RESEARCH
Peer reviewed scientific video journal
Video encyclopedia of advanced research methods
Visualizing science through experiment videos
EDUCATION
Video textbooks for undergraduate courses
Visual demonstrations of key scientific experiments
BUSINESS
Video textbooks for business education
OTHERS
Interactive video based quizzes for formative assessments
Products
RESEARCH
JoVE Journal
Peer reviewed scientific video journal
JoVE Encyclopedia of Experiments
Video encyclopedia of advanced research methods
EDUCATION
JoVE Core
Video textbooks for undergraduates
JoVE Science Education
Visual demonstrations of key scientific experiments
JoVE Lab Manual
Videos of experiments for undergraduate lab courses
BUSINESS
JoVE Business
Video textbooks for business education
Solutions
Language
German
Menu
Menu
Menu
Menu
Please note that some of the translations on this page are AI generated. Click here for the English version.
Quelle: Hannah L. Cebull1, Arvin H. Soepriatna1, John J. Boyle2 und Craig J. Goergen1
1 Weldon School of Biomedical Engineering, Purdue University, West Lafayette, Indiana
2 Mechanical Engineering & Materials Science, Washington University in St. Louis, St Louis, Missouri
Das mechanische Verhalten von Weichgeweben wie Blutgefäßen, Haut, Sehnen und anderen Organen wird stark durch ihre Zusammensetzung von Elastin und Kollagen beeinflusst, die Elastizität und Festigkeit bieten. Die Faserausrichtung dieser Proteine hängt von der Art des Weichgewebes ab und kann von einer einzigen bevorzugten Richtung bis hin zu komplizierten netzgebundenen Netzwerken reichen, die sich in krankem Gewebe verändern können. Daher verhalten sich Weichgewebe oft anisotrop auf Zell- und Organebene, was eine notwendigkeit dreidimensionale Charakterisierung erzeugt. Die Entwicklung einer Methode zur zuverlässigen Abschätzung von Dehnungsfeldern innerhalb komplexer biologischer Gewebe oder Strukturen ist wichtig, um Krankheiten mechanisch zu charakterisieren und zu verstehen. Dehnung stellt dar, wie Sichweich im Laufe der Zeit relativ verformt, und kann mathematisch durch verschiedene Schätzungen beschrieben werden.
Durch das Erfassen von Bilddaten im Laufe der Zeit können Verformungen und Dehnungen geschätzt werden. Alle medizinischen Bildgebungsmodalitäten enthalten jedoch eine gewisse Menge an Rauschen, was die Schwierigkeit erhöht, die in vivo-Stämme genau zu schätzen. Die hier beschriebene Technik bewindet diese Probleme erfolgreich, indem eine DDE-Methode (Direct Deformation Estimation) verwendet wird, um räumlich variierende 3D-Dehnungsfelder aus volumetrischen Bilddaten zu berechnen.
Zu den aktuellen Methoden zur Dehnungsschätzung gehören die digitale Bildkorrelation (DIC) und die digitale Volumenkorrelation. Leider kann DIC die Belastung von einer 2D-Ebene nur genau abschätzen, was die Anwendung dieser Methode stark einschränkt. Obwohl sie nützlich sind, haben 2D-Methoden wie DIC Schwierigkeiten, Dehnungen in Regionen zu quantifizieren, die einer 3D-Verformung unterzogen werden. Dies liegt daran, dass a-of-plane Bewegung Verformungsfehler erzeugt. Die digitale Volumenkorrelation ist eine anwendbarere Methode, die die anfänglichen Volumendaten in Regionen unterteilt und den ähnlichsten Bereich des verformten Volumens findet, wodurch Fehler a-of-plane reduziert werden. Diese Methode erweist sich jedoch als geräuschempfindlich und erfordert Annahmen über die mechanischen Eigenschaften des Materials.
