MiToBo: инструкция от гика, сегментация, морфометрия, пакетная обработка и рабочие процессы для биомедицинских изображений

↓Скачать MiToBo

MiToBo, полное название Microscope Image Analysis Toolbox, — открытый набор операторов и специализированных приложений для обработки и количественного анализа изображений, прежде всего микроскопических. Он работает не как самостоятельный редактор с собственным единым окном, а как расширение экосистемы ImageJ/Fiji и ImageJ2: пользователь запускает отдельные операторы через MiToBo Runner, специализированные плагины через меню Fiji или связывает операции в графический процесс Grappa. Такой формат важен для правильной оценки продукта: MiToBo предназначен не для ретуши фотографий, а для воспроизводимых измерительных сценариев — сегментации объектов, построения меток, извлечения морфологических признаков, анализа клеточных границ, миграции клеток, нейритов и других биологических структур.

Что такое MiToBo и кто его разрабатывает

MiToBo развивает группа, связанная с Институтом информатики Университета Мартина Лютера Галле-Виттенберг. На официальных страницах проекта среди сопровождающих указаны Stefan Posch и Birgit Möller; исходный код опубликован открыто. Архитектурно MiToBo опирается на Alida — библиотеку, которая задаёт концепцию операторов, автоматически формирует пользовательские интерфейсы для их параметров и ведёт описание обработки. Благодаря этому один и тот же алгоритм может быть доступен через графическую форму, использоваться как часть составного процесса и вызываться программно.

Название MiToBo встречается рядом с ImageJ, Fiji и ImageJ2, но это не синонимы. ImageJ — базовая платформа обработки изображений, Fiji — готовая дистрибуция ImageJ с механизмом обновлений и большим набором научных расширений, а MiToBo — отдельный набор операторов и приложений поверх этой среды. Для обычного пользователя рекомендуемый путь — Fiji с включённым update site MiToBo. Для разработчика доступны Java-библиотеки, Maven-зависимости и API, позволяющие вызывать операторы из собственного кода.

По назначению MiToBo ближе к научному конструктору обработки, чем к универсальному настольному графическому редактору. Здесь важны не кисти, слои и дизайнерские эффекты, а тип входных данных, калибровка пикселя, корректность меток областей, выбор алгоритма сегментации и сохранение параметров анализа. Для обычной цветокоррекции или композиционной обработки снимков логичнее использовать фоторедакторы для ПК; MiToBo решает другую задачу — извлечение измеряемых характеристик из изображений.

Основные параметры

Параметр	Что подтверждено для MiToBo
Полное название	Microscope Image Analysis Toolbox, сокращённо MiToBo
Тип	Набор операторов и приложений анализа изображений для ImageJ/Fiji и ImageJ2, плюс Java API
Основное назначение	Сегментация, морфология, фильтрация, анализ регионов и контуров, количественные измерения и специализированные биомедицинские сценарии
Рекомендуемая пользовательская среда	Fiji с активированным update site MiToBo
Платформы	Windows, macOS и Linux через совместимую настольную Fiji/ImageJ; отдельная современная матрица ОС для каждого оператора MiToBo не публикуется
Минимальная Java для ручной установки	В документации дистрибутива указана Java 8 или новее
Лицензия	GNU General Public License версии 3 или более поздней
Стоимость	Бесплатное открытое ПО; платных редакций и пробного периода нет
Учётная запись	Для локальной работы MiToBo аккаунт не требуется
Основной интерфейс	MiToBo Runner с деревом операторов и автоматически сформированными окнами параметров; отдельные приложения имеют собственные панели
Автоматизация	Grappa для графических процессов, программный API и командный запуск операторов; отдельные приложения поддерживают пакетные режимы
Импорт изображений	Через ImageJ/Fiji и Bio-Formats; точный набор читаемых типов зависит от версии Bio-Formats в установленной среде
Научные данные	Label images, бинарные маски, ImageJ ROI и ROI-архивы, таблицы признаков, а для отдельных операторов специализированные форматы вроде RSML
Облако и мобильная версия	Официальная модель распространения — локальная Java/ImageJ-среда; отдельный облачный или мобильный клиент MiToBo не является частью продукта
Текущий статус	Проект продолжает распространяться через активный ImageJ update site; в нём опубликован артефакт mitobo-2.6.jar от 16 июля 2026 года

Для научной работы особенно важны две детали таблицы. Во-первых, список форматов нельзя свести к нескольким расширениям: MiToBo использует Bio-Formats, поэтому реальная совместимость зависит от версии этой библиотеки и конкретного варианта файла. Во-вторых, номер версии сейчас отображается неодинаково в разных каналах проекта, поэтому обновление через Fiji и получение исходного кода по тегу — не одно и то же действие.

Текущий статус и версии

MiToBo не снят с поддержки и не превращён в архивный проект. Активный update site ImageJ содержит mitobo-2.6.jar, alida-3.4.jar, mitobo-xml-3.5.jar и пакет плагинов с датой публикации 16 июля 2026 года. Это наиболее практичный канал для пользователя Fiji: именно через него программа получает совместимые артефакты и зависимости в обычном сценарии установки.

При этом другие официальные страницы обновляются не синхронно. На странице GitHub Tags последним оформленным тегом остаётся v2.5 от 14 октября 2025 года. Старое текстовое описание на странице Downloads по-прежнему называет текущим выпуском 2.3.1. Поэтому фраза «последняя версия MiToBo» без уточнения канала сейчас неоднозначна: для Fiji доступен артефакт 2.6, для закрепления исходного кода по опубликованному Git-тегу последним остаётся v2.5.

Разница не означает, что один из файлов автоматически является поддельным: оба канала принадлежат проекту, но их метаданные обновлены в разные моменты. Для воспроизводимой статьи, лабораторного протокола или пайплайна полезно фиксировать не только слово MiToBo, но и конкретный номер артефакта, версию Fiji, Java и критичных зависимостей. Это снижает риск ситуации, когда одинаковые настройки запускаются в разных программных окружениях.

Как устроен интерфейс

Fiji и меню плагинов

Пользовательский слой MiToBo встроен в Fiji/ImageJ. После подключения update site команды появляются в меню Plugins → MiToBo. Из этой точки доступны MiToBo Runner и отдельные приложения, например PaCeQuant и MTB Cell Counter. Само изображение остаётся в окне ImageJ/Fiji, а параметры анализа открываются в дополнительных диалогах. Это отличается от монолитных программ, где проект, изображения и настройки собраны в одном окне.

MiToBo Runner и дерево операторов

MiToBo Runner — центральная оболочка для универсальных операторов. В левой части находится иерархия пакетов и имён операций, соответствующая структуре библиотеки. Выбранный оператор получает автоматически сформированную конфигурационную форму: обязательные входы отделены от необязательных параметров, а внизу находится запуск. Благодаря общей модели Alida разработчику не требуется вручную создавать уникальное окно для каждого алгоритма, а пользователь получает сходную логику настройки для фильтра, сегментации, анализа признаков и других классов операций.

Такой интерфейс удобен для систематического анализа, но требует понимать типы данных. Поле Input Directory нельзя воспринимать как универсальную кнопку «открыть всё»: конкретный оператор ожидает определённое содержимое — серое изображение, бинарную маску, label image, ROI или таблицу. Ошибка типа входа часто приводит не к понятному «не тот формат», а к отсутствию результата или исключению внутри оператора.

