利用傅里叶变换和自组织映射的形态学区分健康和病理细胞

该方法有助于回答基础研究和临床应用的一些关键问题，如癌症研究和癌症治疗，但也有助于回答免疫学领域的关键问题。此方法的主要优点是，它是一种静态方法，易于使用。该技术能够根据病细胞的形状和运动特征自动识别其类型。

该技术的影响延伸到癌症或炎症性疾病的诊断和治疗。这种方法可以提供免疫细胞和癌细胞之间行动的见解，但它也可以应用于任何需要三维显微镜数据的领域。这可能是个人新的这种方法将挣扎，因为他们的问题，以描述和验证三维显微镜数据。

我们认为，这种方法的可视化演示至关重要，因为我们在这里使用的软件工具对许多科学家来说并不熟悉。首先，获取随附的文本协议中描述的高分辨率、去通信的三维显微镜数据集。将 3D 图像数据加载到重建软件中，并开始为每个对象创建 3D 曲面。

为此，请选择"3D 视图"选项并单击"曲面"，然后单击"下一步"按钮以继续执行曲面创建向导。现在，选择用于曲面重建的图像通道。选择不隐藏表面细节但避免多孔表面的平滑值。

通过单击"平滑选项"复选框并提供平滑半径来应用平滑功能。在创建显微镜数据的三维影像结构时，尤其要注意平滑系数和适当的阈值方法，以便不丢失任何细胞特征或形状。接下来，选择阈值方法以查找曲面。

当对象（如此处所示的对象）与背景分离良好且亮度水平大致均匀时，请使用绝对强度阈值。当对象的强度不同但仍可以与本地背景和周围的其他对象分离时，请应用局部对比度阈值。根据重建对象的预期直径值设置本地阈值搜索区域。

接下来，从选项列表中选择，根据感兴趣的形态参数筛选重建曲面。这包括体积、球面、表面体积比等。以 VRML 等格式保存和导出生成的曲面，该格式与下一步中使用的 3D 动画软件兼容。

启动搅拌机，然后转到窗口右侧的"输出"选项卡。从下拉菜单中选择 TIFF 格式，将"颜色深度"设置为 8 位 RGBA。接下来，切换到脚本模式，并导航到提供的脚本文件标题:GUI_Autorotate。

py，可从 github 存储库下载用于此工作。回到主窗口中，单击"运行脚本"，并在输入提示时选择 wrl 文件的文件夹。然后，转到默认菜单。

此处，将旋转设置为 6 或高于 6 的值。单击"旋转"按钮运行脚本。六个不同角度的旋转通常足以区分不同的细胞群，但是，我们不建议使用少于六个旋转，以便不丢失任何有关形状或特征的信息。

将用于输入的同一文件夹中的单个曲面的投影保存。默认情况下，图像以 8 位 TIFF 格式保存，这是 FIJI 插件"阴影"所需的格式。打开斐济，并在"插件"菜单中选择"阴影"。

从默认值开始，稍后微调参数。单击"准备好运行程序时""确定"。接下来，选择包含上一节中创建的 TIFF 文件的源文件夹，然后单击"选择"。

然后，提供输出数据文件夹。当出现第一个图像时，在单元格周围绘制一个矩形，然后单击"确定"开始。当插件运行时，您会看到图像在外围的预处理，查找由红线指示的单元格。

发现边的坐标现在用于计算离散四位零部件。若要首次训练自组织地图，请从加载 MATLAB 开始。加载 TrainSOM MATLAP 脚本，然后选择"运行"以开始培训。

如果需要，请确保正确路径文件。当它开始运行时，将弹出其他窗口以显示进度。等待培训完成，然后再继续。

默认情况下，脚本设置为运行 2，000 次迭代，或者史诗。培训完成后，检查网络拓扑图。下面是相邻距离绘图、采样命中图和输入平面图的示例。

自组织地图是发现数据集中隐藏关系的重要工具。它们客观地对您的数据进行聚类，并且它们的优势是不需要训练数据集，因为它们在无人监督的情况下学习。网络现已接受培训。

右键单击工作区中的文件，然后将其保存以供将来使用。使用已训练的地图时，在自组织地图中加载，以便对数据集进行聚类。然后，导入要使用预加载的训练映射进行测试的 CSV 文件。

在这里，我们将选择阴影插件的CSV输出。加载数据时，将输出类型更改为数字矩阵，然后选择"导入选择"。分类完成后，使用命令窗口计算各种绘图。

这里的图像显示来自微胶质细胞的去进化内多光子显微镜数据集。在生理条件下，微胶质呈现了一个相当复杂的形状，具有多个高度分支的过程。当放置在癌变的环境中，如这种皮质肿瘤模型，微胶质更改为更简单，更主轴状的形状。

其中 20 个形状更成形的描述组件用作输入，用于训练自组织映射。然后对训练有素的地图进行测试，以评估其区分健康细胞和癌细胞的能力。健康细胞群被投影到此处显示的单个区域，而癌性微胶质数据集则显示为哑铃形活动区域。

地图也可以由医学专家训练，以识别不同的细胞组。在这里，休息细胞、吞噬细胞、相互作用细胞和移动细胞被识别、重建并用于训练12x12地图。此组合地图显示了高命中率的人工神经元组，尤其是在地图的左下角和中间区域。

使用训练自组织映射测试映射方法的鲁棒性，该映射具有 3 个随机子集，这些随机子集不是训练数据集的一部分。S.O..M的响应表现出非常相似的响应，指示正确的单元格类型。在开发这种技术之后，现在我们有了一个工具包，我们可以简单地对细胞形状的变化进行分类。

这些变化发生，例如，在癌症期间，或其他免疫系统反应，我们可以测量他们使用显微镜，使用整个动物，切除组织，甚至芯片上的器官。