Die hier gezeigte Technik beseitigt diese Probleme mit einer DDE-Methode und macht sie somit sehr nützlich bei der Analyse medizinischer Bildgebungsdaten. Darüber hinaus ist es robust bis hoch oder lokalisiert. Hier beschreiben wir die Erfassung von gated, volumetrischen 4D-Ultraschalldaten, deren Umwandlung in ein analyzierbares Format und die Verwendung eines benutzerdefinierten Matlab-Codes zur Abschätzung von 3D-Verformungen und entsprechenden Green-Lagrange-Stämmen, ein Parameter, der große Verformungen besser beschreibt. Der Green-Lagrange Dehnungstensor wird in vielen 3D-Dehnungsschätzungsmethoden implementiert, da er es ermöglicht, F aus einem Least Squares Fit (LSF) der Verschiebungen zu berechnen. Die folgende Gleichung stellt den Grün-Lagrange-Dehnungstensor Edar, wobei F und I den Verformungsgradienten bzw. den Identitätstensor zweiter Ordnung darstellen.
(1)
1. 4D-Ultraschall-Setup
2. 4D-Ultraschall-Erfassung
3. 4D-Ultraschall-Datenkonvertierung
4. 3D-Dehnungscodeanalyse
Dreidimensionale Dehnungsbildgebung wird verwendet, um die Verformung von Weichteilen im Laufe der Zeit zu schätzen und Krankheiten zu verstehen. Das mechanische Verhalten von Weichteilen wie Haut, Blutgefäßen, Sehnen und anderen Organen wird stark durch ihre extrazelluläre Zusammensetzung beeinflusst, die sich durch Alterung und Krankheit verändern kann. Innerhalb komplexer biologischer Gewebe ist es wichtig, diese Veränderungen zu charakterisieren, die die mechanischen und funktionellen Eigenschaften eines Organs erheblich beeinflussen können.
Quantitative Dehnungszuordnung verwendet volumetrische Bilddaten und eine methode der direkten Verformung, um die räumlich variierenden dreidimensionalen Dehnungsfelder zu berechnen. In diesem Video werden die Prinzipien der Dehnungszuordnung veranschaulicht, gezeigt, wie quantitative Dehnungszuordnung zur Schätzung von Stammfeldern innerhalb komplexer biologischer Gewebe verwendet wird, und andere Anwendungen diskutieren.
Biologische Gewebe werden stark durch die Zusammensetzung und Ausrichtung von Elastin und Kollagen beeinflusst. Das Protein Elastin ist ein hochelastischer Bestandteil von Geweben, die sich ständig dehnen und zusammenziehen, wie Blutgefäße und die Lunge. Kollagen ist das am häufigsten vorkommende Protein im Körper und wird aus einzelnen dreifach-helischen Polymeren zusammengesetzt, die in größeren Fasern gebündelt werden, die Geweben von der Haut bis zu den Knochen strukturelle Integrität verleihen.
Die Ausrichtung dieser Proteine reicht von ausgerichteten Fasern bis hin zu faserigen Netznetzen, was sich auf die mechanischen Eigenschaften des Gewebes auswirkt. Dehnung ist ein Maß für die relative Verformung von Weichteilen im Laufe der Zeit und kann verwendet werden, um Verletzungen und Krankheiten zu visualisieren. Es wird beschrieben und anhand mathematischer Schätzungen abgebildet.
Um Dehnungen in komplexen Organen wie dem Herzen abzubilden, können vierdimensionale Ultraschalldaten verwendet werden, die hohe Auflösungs-, räumliche und zeitliche Informationen liefern. Anschließend wird die Methode zur Direkten Verformungsschätzung (DDE) auf die Daten angewendet. Ein Code wird verwendet, um die 3D-Verformung und die entsprechenden Green-Lagrange-Stämme mit der folgenden Gleichung zu schätzen.
Der Green-Lagrange-Dehnungssor hängt vom Verformungsgradiententensor und dem Identitätstensor zweiter Ordnung ab. Verformunggradiententensoren werden traditionell aus Verschiebungsfeldern geschätzt. Bei der DDE-Methode wird eine Verzugsfunktion so optimiert, dass sie direkt analog zum Verformungstensor ist. Die Verwarrfunktion hängt sowohl von der räumlichen Position als auch vom Warping-Parameter ab. Die Berechnung der Verformung wird direkt in die Verformungsfunktion integriert. Die ersten neun Elemente stellen den Verformungsgradiententensor dar.
Diese Methode wird verwendet, um sowohl große als auch lokalisierte Verformungen in Weichgeweben zu schätzen. Nun, da wir die Prinzipien der Dehnungszuordnung verstehen, sehen wir nun, wie die Dehnungszuordnung durchgeführt wird, um Aortenaneurysmen bei Mäusen zu erkennen.