Grappa и графическое связывание операций

Grappa — графический редактор рабочих процессов, включённый в инфраструктуру Alida/MiToBo. Слева расположен выбор доступных операторов, справа — рабочая область. Узлы представляют операции, а соединения задают поток данных между выходами и входами. Редактор проверяет совместимость типов и использует доступные преобразования, поэтому граф не является просто рисунком: связи соответствуют реальным данным и параметрам операторов.

Grappa полезен там, где одно и то же изображение проходит несколько стандартных стадий: фильтрацию, бинаризацию, разметку компонент и последующий расчёт признаков. Вместо ручного повторения отдельных окон рабочий процесс фиксирует структуру преобразований. Однако он не отменяет необходимость проверять результат каждой стадии: автоматическая совместимость типов не гарантирует, что выбранные пороги и биологическая интерпретация верны.

Специализированные приложения

Часть функций MiToBo оформлена как приложения с более предметными настройками. PaCeQuant объединяет сегментацию растительных pavement cells и извлечение морфологических характеристик. CellBoundaryExtractor2D ориентирован на выделение флуоресцентно размеченных клеточных границ. CytoskeletonAnalyzer2D анализирует текстурную организацию цитоскелета. Neuron Analyzer 2D, Scratch Assay Analyzer и Cell Migration Analyzer решают соответствующие биомедицинские задачи. MTB Cell Counter добавляет полуавтоматический подсчёт небольших объектов и управление маркерами.

Это важное отличие от универсальной библиотеки фильтров: MiToBo содержит не только низкоуровневые операции, но и готовые доменные цепочки. При этом специализированное приложение следует выбирать по типу эксперимента, а не по удобству названия. Например, PaCeQuant использует собственные предположения о границах pavement cells и наборе признаков; применять его к произвольному изображению только потому, что требуется «посчитать клетки», некорректно.

Основные функции MiToBo

Морфология, фильтры и детекторы

Базовый слой MiToBo включает морфологические операции, линейные и нелинейные фильтры, детекторы гребней и vesselness, пороговую обработку, маркировку связных компонент и другие операции, из которых строятся более сложные схемы. Такой набор нужен для подготовки изображения: подавления шума, усиления структур, выделения кандидатов объектов и приведения данных к форме, пригодной для сегментации.

Операторы не скрыты за одной кнопкой «улучшить изображение». Каждый класс имеет собственные параметры и типы входа. Это повышает контроль, но делает MiToBo зависимым от методики эксперимента: пользователь должен понимать, зачем используется конкретный фильтр и как его параметры соотносятся с размером объектов и разрешением снимка.

Сегментация областей и контуров

В библиотеке присутствуют watershed, активные контуры на основе snakes и level sets, последовательная маркировка компонент и инструменты работы с регионами и контурами. Результатом сегментации часто становится label image: каждый связный объект хранится под собственным числовым значением. Такой формат удобен для последующего измерения площади, периметра, формы и других признаков.

Для некоторых задач MiToBo принимает не только label image, но и ImageJ ROI. Это особенно полезно, когда автоматическая сегментация требует ручной коррекции. Документация отдельно предупреждает, что ROI-файлы ImageJ не хранят калибровку пикселя; если морфометрия выполняется по импортированным ROI, физический размер пикселя нужно задать отдельно. Иначе численные длины и площади нельзя считать корректно привязанными к реальным единицам.

MorphologyAnalyzer2D и численные признаки

MorphologyAnalyzer2D принимает label image или набор ImageJ ROI и формирует таблицу морфологических характеристик. Среди доступных показателей — площадь, периметр, длина и ширина, circularity, eccentricity, solidity, параметры шероховатости границы, выпуклости и вогнутости, характеристики скелета, convex hull и другие признаки. Набор выводимых столбцов настраивается, поэтому таблицу можно сократить до величин, действительно нужных для анализа.

Калибровка здесь влияет не только на подпись единиц. Оператор использует доступную калибровку изображения или заданный пользователем размер пикселя. Документация указывает предположение о квадратных пикселях: при различном физическом размере шага по X и Y результат геометрических измерений требует отдельной проверки, потому что стандартная модель оператора не описывает анизотропную плоскость как два независимых масштаба.

PaCeQuant

PaCeQuant — одна из наиболее подробно документированных прикладных частей MiToBo. Она предназначена для автоматической сегментации pavement cells и количественной оценки их формы. Поддерживаются три фазы: SEGMENTATION_ONLY, SEGMENTATION_AND_FEATURES и FEATURES_ONLY. Первая создаёт сегментацию, вторая сразу добавляет признаки, третья работает с уже готовыми бинарными/label images или ImageJ ROI.

У PaCeQuant есть INTERACTIVE и BATCH. В интерактивном режиме исходные данные находятся в ImageJ/Fiji и результаты показываются там же. Пакетный режим проходит по каталогу и его первому уровню подпапок, а результаты складывает в каталог results. Важное ограничение: если внутри входной структуры остался results от предыдущего запуска, PaCeQuant способен снова увидеть его изображения как входные. Поэтому входной каталог должен содержать только исходные изображения или подготовленные данные сегментации.

Для сегментации доступны Border Contrast, выбор эвристики закрытия разрывов, пороги минимального и максимального размера клеток, Niblack threshold и дополнительные диагностические результаты. Для измерений важна калибровка AUTO или MANUAL. При работе с внешними ROI ручная калибровка обязательна, потому что сами файлы ROI её не несут.

LabelImageEditor

LabelImageEditor предназначен для ручного исправления label images после автоматической сегментации. Он последовательно открывает изображения из каталога, позволяет удалить ошибочный регион, объединить два региона, провести новую границу, заполнить замкнутую пропущенную область, перелабелить компоненты, исправить границы и заполнить отверстия. При сохранении редактор автоматически приводит метки к последовательным значениям, что требуется некоторым последующим инструментам.

Критичное ограничение — Undo хранит только последнее действие. Кроме того, результаты прежнего запуска могут быть перезаписаны без дополнительного подтверждения. Поэтому безопасная организация работы здесь важнее удобства одной кнопки: исходную сегментацию стоит сохранять отдельно от каталога исправленных label images.

FeatureColorMapper

FeatureColorMapper связывает числовые признаки регионов с label image и создаёт цветовые карты. Входом служат CSV-таблицы признаков и соответствующие изображения меток. После загрузки таблицы инструмент определяет доступные столбцы, позволяет выбрать несколько признаков, задать цвета минимального и максимального значения, а также отфильтровать слишком маленькие или слишком большие регионы. Для каждого выбранного признака создаётся отдельная папка featureColorMaps-имя_признака и TIF-карта.

Инструмент не вычисляет биологический смысл цвета сам. Он линейно отображает числовой диапазон на выбранную цветовую шкалу. Поэтому одинаковая карта на двух сериях эксперимента сопоставима только при согласованном диапазоне значений и единицах измерения.

MTB Cell Counter

MTB Cell Counter расширяет идею ImageJ Cell Counter полуавтоматическим поиском объектов. Пользователь может запускать детекторы, фильтровать найденные объекты по размеру и средней интенсивности, выбирать маркеры, вручную корректировать их и сохранять набор в XML. Поддерживаются разные типы маркеров, отображение контуров и номера объектов, измерения и экспорт изображения с разметкой.

