50
50
100
100
150
200
150
250
200
300
250 350
50 100 150 200 250 300 50 100 150 200 250 300 350 400 450 500
Gambar 7. Contoh deteksi jalur yang benar dalam empat gambar gel dengan batas-batas jalur bermasalah
karena jalur tumpang tindih satu sama lain. a) distorsi dari pola protein karena penundaan antara memuat sampel dan
berjalan gel, b) band mengolesi disebabkan oleh protein curah hujan selama elektroforesis dan protein tidak merata
konsentrasi dalam sumur, c) distorsi dari pola protein karena keterlambatan antara sampel memuat dan gel berjalan
dan konsentrasi garam yang tinggi pada sampel, d) distorsi dari pola protein yang disebabkan oleh konten garam tinggi
dalam sampel, gambar dari http://nu-distance.unl.edu/homer/class/4/mastery/text/ geltips.html.
Langkah inovatif pertama adalah segmentasi citra gel pada jalur sampel individu. Identifikasi yang salah dari tren jalur
sampel menyebabkan degradasi total hasil analisis kesamaan. Selain itu, langkah ini bermasalah dan sangat dipengaruhi oleh
distorsi gambar. Pendekatan deteksi konvensional lebih rentan terhadap kesalahan karena mendeteksi hanya garis tengah jalur
sampel. Pendekatan kami mendeteksi batas-batas setiap jalur dan memperkirakan nilai-nilai yang benar sebagai nilai-nilai
median antara batas-batas jalur. algoritma diuji pada 50 gambar yang diperoleh dari laboratorium mahasiswa dan dari situs
yang membahas pemecahan masalah dalam elektroforesis gel
(http://nudistance.unl.edu/homer/class/4/mastery/text/geltips.html). Gambar 7 menunjukkan empat contoh bermasalah jalur
pendeteksian. Keempat gambar gel tampak terdistorsi, jalur tumpang tindih satu sama lain dan seperti jenis rumit distorsi dapat
hampir tidak dimodelkan. Metode yang diusulkan deteksi jalur andal mendeteksi batas-batas setiap jalur. Penyaringan median
mengkompensasi tumpang tindih kecil perbatasan
Int. J. Electrochem. Sci., Vol. 8, 2013 1619
baris dengan jalur sampel dan mengoreksi beberapa jenis noise dan distorsi. deteksi bekerja bahkan jika jalur sampel
tidak mengandung band (Gambar 7d: 6 th dan 7 th lane) dan algoritma tradisional sampel deteksi garis tengah tidak ada
untuk mendeteksi.
Pengujian pengaruh gambar dan sinyal pra-pengolahan dalam kombinasi dengan DTW dilakukan pada gambar gel
yang ditunjukkan pada Gambar 1a). Gambar gel mengandung empat kelompok sampel yang berbeda dalam jumlah band dan
posisi mereka. Pembagian sampel ke dalam kelompok ini adalah kode warna pada Gambar 8. Kesamaan dalam kelompok
sampel relatif jelas; sampel sulit untuk menentukan yang terutama 7 th dan 10 th mencicipi. Ini jalur sampel terdegradasi oleh offset
(10 th
sampel) dan offset dengan peregangan (7 th mencicipi). Kelompok pertama (No. I) secara signifikan berbeda dari yang lain,
karena sampel ini hanya terdiri dari 3 band, sedangkan kelompok lain memiliki sampel dengan lebih band. Pemisahan
kelompok pertama harus jelas dari orang lain. Diversifikasi sampel dari sisa tiga kelompok rumit dan setiap kecil posisi band
dapat menyebabkan kesalahan. Kriteria untuk hasil yang benar dari analisis kesamaan adalah pembagian ke dalam empat
kelompok, pemisahan kelompok pertama, klasifikasi sampel menyimpang No 7 dan No 10 dan ambang pemisahan cluster.
Kriteria terakhir memperhitungkan sensitivitas klasifikasi; semakin tinggi nilai ambang berarti klasifikasi buruk dari kelompok
yang sangat mirip. Kami menetapkan tiga parameter untuk evaluasi tujuan akurasi klasifikasi: th - ambang batas untuk
pemisahan cluster, akar - jarak antara akar dan terminal cabang, sens - sensitivitas klasifikasi sebagai rasio root: th.
jumlah 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
sampel
Nomor
grup saya II IV saya II IV AKU AKU AKU saya II IV II saya AKU AKU AKU IV AKU AKU AKU II saya IV II saya
Angka 8. Gambar gel asli dengan nomor kode warna dari sampel dan kelompok dengan saling
kesamaan.