Um mit der Einrichtung zu beginnen, öffnen Sie die Vivo 2100 Software und schließen Sie den Laptop an das Ultraschallsystem an. Stellen Sie sicher, dass die physiologische Überwachungseinheit eingeschaltet ist, um Herzfrequenz und Temperatur zu messen. Dann initialisieren Sie die 3D-Motorstufe.
Installieren Sie den Ultraschallwandler und stellen Sie sicher, dass alle richtigen Anschlüsse hergestellt werden. Als nächstes befeuchten Sie das Tier, das mit 3% Isofluran in einer Klopfkammer abgebildet wird. Sobald die Maus betäut ist, bewegen Sie sie auf die erhitzte Stufe und sichern Sie einen Nasenkegel, um 1-2% Isofluran zu liefern. Tragen Sie die ophthalmologische Salbe auf die Augen auf und sichern Sie die Pfoten an den Bühnenelektroden, um die Atmung und Herzfrequenz des Tieres zu überwachen. Setzen Sie dann eine rektale Temperatursonde ein. Tragen Sie Enthaarungscreme auf, um das Haar aus dem Interessenbereich zu entfernen, und wenden Sie dann eine großzügige Menge warmes Ultraschallgel auf den enthaarten Bereich an.
Um die Bildaufnahme zu starten, öffnen Sie zunächst das Bildgebungsfenster und wählen Sie den B-Modus aus. Senken Sie dann den Messumformer auf das Tier und verwenden Sie die x- und y-Achsenknöpfe auf der Bühne, um den Interessenbereich zu lokalisieren. Überwachen Sie die Atemfrequenz, um sicherzustellen, dass sie nicht wesentlich abnimmt. Positionieren Sie den Messumformer in der Mitte der Interessenregion. Dann nähern Sie sich der Entfernung erforderlich, um die gesamte Region von Interesse zu decken.
Geben Sie diese Dimensionen in den MATLAB-Code ein und wählen Sie eine Schrittgröße von 0,08 Millimetern aus. Stellen Sie sicher, dass herz- und atemsicher das Herz und die Atemfrequenz des Tieres stabil sind, und führen Sie dann den MATLAB-Code aus.
Exportieren Sie die Daten nach der Bildaufnahme als XML-Rohdateien und konvertieren Sie sie in MAT-Dateien. Stellen Sie sicher, dass Sie die Anzahl der Frames, die Schrittgröße und die Ausgabeauflösung eingeben. Anschließend wird die Matrix in durchgangsebene erneut abgetastet.
Importieren Sie die neue MAT-Datei in den 3D-Stammanalysecode. Es kann erforderlich sein, die Datei neu zu skalieren, um die Berechnungszeit zu reduzieren. Geben Sie dann den zu analysierenden Bereich ein. Approximate die Anzahl der Pixel in einem zweidimensionalen Segment des verfolgten Features, und wählen Sie die Netzvorlage entweder als einfaches Feld oder manuell ausgewählte Polygone aus. Wählen Sie die optimale Pixelzahl für die Netzgröße aus. Berechnen Sie die Jakobianer und die Gradienten. Wiederholen Sie diesen Vorgang für jede Region. Wenden Sie dann die Verwarrfunktion an.
Als Nächstes bestimmen Sie mithilfe von kartesischen Verformungen, die aus DDE berechnet werden, die Eigenwerte und Eigenvektoren der Verformung. Wählen Sie dann die Slices aus, für die Sie Dehnungswerte darstellen möchten, indem Sie durch die Ansichten der langen Achse, der Sortierachse und der koronalen Achsen blättern.
Drücken Sie Verteiler für die Analyse auswählen. Verwenden Sie dann den Cursor, um Markierungen entlang der Aortenwand zu platzieren, einschließlich des Thrombus, Aneurysmus und gesunder Teile der Aorta. Wiederholen Sie dies für alle Ansichten. Verwenden Sie schließlich die Farbzuordnung, um die Ergebnisse des Stammfelds über den Interessenbereich zu zeichnen.