Этот инструмент полезен, когда полностью автоматическая сегментация нестабильна, но визуально объекты различимы и допустима ручная верификация. Детектор ускоряет первичную разметку, а человек подтверждает или корректирует результат. Такой режим нельзя считать полностью автоматическим анализом: итог зависит от правил фильтрации и ручного отбора.

Автоматизация и воспроизводимость

Alida регистрирует вызовы операторов, входы, выходы и параметры в графе обработки. В MiToBo сопутствующие файлы с окончанием .ald представляют внутреннюю XML-информацию о ходе обработки и настройках. В PaCeQuant эти файлы можно не использовать при обычном просмотре результата, но их сохранение полезно для последующей проверки того, какими параметрами был получен набор данных.

Для повторяемых последовательностей доступны Grappa, Java API и командный запуск операторов. Это делает MiToBo подходящим не только для единичной интерактивной обработки, но и для лабораторных схем, где одинаковая логика применяется к серии изображений. Воспроизводимость всё равно требует фиксировать версию MiToBo, Fiji, Java, Bio-Formats и собственные входные данные: граф параметров не заменяет контроль программного окружения.

Облако, мобильность и ИИ

Документированная модель MiToBo локальная: изображения обрабатываются в Java/ImageJ/Fiji на компьютере пользователя. Отдельного веб-интерфейса, мобильного клиента, подписочного облачного хранилища или обязательного аккаунта в составе MiToBo нет. Интернет нужен для первоначального получения Fiji/плагина, работы update site и обращения к документации или поддержке, но обычный запуск локально установленных операторов не строится вокруг серверного API MiToBo.

Набор основных алгоритмов, описанный для MiToBo, включает классические методы обработки: морфологию, фильтрацию, watershed, active contours, текстурные признаки и специализированные алгоритмические приложения. Отдельный универсальный режим нейросетевого анализа не является базовой функцией MiToBo. Если задача изначально строится вокруг интерактивного машинного обучения или готовых нейросетевых моделей, ilastik или специализированные расширения других платформ дают более прямой рабочий путь.

Задача → инструмент → результат → что проверить

Задача	Инструмент MiToBo	Результат	Контроль
Разделить бинарную маску на отдельные объекты	LabelComponentsSequential	Label image с отдельной меткой для каждой связной компоненты	Нет ли слипшихся объектов и лишних мелких компонент
Измерить форму сегментированных объектов	MorphologyAnalyzer2D	Таблица морфологических признаков	Калибровка, единицы, соответствие строк реальным регионам
Автоматически сегментировать pavement cells	PaCeQuant	Label images, ROI и при выбранной фазе таблицы признаков	Контраст границ, разрывы, размеры регионов, промежуточные результаты
Исправить ошибочную сегментацию	LabelImageEditor	Новый файл с суффиксом -edited и последовательными метками	Не затронут ли исходник, не требуется ли откат более чем на одно действие
Показать числовой признак на изображении	FeatureColorMapper	TIF-карта признака	Совпадают ли таблица, label image, диапазон и единицы
Полуавтоматически посчитать мелкие объекты	MTB Cell Counter	Маркеры, XML разметки, измерения и экспортированное изображение	Ложные и пропущенные детекции после фильтра
Собрать повторяемую цепочку	Grappa	Граф операторов и потоков данных	Совместимость типов и биологическая корректность каждого этапа
Обработать серию файлов	BATCH в PaCeQuant или командный запуск операторов	Набор результатов для каталога или списка входов	Чистота входной папки, уникальность имён и наличие всех выходных файлов

Эта карта показывает сильную сторону MiToBo: результат одной операции часто подготовлен для следующей. Label image после сегментации можно откорректировать, затем измерить и визуализировать. Но связанность инструментов не означает, что любой выход подходит любому входу. Тип изображения, нумерация меток, калибровка и структура каталогов остаются частью метода.

Карта форматов и совместимости

Данные	Как используются	Редактируемость	Что может потеряться при переносе
Изображения через Bio-Formats	Чтение и запись через ImageReaderMTB, ImageWriterMTB и среду Fiji	Зависит от типа изображения и конкретного оператора	Часть проприетарных метаданных или особенностей формата при конвертации в другой контейнер
TIFF/TIF	Типичный формат label images, промежуточных и визуализированных результатов	Пиксельные данные можно повторно открыть и анализировать	Смысл числовых меток не восстанавливается без знания, что файл является label image
ImageJ ROI .roi	Одна область интереса; используется как вход для некоторых измерительных операторов	Редактируется в ROI Manager и совместимых инструментах	Калибровка физического размера пикселя в ROI не хранится
ROI-архив .zip	Набор ROI, в том числе результат сегментации PaCeQuant	Открывается как набор областей ImageJ	Требуется отдельно сохранять калибровку и контекст исходного изображения
TXT-таблицы PaCeQuant	Числовые признаки регионов и лобов	Подходят для дальнейшего статистического анализа	Без идентификаторов изображения и единиц легко потерять связь с исходной серией
CSV для FeatureColorMapper	Источник числовых столбцов для цветовых карт	Редактируется табличными инструментами, но структура должна остаться совместимой с mapper	Несогласованные имена или значения нарушат сопоставление с label images
.ald	Внутренний XML-журнал параметров и истории обработки	Предназначен прежде всего для MiToBo/Alida, а не для ручной правки	Удаление лишает проект части машинно-читаемой истории обработки
XML маркеров MTB Cell Counter	Сохранение и повторная загрузка разметки маркеров	Предназначен для продолжения разметки в Cell Counter	Экспортированная картинка с маркерами не заменяет XML, если нужно продолжить редактирование

Bio-Formats поддерживает множество микроскопических форматов, но наличие расширения в общем списке Bio-Formats не гарантирует идеальное открытие любой проприетарной вариации. Для воспроизводимого процесса разумнее проверить несколько реальных файлов с конкретного прибора и зафиксировать используемую версию Fiji/Bio-Formats, чем обещать совместимость по одному расширению.

Как пользоваться программой — советы гика

Установить MiToBo через Fiji и проверить настройки после установки

Цель: получить пользовательскую сборку, в которой MiToBo Runner и приложения доступны из Fiji. Подготовка: установите актуальную совместимую сборку Fiji и сохраните отдельную копию рабочей среды, если в ней уже есть важные плагины. На Linux общие принципы размещения и запуска пакетов разобраны в материале про установку приложений в Linux, но сам MiToBo удобнее подключать встроенным механизмом Fiji.

1. Запустите Fiji и откройте Help → Update….
2. В окне обновления перейдите к Manage update sites.
3. Включите update site с именем MiToBo. Для операторов, которым нужны дополнительные компоненты, включая отдельные сценарии PaCeQuant, включите также Biomedgroup.
4. Примените обновление и полностью перезапустите Fiji.
5. Откройте Plugins → MiToBo и убедитесь, что доступен MiToBo Runner, а нужные специализированные приложения появились в меню.

Важные параметры: не смешивайте старую вручную собранную папку jars с новой установкой update site без необходимости; MiToBo чувствителен к версиям Java-библиотек. Проверка: Runner открывается и показывает дерево операторов. Типичная ошибка: меню MiToBo не появляется после загрузки файлов, потому что Fiji не был перезапущен или update site не активирован. Безопасный откат: если рабочая Fiji уже содержит много сторонних расширений, проверяйте MiToBo сначала в отдельной чистой копии Fiji; это позволяет вернуться к прежнему окружению без удаления библиотек вручную.