Analisis klaster diterapkan pada empat modifikasi yang berbeda dari gambar gel elektroforesis dari Gambar 8. Langkah
pertama menggunakan deteksi jalur dengan median filtering dan 2D untuk transformasi 1D identik untuk semua varian.
Selanjutnya, kemampuan klasifikasi diuji dalam ketergantungan pada penggunaan DTW dan kombinasi teknik penyesuaian
gambar yang diusulkan. Hasil pertama di Kesalahan! Sumber referensi tidak ditemukan. a) menunjukkan klasifikasi sampel gel
dengan menggunakan filtering dan pemanfaatan DTW. Pembagian sampel untuk empat cluster dilakukan dengan benar.
Kelompok Tidak, aku membentuk cluster yang terpisah. Gugus utama kedua terdiri dari tiga subclusters diwakili oleh kelompok II,
III dan IV. Distorsi sampel No 7 dan No 10 memiliki panjang sedikit terkena cabang di dalam cluster, tetapi klasifikasi mereka
tetap benar. Hampir pengelompokan yang sama
Int. J. Electrochem. Sci., Vol. 8, 2013 1620
Hasil dicapai tanpa teknik penyesuaian pada Gambar 9c) dengan pemanfaatan DTW. Pertanyaannya adalah apakah akan
menggunakan penyesuaian gambar dalam kombinasi dengan DTW atau tidak. Jawabannya terletak pada parameter yang
disebutkan: ambang clustering dan sensitivitas. Sensitivitas teknik klasifikasi dengan filtrasi dan DTW adalah sens = 8.04: 1,52 ≈
5: 1 dan tanpa filtrasi sens = 3.02:
0,68 ≈ 4: 1. Meskipun sensitivitas klasifikasi tanpa filtering gambar masih tinggi, terjadinya kesalahan akan lebih
mungkin dalam kasus kelompok sampel lebih mirip. Teknik penyaringan yang diusulkan tidak mengubah hasilnya;
hanya meningkatkan sensitivitas clustering.
The dendrogram yang tersisa dengan jalur sampel direorganisasi pada Gambar 9b) dan 9d) menunjukkan hasil klasifikasi
tanpa menggunakan DTW. Analisis klaster saja tidak cukup untuk mengklasifikasikan sampel rusak 7 dan 10, bahkan dengan
bantuan penyaringan gambar. Internal divisi cluster tidak konsisten, kelompok yang berbeda secara signifikan Tidak, aku tidak
benar terkait dengan orang lain. Selain itu, sensitivitas pemisahan cluster secara signifikan di bawah rasio 2: 1. Pemanfaatan DTW
tampil lebih penting daripada filtrasi gambar.
Sebuah) 10 b)
root = 9.72
root = 8.04
8
8
Euclidean
Euclidean
6
6 th = 6,75
Jarak
Jarak
4
4
th = 1,52
2
2
17 20 4 12 8 1 2 16 5 11 19 9 7 13 15 3 18 6 14 10 0 2 4 6 8
10
13
81
55 11
11 9919
192 21616 1 17
4 124 20
12820 8 14
3 18 147 61015
1372 10
4 6 13
8 102 4 6 8 10
11
19
16
17
12
20
18
14
15
1 17 3 18 6 15
7
20
12
3
5
1
16
11
19
18
14
10
13
15
17
6
7
3
2
17 20 4 12 8 1 2 16 5 11 19 9 7 13 15 3 18 6 14 10 0 2 4 6 8
4
c)
root = 3.02 d) root = 3.35
Euclidean
Euclidean
3 3
2 2 th = 2.18
th = 0,68
Jarak
Jarak
1
1
1720 1 4 8 12 2 5 9 111.619 7 1315 3 18 6 1014 1 2 3 5 11 9 19 2 16 7 1 17 4 1220 8 3 1814 6 101.315 1 2 3
1720 1 4 8 12 2 5 9 111.619 7 1315 3 18 6 1014 1 2 3
25
12
11
16
19
11
19
16
17
12
20
18
14
10
13
15
18
14
10
13
15
7
17
3
5
1
8
8
6
Gambar 9. Pengaruh gambar dan sinyal pra-pengolahan dan pemanfaatan DTW hasil dari sampel
klasifikasi. Klasifikasi sampel gel) dengan preprocessing dan DTW, b) dengan preprocessing dan tanpa
DTW, c) tanpa preprocessing dan dengan DTW, d) tanpa preprocessing dan DTW. nilai jarak: th - ambang
batas untuk pemisahan cluster, akar - panjang pohon.
