通过连续图像膨胀量化膜间距离

该方法有助于解答心脏电生理学领域中关于细胞外空间结构和细胞间通讯机制的关键问题。该技术的主要优势在于具有高通量能力以及更高的空间采样频率。本质上，我们能够比以往更快地获得测量结果，并且结果的可靠性更高。

由于周边隙（perinexus）是一个相对较新定义的结构，且对于不熟悉 MATLAB 的研究人员而言，故障排除可能并不直观，因此在缺乏视觉演示的情况下，学习周边隙的识别和程序排错较为困难。对于灰度图像，需使用数值计算软件确保没有任何像素的强度超过 255。然后，在图像处理软件中打开我们的配对图像，并放大观察周边隙区域。

正确识别周边间隙至关重要。第一步是识别具有条纹状外观的间隙连接斑块。然后，我们在同一平面上寻找两个相对的膜，延伸至约200纳米处。

根据其戊胺结构识别缝隙连接斑块。周边间隙的起始处，即为两个相对的细胞膜双层开始分离的位置。以纳米为单位显示比例尺。

起始点和终点应位于周 nexus 区域起点外 200 纳米处。接下来，选择套索选择工具。单击并拖动，或使用手写笔仔细沿一个细胞的内膜向上追踪至周 nexus 区域的起点，再沿第二个细胞的内膜返回。

释放鼠标按钮或抬起触控笔以闭合选定区域。然后，将线条宽度设置为1像素，并将前景色设置为图像类型对应的最高强度值，例如，对于灰度图像，设置为白色。

根据选区创建描边轮廓，并将生成的图像保存为与分析软件兼容的文件类型，例如 JPEG 或 TIFF。如有需要，打开膜间距分析软件，并更改待生成数据和图像的保存位置。保存文件后关闭。

然后运行程序。为识别中心线，适当设置空间导数梯度阈值。设置比例尺和单位长度的像素数。

根据缝隙连接的边缘，设置感兴趣区域的空间下限和上限。选择自动或手动起始点检测。对于形状不规则的周隙区域，可能需要手动起始点检测。

然后，打开标出周边区域的图像。单击并拖动以在周边区域周围绘制一个方框，排除闭合端。在已勾勒的周边区域轮廓内双击，以裁剪图像并识别中心线。

如果需要手动选择起点，则原始图像上将出现十字准线光标和中心线。在靠近期望起点的近膜间隙区域外选择一个点，以继续该过程。当过程完成后，请确认中心线保持在近膜间隙内，并准确通过起点。

查看生成的数据并绘制周缝宽度。如果中心线未能被正确识别和分离，请打开梯度幅值图像数组以确定合适的梯度阈值。我们使用索引工具在中心线周围点击，并结合梯度幅值数组来判断希望中心线检测算法选取的像素位置。

随后应将梯度阈值设置为略高于这些像素的强度值。选择索引工具，点击中心线及其周围区域，以显示应被选中像素的索引值。将空间导数梯度阈值设置为略高于该索引值，然后再次运行该过程。

如果在自动处理过程中未正确检测到起始点，则需使用手动起始点检测重新运行程序。在此过程中，手动轮廓以每次一个像素的幅度逐步扩张，以计算两条边缘之间的像素数量。每次扩张的结果均被累加至工作图像中，以生成空间导数。

原始轮廓和中心线在其幅度上表现为不连续。在分离出中心线后，通过膨胀、腐蚀和路径查找算法对其进行优化。周边间隙宽度以从周边间隙起始点开始的距离函数形式呈现，或以感兴趣区域内的函数形式呈现，并以上述两种函数的平均值形式给出。

随着周边间隙方向的改变，周边间隙宽度的测量会出现高估或低估，具体取决于扩张模式。三角函数校正结果与将图像旋转至周边间隙呈水平方向时的测量结果高度相关。该算法已针对不同的空间分辨率、参考单位和图像尺寸进行了验证。

无论是经验丰富的还是缺乏经验的用户，其勾画轮廓的速度均快于手动分割图像。此外，自动化处理具有显著更高的空间分辨率。经验丰富的和缺乏经验的观察者均能准确识别出伴有与不伴有既往心房颤动的患者之间在周细胞间隙宽度上的显著差异。

这些观察者还准确地识别出同一群体中缝隙连接的绝对宽度无显著差异。周边隙和缝隙连接的宽度与先前的报道一致。在进行此操作时，请务必耐心绘制轮廓，因为即使在膜结构上出现微小偏差，在此尺度下也可能导致显著误差。

通常，初次接触该方法的人员会遇到困难，因为他们对所测量的结构不熟悉，或者不清楚如何排查问题以开始进行连接点识别或中心线偏差分析。直观地看到该图像处理方法的操作过程至关重要，因为若无此过程，将难以掌握周边连接结构的识别及算法问题的排查。

我们需要确保所量化的内容正是我们声称要测量的指标。该技术为心脏健康领域的研究人员提供了新途径，以更高分辨率对心脏功能的多个层面进行量化分析，从纳米级的细胞外间隙到心室效率或功能障碍的临床判定。

尽管本方法以电子显微镜图像为例进行演示，但也可应用于其他成像技术，例如心脏超声心动图，以更精确地量化心脏的机械功能。只要设定适当的比例尺且边缘近似平行，该方法即可测量两个指定边缘之间的距离，因此可应用于任何成像领域。