Подготовить изображение и запустить базовый оператор через MiToBo Runner

Цель: открыть исходные данные, проверить масштаб и выполнить отдельную операцию с контролируемыми параметрами. Подготовка: работайте с копией исходного файла и заранее выясните физический размер пикселя из метаданных прибора или протокола съёмки.

1. Откройте изображение в Fiji обычным способом или через Bio-Formats, если формат микроскопа требует соответствующего reader.
2. Проверьте каналы, Z/T-измерения, тип изображения и калибровку до морфометрии. Для ImageJ ROI сохраните физический размер пикселя отдельно: ROI-файлы его не содержат.
3. Выберите Plugins → MiToBo → MiToBo Runner.
4. В дереве пакетов найдите нужный оператор по его категории и укажите вход того типа, который он ожидает.
5. Настройте обязательные и необходимые дополнительные параметры, затем нажмите Run.
6. Просмотрите результат в ImageJ/Fiji или в указанном выходном файле и сопоставьте его с исходником.

Важные параметры: для измерительных операторов используйте корректную калибровку; в PaCeQuant режим AUTO уместен только при надёжных метаданных, иначе задайте MANUAL. Названия и набор остальных полей определяются конкретным оператором. Проверка: контрольный объект имеет ожидаемый масштаб, а результат сохраняет нужные размеры, каналы и тип данных. Типичная ошибка: в оператор передан label image вместо бинарной маски либо используется неверный физический масштаб. Безопасный откат: не перезаписывайте исходник ради исправления метаданных и выводите первый результат под новым именем.

Преобразовать бинарную маску в label image

Цель: получить отдельные числовые метки для связных объектов и подготовить данные к измерению. Подготовка: бинарная маска должна чётко разделять фон и объекты.

1. Откройте Plugins → MiToBo → MiToBo Runner.
2. Перейдите по ветке segmentation → regions → labeling.
3. Выберите LabelComponentsSequential.
4. Укажите бинарную маску как вход.
5. Нажмите Run и сохраните полученную label image в отдельный TIF.

Проверка: соседние несвязанные объекты имеют разные метки, а фон не считается отдельным объектом. Типичная ошибка: две биологически отдельные структуры соединены одним пиксельным мостом и получают одну метку. Безопасный откат: не исправляйте единственную копию результата необратимой заливкой; сохраните исходную бинарную маску и корректируйте label image отдельным этапом.

Измерить морфологию регионов через MorphologyAnalyzer2D

Цель: получить таблицу численных характеристик сегментированных регионов. Подготовка: используйте label image с отдельными метками или корректный набор ImageJ ROI и заранее задайте калибровку.

1. В MiToBo Runner найдите de.unihalle.informatik.MiToBo.features.MorphologyAnalyzer2D.
2. Передайте label image или набор ROI во входной параметр.
3. Проверьте калибровку и при необходимости задайте размер пикселя вручную.
4. Выберите только нужные признаки: например, Area, Perimeter, Length/Width, Circularity, Eccentricity, Solidity или показатели контура и скелета.
5. Запустите оператор и сохраните таблицу результатов вместе с исходной label image.

Важные параметры: MorphologyAnalyzer2D предполагает квадратные пиксели при расчёте геометрии. Проверка: число строк соответствует числу ожидаемых регионов, а единицы площади и длины согласованы с калибровкой. Типичная ошибка: анизотропный масштаб X/Y трактуется как обычный квадратный пиксель. Безопасный откат: сохраните исходные метки и повторите измерение после приведения данных к корректной геометрии или выбора метода, который поддерживает нужную калибровку.

Исправить сегментацию в LabelImageEditor

Цель: вручную удалить ложные регионы, объединить разделённые части и исправить границы label image. Подготовка: создайте отдельный выходной каталог, чтобы исходные метки оставались неизменными.

1. Откройте MiToBo Runner и выберите оператор de.unihalle.informatik.MiToBo.tools.interactive.LabelImageEditor.
2. В Input Directory укажите каталог label images. При необходимости задайте File Filter, например выражение для выбора только TIF.
3. В Output Directory укажите отдельный каталог исправленных файлов и нажмите Run.
4. Для удаления региона щёлкните по нему левой кнопкой. Для объединения удерживайте Shift и щёлкните первый регион, затем отпустите Shift и щёлкните второй.
5. После объединения примените Fix Borders, если между частями сохранилась чёрная граница. Fill Holes заполняет отверстия внутри одного региона.
6. Для добавления новой границы ведите мышью с зажатой левой кнопкой; ширина линии настраивается через Options.
7. Чтобы заполнить полностью замкнутую пропущенную область, используйте Ctrl+Shift и левый щелчок внутри неё.
8. Нажмите Next для сохранения текущего результата и перехода дальше либо Skip, чтобы отказаться от изменений текущего изображения.

Проверка: после сохранения файл получает суффикс -edited, а метки автоматически перенумерованы последовательно. Типичная ошибка: после нескольких неверных правок пользователь рассчитывает на многократный Undo, но история содержит только последнее действие. Безопасный откат: до Next используйте Skip для текущего изображения; для уже сохранённого файла возвращайтесь к исходной копии, а не пытайтесь реконструировать несколько отменённых операций.

Запустить PaCeQuant на одном изображении

Цель: сегментировать pavement cells и при необходимости сразу извлечь их морфологические признаки. Подготовка: откройте серое исходное изображение в Fiji и проверьте калибровку.

1. Выберите Plugins → MiToBo → PaCeQuant.
2. Установите Operation Mode в INTERACTIVE.
3. Выберите Phase(s) to Run: SEGMENTATION_ONLY для проверки сегментации или SEGMENTATION_AND_FEATURES для полного анализа.
4. Укажите Border Contrast в соответствии с тем, светлее или темнее границы клеток относительно фона.
5. Для Gap Closing начните с WATERSHED, который в документации указан как рекомендуемый вариант.
6. Проверьте Minimal Size of Cells и Maximal Size of Cells, выбрав PIXELS или MICRONS в соответствии с калибровкой.
7. При сложной сегментации включите Show/save additional results, чтобы получить промежуточные изображения для диагностики.
8. Запустите обработку и сравните label image с исходными границами.

Важные параметры: уменьшение Niblack threshold повышает число кандидатов пикселей границы, поэтому настройку стоит менять по наблюдаемой причине ошибки, а не ради визуально «более заполненной» маски. Проверка: клетки разделены по реальным стенкам, а мелкий мусор и крупные объединённые области не проходят размерные фильтры. Типичная ошибка: неверно выбран Border Contrast, из-за чего сегментация реагирует на фон. Безопасный откат: сначала сохраняйте результат SEGMENTATION_ONLY, корректируйте параметры и только после удовлетворительной маски включайте извлечение признаков.

Выполнить пакетный анализ PaCeQuant

Цель: применить одинаковую конфигурацию к серии изображений. Подготовка: создайте входной каталог, в котором нет результатов прошлых запусков и посторонних изображений.

