ImageJ實用技巧——線粒體網路形態分析(外掛篇)
這篇是為了解決一位同學的提問：
怎麼利用ImageJ分析線粒體網路？
這裡需要用到MiNA這個外掛［1］，解螺旋曾經發過一篇相關的文章：
這篇文章寫的很好，但是在實際參考過程中，發現有些地方可以加以補充，包括安裝方法和具體的外掛使用，因為外掛的更新而出現了很多變化。背景部分可以看這篇文章的描述，在這裡就不再贅述。
所以這篇文章就對於
MiNA的安裝和使用
做一個更詳細的教程，MiNA的官網說明：
注意：這篇文章只是對MiNA這款外掛做一個簡潔的介紹，如果想了解更多的細節和操作，請務必通讀官網的說明以及對應的文獻。
一、外掛安裝
開啟更新頁面（Help->Update。。。）
等一會兒就會出現下面這個頁面，點選Manage update sites。
勾選StuartLab和Biomedgroup，然後點選Close。
點選Apply changes。
安裝完成後重啟ImageJ，即安裝完成。
二、外掛使用
1、手動完成MiNA外掛的功能
MiNA外掛的本質是一個宏程式（Macro），即將對影象的一系列處理整合起來，在一個介面進行完成。但其本質還是由一步步的影象處理所構成的。
所以首先介紹怎麼
手動完成MiNA外掛的功能
，從而對線粒體網狀結構進行分析：
首先根據文獻［1］，MiNA工作流程如下：
MiNA工作流程
具體體現在ImageJ中的操作如下，可以大致分為兩個部分：
（1）圖片預處理
對影象進行預處理的目的是提高對比度和清晰度，降低背景，從而更好的進行二值化和骨架化。以下圖為例（感謝師姐的友情贊助~）：
注意：預處理步驟有順序的，但每個都是可選的、引數可調的
。
要根據具體圖片，具體分析使用什麼預處理步驟、引數是什麼。
例如在該圖片中，背景可見明顯的顆粒，需要進行濾波去噪處理。
Process -> Filters -> Unsharp Mask
Process -> Enhance -> Local Contrast（CLAHE）
Process -> Filters -> Median
預處理後的影象
（2）二值化和骨架化
Process -> Binary -> Make Binary（這裡也可以透過Threshold，然後Apply進行二值化）
Process -> Binary -> Skeletonize
骨架化後的影象
注：這裡的比例尺可以透過Threshold，或者框選沒有比例尺的區域，然後Duplicate，從而去除。
（3）骨架分析
Analyze -> Skeleton -> Analyze Skeleton（2D/3D）
更具體的處理流程，可參考文獻中的流程圖［1］，展示的是每一步處理後的影象變化：
2、MiNA外掛的使用
MiNA不支援RGB多通道影象，所以先把影象分割成單通道，然後轉成8-bit。
外掛位置：
Plugins -> StuartLab -> MiNA -> Analyze Mitochondrial Morphology
MiNA使用者介面，用於提供必需和可選的輸入引數
對引數逐條分析：
Pre-processor path - 預處理程式 (可選)
在執行網路分析之前，如果需要對影象進行上述的
去噪、增強對比度等預處理
，可以在這裡選擇預處理的。ijm宏檔案，且
檔案路徑中不能有中文命名，否則會報錯
。
這一步是可選的，如果影象已經預先處理好，則這裡可以不選擇
。
下面是示例中的預處理宏程式（這裡不需要進行二值化、骨架化）：
run
（
“Unsharp Mask。。。”
，
“radius=1 mask=0。60”
）；
run
（
“Median。。。”
，
“radius=1”
）；
setOption
（
“BlackBackground”
，
false
）；
Post-processor path - 後處理程式 (可選)
後處理程式用於將資料儲存在特定位置等操作，
這是一步是可選的，如果圖片數量不多，不需要自動化儲存，可以不選擇。
Threshold method - 閾值演算法
選擇一個演算法用於確定閾值，一般選擇預設演算法，且只能處理Dark Background（背景黑色）的影象。
Use ridge detection (2D only) - 使用脊線檢測（只用於2D影象）
這裡其實用到了Ridge Detection這一外掛：
Ridge Detection的作用是找到影象的中脊線，相當於找到影象的骨架。其中有4個引數是必須設定的High contrast、Low contrast、Line width、Line length。
具體設定方法可以預先開啟
Ridge Detection外掛（Plugins -> Ridge Detection）
，然後勾選Preview，透過調節引數，找到合適的High contrast、Low contrast、Line width、Line length。也可以根據MiNA的結果進行調節。
透過觀察Preview的結果，選擇合適的引數
而且Ridge Detection彌補了MiNA只能得出平均值的缺陷，可以得到各個分支的長度等引數。
Ridge Detection的引數列表
User comment
這裡可以留下使用者的描述，本質是對結果進行標註，該描述會顯示在Result Table當中，是可選的。
注意：如果未選中Use Ridge Detection，則分析將按照自動的演算法，進行迭代細化以生成形態骨架。下面是兩種方法的對比圖：
可以明顯看出No Ridge Detection組出現過多的分叉和錯誤判斷，Using Ridge Detection組結果優於No Ridge Detection組，且
Using Ridge Detection組的結果是可控的，可以透過調節引數得到更好的結果。
所以在圖片質量不佳的情況下，建議勾選Use Ridge Detection！
MiNA生成的結果包括原始圖片與骨架的重疊圖以及形態學引數：
引數描述如下：
具體可以在官網找到：
綜上所述，MiNA這款外掛要求使用者對外掛的工作流程，以及線粒體形態學引數有較為全面的瞭解，否則得到的結果誤差會很大，且不具有重複性。
如果對於ImageJ使用有什麼問題可以私信我，或者給我發郵件：zhaoyc9@163。com
更多教程可以關注我的專欄：
希望對大家有幫助~
參考文獻：
［1］。Valente A J ， Maddalena L A ， Robb E L ， et al。 A simple ImageJ macro tool for analyzing mitochondrial network morphology in mammalian cell culture［J］。 Acta Histochemica， 2017， 119（3）：315-326。