💻 bioinformatics

Image Analysis Tools for Scanning Electron Microscopy

تقدم هذه الورقة مجموعة من الإضافات مفتوحة المصدر لبرنامج Fiji (ImageJ) ولغة بايثون مصممة لتحليل نسبة الإشارة إلى الضجيج، والتباين، والدقة في صور المجهر الإلكتروني الماسح، بما في ذلك دعم أجهزة FIB-SEM المخصصة.

المؤلفون الأصليون: Shtengel, D., Shtengel, G., Xu, C. S., Hess, H. F.

نُشر 2026-04-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shtengel, D., Shtengel, G., Xu, C. S., Hess, H. F.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق يحاول حل لغز داخل عالم صغير غير مرئي. عدستك المكبرة هي مجهر إلكتروني ماسح (SEM). إنه آلة مذهلة تلتقط صوراً لأشياء صغيرة جداً لدرجة أنها غير مرئية بالعين المجردة، مثل المكونات الداخلية للخلية أو بنية الفيروس.

لكن هناك مشكلة: أحياناً، تظهر الصور ضبابية، أو محببة، أو تبدو ألوانها غريبة. كيف تعرف ما إذا كانت الصورة جيدة، أم أن مجهرك يتعطل؟ أو الأسوأ من ذلك، كيف تعرف ما إذا كانت العينة التي جهزتها (أي "الأدلة") قد فسدت قبل أن تبدأ حتى في البحث؟

هذه الورقة تتحدث عن مجموعة أدوات رقمية جديدة ابتكرها فريق من العلماء لتعمل بمث de "مفتش مراقبة الجودة" لهذه الصور المجهرية. لقد بنوا هذه الأدوات كإضافات لبرنامج Fiji، وهو برنامج مجاني شهير يستخدمه العلماء لتحرير وتحليل الصور.

إليك تفصيل لما تفعله مجموعة الأدوات هذه، باستخدام تشبيهات بسيطة:

1. محقق "نسبة الإشارة إلى الضجيج" (تحليل SNR)

المشكلة: تخيل أنك تحاول الاستماع إلى صديق يهمس بسر في ملعب مزدحم وصاخب. "الإشارة" هي صوت صديقك، و"الضجيج" هو هتاف الجمهور. إذا كان الجمهور صاخباً جداً، فلن تتمكن من سماع السر. في المجهر، "الضجيج" هو التشويش المحبب الذي يجعل الصورة تبدو مشوشة.

الطريقة القديمة: سابقاً، لقياس مدى صخب "الجمهور"، كان على العلماء التقاط صورتين متطابقتين تماماً لنفس البقعة ومقارنتهما. كان الأمر يشبه طلب همس نفس السر من شخصين في نفس الوقت ومقارنة أصواتهما. كان من الصعب القيام بذلك بدقة مثالية.

الخدعة الجديدة: ابتكر المؤلفون خدعة رياضية ذكية تسمة لك معرفة "مستوى الضجيج" باستخدام صورة واحدة فقط.

كيف تعمل: إنهم يعاملون الصورة كأنها تلة ناعمة. إذا قمت بتنعيم التلة (تغبيشها قليć) ثم نظرت إلى الفرق بين النسخة الأصلية والنسخة المغبشة، فإن "التموجات" المتبقية هي الضجيج.
الميزة الإضافية: هذه الطريقة ذكية جداً لدرجة أنها تستطيع أيضاً إخبارك بـ "العد التلقائي المظلم" (dark count) — وهو ما يشبه التشويش الذي تسمعه حتى عندما لا يتحدث أحد على الإطلاق (الطنين الخلفي للآلة).

2. طباخ "التباين" (تقييم التباين)

المشكلة: تخيل أنك تنظر إلى صورة باللونين الأبيض والأسود لكعكة. إذا كان الكريمة بيضاء والكعكة رمادية فاتحة، فمن الصعب معرفة أين تنتهي الكريمة وأين تبدأ الكعكة. هذا هو "التباين المنخفض". أما إذا كانت الكريمة بيضاء ناصعة والكعكة سوداء داكنة، فالتباين عالٍ والتفاصيل تبرز بوضوح. في علم الأحياء، يقوم العلماء بصبغ العينات بمعادن ثقيلة لجعل الأجزاء المختلفة (مثل أغشية الخلايا) تبرز.

الخدعة الجديدة: تقوم مجموعة الأدوات تلقائياً بإيجاد "النقاط الأكثر سطوعاً" (الكريمة) و"النقاط الأكثر ظلاماً" (الكعكة) في الصورة وتحسب مدى بروزهما عن بعضهما البعض.