1. Откройте PaCeQuant и выберите BATCH.
2. Выберите SEGMENTATION_ONLY, SEGMENTATION_AND_FEATURES или FEATURES_ONLY в зависимости от подготовленных данных.
3. Укажите Input Directory. PaCeQuant обрабатывает также первый уровень подпапок.
4. Для FEATURES_ONLY поместите в структуру только подходящие binary/label images, отдельные .roi или ROI-архивы .zip.
5. Проверьте калибровку и параметры сегментации, затем запустите пакет.
6. После завершения откройте каталог results и сверяйте число наборов результатов с числом исходных изображений.

Проверка: для фазы сегментации присутствуют ROI-архивы и label images, а для фазы признаков — таблицы и соответствующие изображения. Типичная ошибка: папка results от старого запуска лежит внутри нового Input Directory и попадает в обработку как вход. Безопасный откат: прервите пакет, перенесите старые результаты из входной структуры и запустите анализ заново в чистом каталоге; не удаляйте единственную копию исходных изображений.

Построить цветовую карту через FeatureColorMapper

Цель: визуально наложить значения выбранного признака на соответствующие регионы label image. Подготовка: в каталоге должны находиться совместимые CSV-таблицы признаков и label images.

1. Откройте MiToBo Runner, перейдите к de.unihalle.informatik.MiToBo.apps.cellMorphology и выберите FeatureColorMapper.
2. В Input Data нажмите Choose… и укажите каталог данных.
3. Нажмите Load. Инструмент прочитает первую подходящую CSV-таблицу и заполнит список Column(s) to map.
4. Выберите один или несколько признаков.
5. Задайте Color Range Minimum и Color Range Maximum.
6. При необходимости укажите Minimal Size Threshold и Maximal Size Threshold в тех же единицах, что и площади в таблицах.
7. Нажмите Run и откройте созданные папки featureColorMaps-имя_признака.

Проверка: для каждого выбранного признака создан TIF с именем, связанным с исходным label image, и визуально отсутствуют пропуски сопоставляемых регионов. Типичная ошибка: таблица загружается, но подходящая label image не находится или метки не соответствуют строкам. Безопасный откат: не правьте исходный CSV только ради получения картинки; сначала восстановите согласованность имён и меток, а исправленную таблицу сохраняйте отдельной копией.

Полуавтоматически разметить объекты в MTB Cell Counter

Цель: получить проверяемый набор маркеров для мелких структур или клеток, используя автоматическое предварительное обнаружение и ручную коррекцию. Подготовка: откройте изображение и выберите канал, содержащий искомые объекты.

1. Запустите Plugins → MiToBo → MTB CellCounter и нажмите Initialize для активного изображения.
2. При необходимости задайте Channel to process; Boundary Channel (opt) используйте только при наличии подходящего бинарного канала границ.
3. Добавьте детектор через Add detector и откройте его параметры через Configure….
4. Запустите Run Detectors.
5. Откройте Filter Objects of Active Type… и отфильтруйте кандидаты по размеру и средней интенсивности.
6. Используйте Select Markers и вручную удалите ложные или добавьте пропущенные маркеры.
7. Сохраните редактируемый набор через Save Markers XML. Для итоговой картинки используйте Export Image, а для чисел — Results или Measurements….

Проверка: вручную просмотрите участки с высокой плотностью объектов и края изображения, где детекторы чаще дают пропуски или ложные срабатывания. Типичная ошибка: уменьшение порога корреляции детектора воспринимается как безусловное улучшение, хотя оно увеличивает число кандидатов и может добавить ложные объекты. Безопасный откат: храните XML маркеров до экспортированной картинки; изображение с нанесёнными символами не заменяет редактируемую разметку.

Собрать повторяемый процесс в Grappa

Цель: связать несколько операторов в одну графическую схему. Подготовка: заранее определите тип выхода каждой стадии и ожидаемый тип входа следующей.

1. Откройте Grappa из доступных инструментов MiToBo/Alida.
2. В левой панели найдите первый оператор и добавьте его в рабочую область двойным щелчком или выбором и добавлением на canvas.
3. Добавьте следующие операторы и расположите узлы в порядке обработки.
4. Соедините выходные порты с совместимыми входными портами. Grappa контролирует типы и применяет зарегистрированные преобразования, когда они существуют.
5. Откройте параметры каждого узла и задайте значения, которые не приходят по соединению.
6. Сохраните схему и выполните её на тестовом изображении, проверяя промежуточные выходы до запуска на серии.

Проверка: все обязательные входы имеют данные, типы соединений совместимы, а промежуточные изображения соответствуют ожидаемой биологической стадии. Типичная ошибка: попытка соединить порты, которые логически похожи, но имеют несовместимые типы. Безопасный откат: сохраните рабочую копию графа перед крупным изменением и возвращайтесь к последней версии схемы, а не перестраивайте её поверх неизвестно какого состояния.

Запустить оператор из командной строки

Цель: встроить отдельный оператор MiToBo в сценарий без постоянной работы с GUI. Подготовка: MiToBo и зависимости должны находиться в Java classpath, а названия параметров нужно брать из документации конкретного оператора.

1. Определите оператор и обязательные входные и выходные параметры.
2. Вызовите Alida OpRunner через Java и передайте параметры в форме имя=значение.
3. Для операции эрозии документация приводит структуру вызова вида: java de.unihalle.informatik.Alida.tools.OpRunner ImgErode inImg=input.tif masksize=3 resultImg=result.tif.
4. После завершения проверьте существование именно того выходного файла, который был указан в output-параметре.

Важный параметр: выход нужно явно привязать к цели сохранения; без указанного места результат может не сохраниться после завершения процесса. Проверка: код завершения и файл результата согласуются, а изображение открывается в Fiji. Типичная ошибка: вход передан правильно, но output-параметр не указывает путь. Безопасный откат: выводите пробный результат в новый каталог и не направляйте автоматический запуск на исходные файлы.

Сквозной сценарий: сегментация → ручная коррекция → измерения → карта признака

Цель: получить от исходного микроскопического изображения проверенную сегментацию, таблицу признаков и визуальную карту без потери исходника. Подготовка: создайте четыре каталога: source, segmentation, edited и analysis; исходные данные храните только в source.

1. Откройте один типичный файл из source в Fiji и проверьте калибровку.
2. В PaCeQuant запустите INTERACTIVE + SEGMENTATION_ONLY и настройте Border Contrast, Gap Closing и размерные пороги на одном представительном изображении.
3. После визуальной проверки примените ту же конфигурацию в BATCH к чистому входному каталогу и сохраните полученные label images и ROI.
4. Скопируйте label images в рабочую структуру для LabelImageEditor, укажите edited как Output Directory и вручную исправьте ложные разделения или объединения.
5. Проверьте последовательность меток после сохранения -edited файлов.
6. Запустите MorphologyAnalyzer2D на исправленных label images с той же физической калибровкой и сохраните таблицы признаков.
7. Подготовьте совместимые таблицы для FeatureColorMapper, выберите один показатель и сформируйте TIF-карты в согласованном диапазоне.
8. Архивируйте рядом с итогами параметры, .ald-файлы, номер MiToBo/Fiji и калибровку, не удаляя source и исходную сегментацию.

Проверка: для каждого исходного изображения существует однозначная цепочка исходник → автоматическая label image → исправленная label image → таблица → карта; количество регионов в таблице соответствует исправленным меткам. Типичная ошибка: таблица признаков построена по старой автоматической сегментации, а карта — по исправленной, из-за чего идентификаторы регионов расходятся. Безопасный откат: повторите измерительный этап на сохранённой edited-версии, не меняя исходную автоматическую сегментацию и source.