4. KESIMPULAN
Pemrosesan komputer dari satu elektroforesis gel dimensi mungkin muncul usang dibandingkan dengan
metode kemudian seperti elektroforesis 2D kapiler, chip atau. Namun, masih
Int. J. Electrochem. Sci., Vol. 8, 2013 1621
teknologi yang paling terjangkau untuk sebagian besar laboratorium (bio) kimia karena pembelian yang rendah dan biaya
operasional. Namun, fakta ini sering sesuai dengan output yang berkualitas rendah yang mempersulit pemrosesan komputer
dari gambar hasil gel. Jenis yang paling umum dari degradasi hasil distorsi geometrik dari jalur sampel pada gel elektroforesis,
yang terjadi sudah selama proses elektroforesis, dan kontras rendah dari gambar gel disebabkan oleh kontaminasi sampel dan
kualitas kamera. Karena asal-usul masalah ini berbeda dan bervariasi, adalah tepat untuk menyelesaikannya secara terpisah.
Banyak penulis menyelesaikan distorsi geometris gambar gel dengan pemodelan karakteristik mereka dengan kompensasi
berikutnya, tetapi distorsi trivial sering tak terduga. Solusinya disajikan terletak pada dua langkah, yang secara terpisah
mengkompensasi distorsi dalam arah x dan y sumbu terlepas dari jenis dan bentuk distorsi. Algoritma yang dirancang khusus dari
sampel tren pencarian jalur deteksi garis sampel perbatasan dan hanya bergantung pada perubahan tingkat abu-abu piksel pada
gambar gel. Kecenderungan garis tidak memiliki karakteristik yang penting. Segmentasi jalur yang benar mengkompensasi distorsi
geometris dalam arah horizontal (jalur fleksi). Kompensasi dari berbagai kecepatan relatif dari sampel yang berbeda pada gel dalam
arah vertikal diwujudkan dengan DTW. Langkah ini tidak memecahkan distorsi khas hanya (sebagai senyum mempengaruhi) tetapi
juga distorsi individu masing-masing sampel. Sekali lagi, itu tidak memodelkan distorsi, karena metode ini menyesuaikan sampel
satu sama lain, sehingga hasilnya lebih tepat dicapai dengan beberapa sampel. Fakta ini terkait dengan persyaratan analisis
kesamaan, yang juga perlu lebih banyak sampel (10 sampel yang cukup).
Efisiensi penghapusan pengaruh distorsi geometrik tergantung pada visibilitas yang baik sampel dalam gambar gel.
Efektivitas kedua langkah sebelumnya meningkat dalam ketergantungan pada kualitas gambar. Kombinasi khusus teknik untuk
penyesuaian gambar dan penyaringan sinyal diusulkan untuk alasan ini. Penyesuaian kontras dengan piecewise linear fungsi
transformasi dalam kombinasi dengan koreksi gamma meningkatkan deteksi jalur. Penyaringan latar belakang yang tidak sama dari
masing-masing sampel meningkatkan penyesuaian posisi dengan DTW dan kami mendapatkan evaluasi yang lebih akurat saling
kesamaan independen pada kotoran latar belakang.
Fakta yang paling penting adalah bahwa semua langkah ini adalah adaptif dan mandiri pada metode elektroforesis yang
digunakan. Ini menawarkan penggunaan universal dan automaticity penuh analisis gel citra kemiripan elektroforesis.
Referensi
20. C. Dah-Chung dan W. Wen-Rong, Medical Imaging, Transaksi IEEE pada, 17 (1998) 518.
21. A. Machado dan M. Campos, di Grafik Komputer dan Pengolahan Citra, 1997. Proceedings., X Brasil Simposium,
1997, hal. 140.
22. SC Park, IS Na, TH Han, SH Kim dan GS Lee, Komputer dan Elektronik di
Pertanian, 83 (2012) 85.
23. A. Sousa, R. Aguiar, A. Mendonca dan A. Campilho, Gambar Analisis dan Pengakuan, 3212
(2004) 158.
24. SE Shadle, DF Allen, H. Guo, WK Pogozelski, JS Bashkin dan TD Tullius, Asam nukleat
penelitian, 25 (1997) 850.
25. Y.-K. Chan, S.-W. Guo, H.-M. Cheng dan P.-H. Kamu, 2011 Konferensi Internasional tentang
Elektronika, Komunikasi dan Pengendalian (ICECC) ( 2011) 3586.
26. I. Bajla dan I. Hollander, Pengukuran tinjauan ilmu pengetahuan, 1 (2001) 5.
27. H. Sakoe dan S. Chiba, Transaksi IEEE pada Akustik, Speech, dan Signal Processing, 26 (1978)
43.
28. T. Giorgino, Journal of Software statistik, 31 (2009) 1.