لماذا يهم ذلك: إذا كان التباين منخفضاً، فقد يعني ذلك أن العينة لم تُصبغ جيداً، أو أن إعدادات المجهر غير صحيحة. تساعد الأداة العلماء على ضبط "وصفاتهم" للحصول على "النكهة" المثالية (جودة الصورة).

3. قاضي "الحدة" (تحليل الدقة)

المشكلة: ما مدى حدة الصورة؟ هل هي مثل صورة تلفاز بدقة 4K واضحة، أم لوحة مائية ضبابية؟ في المجهر، نقيس هذا من خلال النظر إلى مدى سرعة تغير الصورة من الأسود إلى الأبيض عند حافة جسم ما.

الخدعة الجديدة: يقوم البرنامج بمسح الصورة بحثاً عن الحواف الحادة (مثل حافة غشاء الخلية). ثم يقيس بالضبط عدد "البكسلات" التي يستغرقها الانتقال من اللون الداكن إلى الفاتح.

التشبيه: تخيل صعود درج. إذا كانت الدرجات شديدة الانحدار وقصيرة، فستصعد بسرعة (دقة عالية). إذا كانت الدرجات طويلة ولطيفة، فسيستغرق الأمر وقتاً أطلاً للوصة إلى الأعلى (دقة منخفضة). تقيس الأداة "انحدار" الدرجات في الصورة لتخبرك بالدقة.

لماذا يهم هذا؟

فكر في مجموعة الأدوات هذه كأنها مترجم عالمي لبيانات المجهر.

للعلماء: إنها تمنعهم من التخمين. بدلاً من قول "هذه الصورة تبدو جيدة"، يمكنهم قول "نسبة الإشارة إلى الضوضاء هي 1076، والتباين هو 0.27". هذا يسمح لهم بمقارنة العينات المختلفة بشكل عادل، حتى لو تم التقاطها بمجاهر مختلفة أو في أوقات مختلفة.
للمستقبل: من خلال معرفة جودة الصورة بدقة، يمكن للعلماء تحسين تجاربهم. يمكنهم معرفة ما إذا كانت الصورة الضبابية بسبب سوء العينة، أو لأن المجهر يحتاج إلى ضبط.

الخلاسة

لقد حول المؤلفون الرياضيات المعقدة إلى أزرار سهلة الاستخدام في برنامج. سواء كنت عالم أحياء يدرس فيروساً أو مهندساً ينظر إلى شريحة دقيقة، فإن مجموعة الأدوات هذه تساعدك في الإجابة على السؤال الأهم: "هل هذه الصورة تخبرني بالحقيقة فعلاً؟"

والجزء الأفضل؟ لقد جعلوا هذه الأدوات مجانية ومتاحة للجميع، متوفرة على GitHub لكل من برنامجهم (Fiji) ولغة البرمجة Python. إنه بمثابة منح كل عالم عدسة مكبرة عالية التقنية ومجانية لا تكذب أبداً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "أدوات تحليل الصور للمجهر الإلكتروني الماسح" من إعداد شتينجل وآخرون.

1. بيان المشكلة

يعد المجهر الإلكتروني الماسح (SEM) أداة بالغة الأهمية للتصوير عالي الدقة للبنى الدقيقة البيولوجية. ومع ذلك، فإن التوصيف الدقيق لجودة الصورة يمثل تحدياً بسبب:

الافتقار إلى المقاييس الموحدة: تعتمد الطرق الحالية لتقدير نسبة الإشارة إلى الضوضاء (SNR) والتباين غالباً على افتراضات تفشل في سياقات المجهر الإلكتروني الماسح (مثل الإشارات غير المترابطة) أو تتطلب عملية استحواذ غير عملية للبيانات (مثل الحاجة إلى صور متعددة متطابقة تماماً).
قصور الخوارزميات الحالية:
- طرق الارتباط المتبادل (Cross-correlation): تتطلب محاذاة دقيقة للصور وتتأثر بعيوب اهتزاز الخط (line jitter) الشائعة في المجهر الإلكتروني الماسح.
- طرق الارتباط الذاتي للصورة الواحدة (Single-image autocorrelation): تواجه صعوبات عندما يقترب حجم البكسل من دقة النظام، وغالباً ما تتطلب معرفة بـ "العد التلقائي" (dark count) للكاشف (الإزاحة)، والذي يكون غالباً مجهولاً أو تم ضبطه بشكل عشوائي في الصور المحفوظة.
غموض التباين: يعتمد تباين الصورة بشكل كبير على تحضير العينة (الصبغ) وعلى المناطق ذات الاهتمام (ROI) المختارة، مما يجعل من الصعب مقارنة مجموعات البيانات دون طريقة تقييم قوية ومؤتمتة وشفافة.
قياس الدقة (Resolution): مقاييس الدقة القائمة على تحويل فوريه (المستخدمة عادة في المجهر الإلكتروني النافذ TEM) غالباً ما تكون غير مناسبة للمجهر الإلكتروني الماسح بسبب طبيعة مسح الخطوط في الجهاز والعيوب المرتبطة بها.