Что перестанет работать первым при проблемах окружения

Update site. При отсутствии сети или недоступности сервера первым теряется удобное обновление и установка зависимостей. Уже установленный локальный оператор не требует облачного MiToBo-сервера для каждой обработки, поэтому отсутствие интернета не равнозначно полной неработоспособности программы.

Совместимость библиотек. Более чувствительное место — набор JAR в Fiji. Официальная инструкция отдельно описывает случаи конфликтов старых версий библиотек, в том числе Bio-Formats и JGraphT для определённых операторов. На современной системе безопаснее воспроизводить ошибку в чистой Fiji и согласовывать update sites, чем удалять случайный JAR из рабочей установки.

Интеграция специализированных приложений. Некоторые компоненты требуют дополнительного update site Biomedgroup. Поэтому отсутствие одной конкретной команды при работающем MiToBo Runner чаще указывает на неполный набор зависимостей, а не на поломку всего MiToBo.

Проприетарные форматы. Если меняется Bio-Formats, первой может проявиться несовместимость с конкретным вариантом файла микроскопа. Сама морфология или сегментация при этом остаётся доступной на стандартном TIFF. В критичной серии имеет смысл заранее проверить чтение реальных исходников после обновления Fiji.

Старые сценарии автоматизации. Командный запуск и Java API завязаны на имена классов, параметры и зависимости. Изменение версии способно нарушить код раньше, чем пользователь заметит проблему в графическом интерфейсе. Поэтому автоматизацию нужно закреплять за проверенным окружением и обновлять отдельно от текущей экспериментальной серии.

Лицензия, цена, приватность и требования

MiToBo распространяется как свободное программное обеспечение по GNU GPL v3 или более поздней версии. Пользователь не выбирает Free/Pro, не активирует подписку и не ждёт окончания пробного периода. Это снимает лицензионное ограничение по числу анализируемых изображений, но не отменяет условий GPL при распространении производных программных компонентов.

Для ручной Java-установки MiToBo требует Java 8 или новее. Текущая Fiji выпускается для Windows, macOS и Linux; на сентябрь 2026 года основные актуальные сборки рассчитаны на Windows 10 или новее, macOS 11 или новее и Ubuntu 22.04 LTS или новее, с вариантами x86-64 и arm64. Это требования среды Fiji, а не отдельная гарантия совместимости каждого оператора MiToBo, поэтому именно Fiji задаёт базовую платформенную границу для установки через update site. Совместимость отдельного MiToBo-оператора дополнительно зависит от его Java- и, где применимо, нативных зависимостей. Единого профиля CPU, GPU и RAM для всего набора нет: нагрузка существенно различается между небольшим 2D label image и пакетной обработкой многоканальных данных.

Производительность также нельзя оценивать одной цифрой. Алгоритмы выполняются локально, а время зависит от размера изображения, числа регионов, выбранного метода и промежуточных операций. Отдельный гарантированный GPU-режим для стандартного набора MiToBo не описан. Поэтому планирование больших серий лучше строить на тестовом подмножестве собственных данных, фиксируя параметры и объём памяти, а не на чужом неуниверсальном замере.

Модель приватности отличается от веб-сервиса: MiToBo не требует загрузки изображений в собственное облако и не использует аккаунт для обычной обработки. Конфиденциальность всё равно зависит от компьютера, общей политики лаборатории, сетевых хранилищ и других плагинов Fiji. При работе с чувствительными данными важно контролировать, куда сохраняются входы, промежуточные TIF, ROI, таблицы и журналы .ald; локальная архитектура сама по себе не заменяет правила доступа и резервного хранения.

Проект использует PGP-подписание выпусков с версии 1.8.7, а актуальный пользовательский канал — update site Fiji. Для сохранности экспериментальных данных безопаснее хранить исходники отдельно и не позволять пакетным приложениям писать в тот же каталог без контроля. Если файл уже удалён с носителя, дальнейшая запись может ухудшить восстановление; общие принципы для таких ситуаций разобраны в инструкции по восстановлению фото и видео с флешки. В нормальном процессе MiToBo до восстановления доводить не следует: исходная серия должна иметь отдельную копию до начала анализа.

Плюсы и минусы

Плюсы

• Большой набор научных операторов объединяет фильтрацию, морфологию, сегментацию, работу с регионами и измерение признаков в одной ImageJ/Fiji-экосистеме.
• Alida даёт единообразные автоматически сформированные интерфейсы, журналирование параметров и возможность использовать те же операторы в графических и программных процессах.
• Grappa позволяет собирать цепочки из операторов с контролем типов данных, а не повторять каждый этап вручную.
• Есть специализированные приложения для реальных биомедицинских сценариев: PaCeQuant, MTB Cell Counter, CellBoundaryExtractor2D, Neuron Analyzer, Scratch Assay Analyzer и другие.
• PaCeQuant поддерживает интерактивную проверку и пакетный режим, что позволяет сначала отладить метод на одном изображении, а затем применить его к серии.
• Работа локальная и не требует подписки, регистрации или отправки изображений на MiToBo-сервер.
• GPL v3+ и открытый исходный код подходят для академического использования, аудита алгоритмов и интеграции в Java-проекты с соблюдением лицензии.
• Интеграция с Bio-Formats расширяет круг читаемых микроскопических файлов по сравнению с набором простых PNG/JPEG/TIFF.

Минусы

• Интерфейс распределён между Fiji, Runner, окнами операторов и отдельными приложениями; новичку сложнее понять общую модель, чем в одной монолитной программе.
• Документация и метаданные релизов обновляются несинхронно: update site уже содержит 2.6, тогда как GitHub Tags заканчиваются v2.5, а старая Downloads-страница показывает 2.3.1.
• Совместимость зависит от Java-библиотек Fiji; конфликт старых JAR способен нарушить отдельные операторы или запуск.
• LabelImageEditor имеет только одноуровневый Undo и может перезаписывать результаты прежнего запуска, поэтому без отдельного выходного каталога цена ошибки высока.
• ImageJ ROI не сохраняют калибровку пикселя, и её приходится отдельно восстанавливать перед количественными измерениями.
• MorphologyAnalyzer2D предполагает квадратные пиксели для геометрических расчётов; анизотропная плоскость требует дополнительной методической проверки.
• Стандартный пользовательский набор не ориентирован на универсальное интерактивное машинное обучение или нейросетевую сегментацию.
• Нет отдельного мобильного приложения или облачного интерфейса для совместной работы; обмен и совместное хранение организуются внешними средствами.

Кому подойдёт

• Биологам и специалистам по микроскопии, которым нужны измеримые результаты из сегментированных объектов, а не визуальная ретушь.
• Лабораториям, уже использующим Fiji/ImageJ, потому что MiToBo добавляет операторы без перехода в совершенно другую среду просмотра изображений.
• Исследователям pavement cells, клеточной миграции, нейритов и цитоскелета, если соответствующее специализированное приложение совпадает с дизайном эксперимента.
• Пользователям с повторяемыми сериями, которым нужны пакетные запуски, графические процессы Grappa или программная автоматизация.
• Разработчикам научного ПО на Java, которым нужен API операторов и инфраструктура Alida для создания собственных алгоритмов и интерфейсов.