2. المنهجية

قام المؤلفون بتطوير مجموعة من الإضافات (Plugins) لبرنامج Fiji (ImageJ) ولغة Python لمعالجة هذه الفجوات. وتشمل المنهجيات الأساسية ما يلي:

أ. تقدير نسبة الإشارة إلى الضوضاء (SNR) والعد التلقائي (Dark Count) من صورة واحدة

يقترح المؤلفون طريقة مبتكرة لتحديد نسبة الإشارة إلى الضوضاء والعد التلقائي للكاشف ( $I_0$ ) من صورة واحدة دون معرفة مسبقة بالعد التلقائي.

الأساس النظري: تفترض الطريقة أن إشارة الكاشف تتناسب خطياً مع عدد الإلكترونات المكتشفة (عملية بواسون - Poisson process)، حيث يتساوى التباين مع الإشارة ( $\langle n_e^2 \rangle = s_e$ ).
الخوارزمية:
1. التنعيم (Smoothing): يتم تنعيم الصورة الأصلية لتقدير شدة الإشارة المحلية ( $s_d$ ).
2. حساب التباين: يوفر الفرق المربع بين البكسلات الأصلية والمُنعمة تقديراً للتباين المحلي ( $\langle n_e^2 \rangle$ ).
3. تصفية التدرج (Gradient Filtering): يتم استبعاد البكسلات ذات تدرجات الشدة المحلية العالية (الحواف) لمنع الخلط بين الميزات الهيكلية والضوضاء. يُستخدم عتبة تدرج (عادةً 0.25–0.5) للاحتفاظ فقط بالمناطق "المسطحة" حيث تسود الضوضاء.
4. الانحدار الخطي (Linear Regression): يتم إنشاء رسم بياني للتباين مقابل متوسط الشدة. يعطي الميل معامل قياس الكاشف ( $A_d$ )، بينما يعطي تقاطع المحور السيني العد التلقائي ( $B_d$ ).
5. حساب نسبة الإشارة إلى الضوضاء (SNR): باستخدام المعاملات المستمدة، يتم حساب SNR بناءً على العلاقة بين الإشارة والضوضاء.

ب. تقييم تباين الصورة

يُعرف التباين بأنه نسبة نطاق البيانات إلى القيمة المتوسطة، معدلة بالنسبة للعد التلقائي:
$\text{Contrast} = \frac{I_{high} - I_{low}}{(I_{high} + I_{low})/2 - I_0}$

التنفيذ: تقوم الأداة بتحليل دالة توزيع الاحتمالات (PDF) لشدة الصورة.
كشف القمم (Peak Detection): تحدد الأداة $I_{high}$ (مثل الأغشية المصبوغة) و $I_{low}$ (مثل المساحات بين الخلايا) إما عبر التحليل التلقائي لنموذج غاوس المزدوج (double-Gaussian fitting) أو عبر الاختيار اليدوي من قبل المستخدم.
المرونة: تتيح واجهة المستخدم الرسومية (GUI) للمستخدمين تصور اختيار القمم وضبط المعلمات لمراعاة تباين كثافة الصبغ في المكونات الخلوية المختلفة (مثل الريبوسومات مقابل الأغشية).

ج. تحليل الدقة (انتقال الحافة - Edge Transition)

بدلاً من تحويلات فوريه، يستخدم المؤلفون تحليلاً مكانياً مباشراً للحواف الحادة:

اختيار الحافة: يتم حساب خريطة التدرج، وتُفرز نقاط الانتقال المحتملة حسب مقدار التدرج.
منطق الاستبعاد: يتم اختيار النقاط بشكل تكراري؛ وبمجرد اختيار نقطة، يتم رسم دائرة استبعاد حولها لمنع اختيار نقاط مجاورة على نفس الحافة.
تحليل المسار (Trace Analysis): بالنسبة للنقاط المختارة، يتم استخراج مسار شدة أحادي البعد (1D) على طول اتجاه الانتقال.
المقياس: تُعرف الدقة بأنها المسافة بين مستويات الشدة 37% و 63% لانتقال الحافة.
فحص الاستجماتيزم (Stigmation Check): يتم تحليل التوزيع ثنائي الأبعاد لمتجهات الانتقال لتحديد الشكل الإهليلجي، مما يساعد في توصيف الاستجماتيزم في نظام التصوير.