Кому не подойдёт

• Пользователю, который ищет обычный редактор фотографий: MiToBo не строится вокруг цветокоррекции, слоёв, текста и макетирования.
• Команде, которой нужен браузерный SaaS с аккаунтами и совместным редактированием: MiToBo — локальное расширение ImageJ/Fiji.
• Новичку, которому нужна нейросетевая сегментация по нескольким мазкам без программирования: для такого сценария ilastik предлагает более прямую интерактивную модель обучения.
• Патологу, работающему преимущественно с огромными whole-slide pyramidal images: QuPath специально оптимизирован под такой класс данных и проекты целых слайдов.

Сравнение с другими аналогами

Продукт	Задача	Платформа	Порог освоения	Форматы	Автоматизация	Оплата	Ограничение и подходящий сценарий
MiToBo	Операторный анализ изображений, сегментация, морфометрия и специализированные биомедицинские приложения	ImageJ/Fiji, Java-среда	Средний/высокий: нужно понимать типы данных и параметры алгоритмов	Bio-Formats, TIFF, label images, ROI, таблицы и специализированные входы отдельных операторов	Grappa, API, командный запуск, BATCH в приложениях	Бесплатно, GPL v3+	Лучше всего для пользователя Fiji, которому нужны классические алгоритмы и воспроизводимые операторные цепочки
CellProfiler	Количественный анализ биологических изображений через модульные pipelines	Актуальная страница загрузки предоставляет Windows 10/11, macOS 13+ Intel/ARM и Linux Flatpak	Средний: программирование для типичного pipeline не обязательно	Широкий набор форматов через Bio-Formats	Сохранённые pipelines, headless и пакетное выполнение, включая кластерные сценарии	Бесплатное открытое ПО	Сильнее как последовательный high-throughput pipeline для большого количества изображений; меньше связан с интерактивной ImageJ-экосистемой
QuPath 0.7.0	Bioimage analysis с акцентом на большие пирамидальные и whole-slide изображения	Windows, macOS Intel/Apple silicon, Linux	Средний: GUI доступен сразу, для полной автоматизации используются Groovy-скрипты	Bio-Formats и OpenSlide, включая многие whole-slide форматы с оговорками по проприетарным вариантам	Workflow history, создание скриптов, headless script и convert-ome из командной строки	Бесплатно, GPL	Предпочтительнее для цифровой патологии и WSI; не является прямой заменой узким MiToBo-приложениям для pavement cells или label-image workflow
ilastik 1.4.2	Интерактивное машинное обучение для pixel/object classification, сегментации, tracking и counting	64-битные Windows, macOS и Linux; отдельные GPU-сборки для Windows/Linux	Ниже для ML-сегментации: пользователь размечает примеры, обучение идёт интерактивно	HDF5, N5, TIFF, PNG, JPEG и другие; актуальная версия поддерживает OME-Zarr	Batch Processing и headless почти для всех workflows	Бесплатное открытое ПО	Лучше, когда главный метод — обучаемая классификация по пользовательским меткам; для классической операторной морфологии MiToBo даёт более прямой набор функций

Выбор определяется не числом функций, а формой задачи. MiToBo силён там, где исследователь уже мыслит через ImageJ, label images, контуры и классические алгоритмы. CellProfiler удобнее, когда основная единица работы — модульный pipeline на большой набор изображений. QuPath лучше соответствует whole-slide pathology. ilastik сокращает путь до интерактивно обучаемой классификации, но использует другую модель анализа.

Типичные проблемы и диагностика

1. После обновления нет меню MiToBo

Симптом: Plugins не содержит MiToBo. Возможная подтверждённая причина: update site MiToBo не активирован или Fiji не перезапущен после установки. Диагностика: проверьте список Manage update sites и состояние обновлений. Исправление: активируйте MiToBo, примените изменения и перезапустите Fiji. Проверка: Plugins → MiToBo содержит MiToBo Runner.

2. MiToBo Runner работает, но нужное приложение отсутствует или падает

Симптом: базовые операторы доступны, а PaCeQuant или связанный компонент не запускается. Возможная подтверждённая причина: неполный набор зависимостей; для некоторых инструментов документация требует update site Biomedgroup. Диагностика: сравните включённые sites с требованиями конкретного приложения. Исправление: подключите необходимый site и обновите Fiji. Проверка: приложение открывает конфигурационное окно без ошибки зависимостей.

3. Fiji аварийно завершается после установки MiToBo

Симптом: запуск оператора приводит к исключению или падению Java. Возможная подтверждённая причина: конфликт версий JAR; документация MiToBo отдельно описывает такие случаи для старых Bio-Formats и JGraphT. Диагностика: воспроизведите тот же оператор в чистой Fiji только с требуемыми update sites. Исправление: согласуйте зависимости через updater или перенесите рабочий процесс в чистую установку вместо ручного удаления случайных библиотек. Проверка: одинаковый тестовый оператор проходит несколько запусков без исключения.

4. Микроскопический файл не открывается или читается неверно

Симптом: отсутствует канал, серия, Z/T-ось или reader выдаёт ошибку. Возможная подтверждённая причина: конкретная вариация формата не поддерживается текущим Bio-Formats или интерпретируется иначе. Диагностика: откройте файл через Bio-Formats в Fiji и сравните размеры, каналы и метаданные с данными прибора. Исправление: обновите совместимый Bio-Formats или конвертируйте копию в проверенный формат, например TIFF, сохранив оригинал. Проверка: число каналов и измерений совпадает с исходной серией.

5. PaCeQuant обрабатывает результаты как новые входные изображения

Симптом: пакет создаёт лишние результаты или анализирует изображения из прежнего results. Возможная подтверждённая причина: BATCH просматривает входной каталог и первый уровень подпапок, включая оставшиеся результаты. Диагностика: осмотрите структуру Input Directory на папки с изображениями прошлых запусков. Исправление: отделите native input/segmentation data от output. Проверка: число обработанных наборов соответствует числу исходных файлов.

6. Площади и длины в таблице имеют неверные единицы

Симптом: геометрические значения отличаются от ожидаемого масштаба. Возможная подтверждённая причина: отсутствует или ошибочна калибровка; ImageJ ROI не сохраняют её внутри файла. Диагностика: сравните физический размер пикселя с метаданными прибора и способом импорта ROI. Исправление: задайте MANUAL calibration для анализа, где метаданные отсутствуют. Проверка: контрольный объект известного размера получает правильный порядок величины и единицу.

7. PaCeQuant плохо замыкает клеточные границы

Симптом: несколько клеток сливаются либо возникают открытые контуры. Возможная подтверждённая причина: неверный Border Contrast, чувствительность Niblack threshold или неподходящая эвристика Gap Closing. Диагностика: включите сохранение дополнительных промежуточных результатов и найдите стадию, где теряется граница. Исправление: корректируйте параметр, связанный именно с этой стадией; для gap closing документация рекомендует WATERSHED как исходный вариант. Проверка: число объединённых областей уменьшается без появления большого количества ложных границ.

8. В LabelImageEditor не удаётся отменить несколько ошибочных действий

Симптом: Undo возвращает только последнее изменение. Возможная подтверждённая причина: история редактора имеет длину один. Диагностика: определите, было ли уже выполнено несколько правок после нужного состояния. Исправление: для несохранённого текущего изображения используйте Skip; для сохранённого вернитесь к исходной копии и повторите коррекцию. Проверка: новая edited-версия построена из неизменённого исходника.

9. FeatureColorMapper не показывает ожидаемые признаки

Симптом: после Load список Column(s) to map пуст или неполон. Возможная подтверждённая причина: в Input Data нет подходящей CSV-таблицы или первая найденная таблица имеет другую структуру. Диагностика: проверьте содержимое каталога и заголовки первой CSV. Исправление: отделите совместимые таблицы и label images в однозначную структуру. Проверка: после Load нужные столбцы появляются и для выбранного признака создаётся TIF-карта.

10. Цветовая карта не совпадает с регионами

Симптом: значения визуально прикреплены не к тем областям или часть регионов пропущена. Возможная подтверждённая причина: метки label image не последовательны или таблица относится к другой версии сегментации. Диагностика: сравните ID регионов в таблице и label image. Исправление: выполните Relabel для корректного изображения и заново извлеките признаки из этой же версии сегментации. Проверка: идентификаторы и число регионов согласованы перед построением карты.

11. Морфометрия искажена на данных с разным шагом X и Y

Симптом: длины, ширины или формы систематически не соответствуют геометрии образца. Возможная подтверждённая причина: MorphologyAnalyzer2D предполагает квадратный пиксель. Диагностика: проверьте независимые значения physical pixel size по X и Y. Исправление: подготовьте геометрически корректные данные или используйте метод, который учитывает анизотропию. Проверка: контрольная геометрия соответствует известному масштабу после преобразования.

12. Командный запуск выполняется, но результат не сохраняется

Симптом: Java-процесс завершился, а ожидаемого выходного файла нет. Возможная подтверждённая причина: для output-параметра не задана цель сохранения. Диагностика: проверьте строку OpRunner и имя выходного параметра конкретного оператора. Исправление: передайте явный путь для результата. Проверка: после повторного запуска файл создан, открывается и имеет ожидаемый тип.

FAQ

MiToBo — это самостоятельная программа?

Для пользователя MiToBo прежде всего расширение ImageJ/Fiji и ImageJ2. Основные команды запускаются из Fiji, хотя core-библиотека может использоваться отдельно разработчиком через Java API и Alida. Поэтому устанавливать MiToBo как обычный монолитный редактор с отдельным единым интерфейсом не следует.

Почему в разных местах встречаются версии 2.3.1, 2.5 и 2.6?

Официальные каналы обновлены не синхронно. Старая Downloads-страница сохранила текст о 2.3.1, GitHub Tags содержит v2.5, а активный Fiji update site публикует mitobo-2.6.jar от 16 июля 2026 года. Для обычной установки в Fiji ориентиром служит update site; для исходного кода, который нужно закрепить опубликованным Git-тегом, последним оформленным тегом остаётся v2.5.

Нужно ли сохранять файлы .ald?

.ald — XML-файлы истории и параметров обработки Alida/MiToBo. Для просмотра TIF они не обязательны, но удалять их из воспроизводимого научного архива невыгодно: вместе с ними теряется часть машинно-читаемой информации о том, как получен результат.

Можно ли передать PaCeQuant только вручную созданные ROI?

Да. В режиме FEATURES_ONLY PaCeQuant принимает ImageJ ROI и ROI-архивы, но калибровка должна быть задана вручную, потому что ROI-файлы не хранят физический размер пикселя. Это принципиально для длин, площадей и других признаков в физических единицах.

Поддерживает ли MiToBo файлы конкретного производителя микроскопа?

Чтение изображений опирается на Bio-Formats, поэтому MiToBo получает широкий набор форматов этой библиотеки. Надёжность следует проверять на конкретном варианте файла и версии Bio-Formats: проприетарные контейнеры могут иметь версии, серии и способы сжатия, которые ведут себя по-разному. Для долговременного рабочего процесса полезно хранить исходный файл и проверенный промежуточный TIFF.

Можно ли использовать MiToBo без интернета?

После установки локальные операторы не требуют постоянного соединения с облачным сервисом MiToBo. Сеть нужна для загрузки и обновления Fiji/update sites, просмотра онлайн-документации и обращения к поддержке. Локальные файлы анализа при обычной работе остаются в выбранных пользователем каталогах.

Насколько результаты воспроизводимы между компьютерами?

MiToBo сохраняет параметры и историю операторов, что помогает воспроизводимости, но окружение тоже имеет значение. В документации PaCeQuant отмечались очень малые расхождения последних десятичных знаков некоторых кривизных характеристик между версиями Java. Для публикации или повторного расчёта следует фиксировать версии MiToBo, Fiji, Java/Bio-Formats, калибровку и входные данные, а не только набор параметров.

Подходит ли MiToBo для нейросетевой сегментации?

Основной документированный набор MiToBo построен вокруг классических алгоритмов обработки, морфологии, watershed, active contours, текстурных измерений и специализированных приложений. Для интерактивного обучения классификатора по пользовательским мазкам ilastik предлагает более специализированный рабочий процесс. MiToBo при этом остаётся полезен для последующей работы с label images, морфометрии и операторных цепочек.

Можно ли использовать MiToBo в собственном Java-приложении?

Да. Проект предоставляет core-библиотеку и ориентирован не только на конечных пользователей, но и на разработчиков. Alida отделяет алгоритм от пользовательского интерфейса, поэтому оператор можно вызывать программно, включать в составные процессы и при необходимости получать автоматически сформированные интерфейсы. Для проекта нужно соблюдать совместимость Maven-зависимостей и условия GPL.

Что хранить вместе с итоговой таблицей анализа?

Минимальный воспроизводимый комплект — неизменённый исходник, использованная label image или ROI, таблица результата, физическая калибровка, версия MiToBo/Fiji и настройки операторов. Для цепочек Alida полезно сохранить .ald. Если проводилась ручная коррекция, отдельно храните исходную и edited-версию, чтобы численные признаки можно было однозначно связать с конкретной сегментацией.

Вывод

MiToBo имеет смысл выбирать не как «ещё один ImageJ-плагин», а как операторный слой для научного анализа. Для лаборатории, уже работающей в Fiji и использующей label images, ROI и классические методы сегментации, он даёт связанный набор: базовые алгоритмы, морфометрию, специализированные приложения, ручную коррекцию и автоматизацию через Alida/Grappa. Наиболее сильный сценарий — последовательный анализ, где каждый промежуточный результат можно проверить и сохранить.

Для высокой пропускной способности с визуально собираемыми модульными pipelines стоит сравнить CellProfiler. Для whole-slide pathology практичнее QuPath. Для интерактивно обучаемой пиксельной или объектной классификации — ilastik. MiToBo выигрывает тогда, когда нужны именно ImageJ/Fiji, классические операторы и специализированные приложения проекта, а не единый ML-интерфейс или облачный сервис.

Главные условия надёжной работы — чистое совместимое окружение Fiji, явная калибровка, раздельное хранение исходников и результатов и фиксация версии. Особенно это важно сейчас, когда каналы проекта показывают разные номера релиза. В повседневной Fiji-установке актуальный update site уже раздаёт MiToBo 2.6, но для воспроизводимой публикации стоит записать точный артефакт и окружение, а не полагаться на номер на старой странице Downloads.