3. المساهمات الرئيسية

خوارزمية مبتكرة لنسبة الإشارة إلى الضوضاء (SNR): طريقة قوية تعتمد على صورة واحدة لتقدير SNR والعد التلقائي، ولا تتطلب صوراً متعددة متوافقة أو معرفة مسبقة بإزاحات الكاشف.
مجموعة برمجية متكاملة: إضافات مفتوحة المصدر لبرنامج Fiji (بلغة Java) ولغة Python، توفر سير عمل موحداً لتحليل SNR والتباين والدقة.
استيراد البيانات المخصص: إضافة خاصة لاستيراد البيانات الثنائية (binary data) من أجهزة FIB-SEM المخصصة، مع الحفاظ على البيانات الوصفية للرأس (مثل حجم البكسل، الجهد، إلخ).
واجهة مستخدم رسومية تفاعلية (GUI): أدوات تسمح للمستخدمين بالتبديل بين الاختيار التلقائي واليدوي لمعلمات التباين، مما يعالج التباين المتأصل في الصبغ البيولوجي.
تصفية عتبة التدرج (Gradient Thresholding): آلية ضبط بارامتر حاسمة تعمل على تصفية الحواف الهيكلية من تحليل الضوضاء، مما يضمن تقديراً دقيقاً للتباين.

4. النتائج

تحقق المؤلفون من صحة الأدوات باستخدام عدة مجموعات بيانات منشورة (OpenOrganelle و NIST):

تنوع العينات: تم إجراء التحليل على عينات متنوعة تشمل المخطط الظهري للفئران، وخلايا T القاتلة التي تهاجم الخلايا السرطانية، والجزر البنكرياسية للفئران، وديدان C. elegans المعرضة لجسيمات الذهب النانوية.
التباين الكمي:
- نسبة الإشارة إلى الضوضاء (SNR): تفاوتت القيم بشكل كبير بناءً على ظروف التصوير (مثلاً 1076 للمخطط الظهري للفئران مقابل 115 لـ C. elegans مع جسيمات الذهب).
- التباين (Contrast): أظهر حساسية عالية لاختيار المنطقة ذات الاهتمام (ROI). ففي عينة خلية T، تراوحت قيم التباين بين 0.058 (المكتشفة تلقائياً) و 0.325 (الاختيار اليدوي للسيتوبلازم مقابل الريبوسومات)، مما يسلط الضوة على أهمية المعلمات التي يحددها المستخدم للأسئلة البيولوجية المحددة.
الدقة (Resolution): نجحت الأدوات في رسم خرائط انتقالات الحواف لتحديد دقة النظام والاستجماتيزم (الشكليّة الإهليلجية) لعينة معايرة Sn-on-C.
حساسية المعلمات: أكدت التجارب أن عتبة التدرج بين 0.25 و 0.5 توفر أدق نتائج لـ SNR؛ حيث إن العتبات الأقل تستبعد الكثير من البيانات، بينما العتبات الأعلى تتضمن تباين الحواف وليس الضوضاء فقط.

5. الأهمية

التقنين (Standardization): توفر إطاراً موحداً وقابلاً للتكرار لتقييم جودة صور المجهر الإلكتروني الماسح، متجاوزةً الفحص البصري الذاتي.
تحسين البروتوكولات: تمكن الباحثين من المقارنة الكمية بين بروتوكولات تحضير العينات المختلفة (مثل كفاءة الصبغ) ومعلمات التصوير (مثل تيار الحزمة وطاقة الهبوط).
أداء الأجهزة: توفر طريقة لتشخيص حالة الجهاز (المحاذاة، الاستجماتيزم، خطية الكاشف) باستخدام عينات قياسية.
سهولة الوصول: من خلال إصدار هذه الأدوات كإضافات مفتوحة المصدر لمنصة Fiji واسعة الانتشار، يقلل المؤلفون من حواجز الدخول أمام التحليل الكمي الصارم، مما يسهز تبادل البيانات والمقارنة بين المجتمعات العلمية.