Werfen wir einen genauen Blick auf das Beispiel eines angiotensin II-induzierten suprarenal enzierenden Abdominalaortenaneurysms, das von einer Maus erworben wurde. Zunächst werden mehrere Kurzachs-EKG-Gated-Kilohertz-Visualisierungsschleifen in einer bestimmten Schrittgröße entlang der Aorta erhalten und zu 4D-Daten kombiniert.
Nach der 3D-Dehnungsberechnung mit einer optimierten Verzugsfunktion wird das 3D-Slice-Visualisierungsdiagramm der Infrarot-Aorta erhalten. Die Farbkarte der wichtigsten grünen Dehnung wird überlagert, um Regionen heterogener Aortenwanddehnung enmittiert zu markieren. Darüber hinaus zeigen lange Achsen- und Kurzachsenansichten heterogene räumliche Dehnungsunterschiede, insbesondere wenn ein Thrombus vorhanden ist.
Entsprechende Dehnungsdiagramme zeigen höhere Dehnungswerte in gesunden Regionen der Aorta in der langen Achse, während die aneurysmale Region eine verringerte Belastung in der kurzen Achse zeigt.
Die genaue quantitative Dehnungsvisualisierung mittels direkter Verformungsschätzung ist ein nützliches Werkzeug, das in verschiedenen biomedizinischen Anwendungen eingesetzt wird.
Zum Beispiel kann der Herzstamm quantifiziert werden. Während des Herzzyklus erfährt das Myokard eine 3D-Deformation. Die Quantifizierung der Dehnung in drei Dimensionen ist integraler Bestandteil der zuverlässigen Charakterisierung der Dynamik dieses Gewebes im Laufe der Zeit. Dies ist nützlich bei der Verfolgung der Krankheitsprogression in Tiermodellen.
Eine weitere Anwendung ist in der Charakterisierung von Darmgewebe. In vivo Bildgebung des Darms ist aufgrund der Auswirkungen von umgebenden Strukturen eine Herausforderung. Die Berechnung der Belastung aus Bildern der Darmfibrose könnte jedoch besonders nützlich sein, um problematische Bereiche, die einen chirurgischen Eingriff erfordern, frühzeitig zu erkennen.
In einem viel kleineren Maßstab wird diese DDE-Methode auch auf zelluläre Ebene angewendet, indem bildgebende Techniken mit höherer Auflösung wie konfokale Mikroskopie verwendet werden. Es dient zum Beispiel bei der Charakterisierung der extrazellulären Matrix, um zu verstehen, wie Zellen unter mechanischen Veränderungen kommunizieren.
Sie haben gerade JoVeTs Einführung in die quantitative Dehnungsvisualisierung beobachtet. Sie sollten nun verstehen, wie sie dreidimensionale Stämme in biologischen Geweben messen und wie diese bei der Früherkennung von Krankheiten eingesetzt werden. Danke fürs Zuschauen!
Die dreidimensionale Dehnungsbildgebung wird verwendet, um die Verformung von Weichteilen im Laufe der Zeit abzuschätzen und Krankheiten zu verstehen. Das mechanische Verhalten von Weichteilen wie Haut, Blutgefäßen, Sehnen und anderen Organen wird stark von ihrer extrazellulären Zusammensetzung beeinflusst, die sich durch Alterung und Krankheit verändern kann. Innerhalb komplexer biologischer Gewebe ist es wichtig, diese Veränderungen zu charakterisieren, die die mechanischen und funktionellen Eigenschaften eines Organs erheblich beeinflussen können.
Die quantitative Dehnungskartierung verwendet volumetrische Bilddaten und eine Methode zur direkten Verformungsschätzung, um die räumlich variierenden dreidimensionalen Dehnungsfelder zu berechnen. In diesem Video werden die Prinzipien des Strain Mapping veranschaulicht, gezeigt, wie quantitatives Strain Mapping zur Abschätzung von Dehnungsfeldern in komplexen biologischen Geweben eingesetzt wird, und weitere Anwendungen diskutiert.
Biologische Gewebe werden stark von der Zusammensetzung und Ausrichtung von Elastin und Kollagen beeinflusst. Das Protein Elastin ist ein hochelastischer Bestandteil von Geweben, die sich ständig dehnen und zusammenziehen, wie z. B. Blutgefäße und die Lunge. Kollagen ist das am häufigsten vorkommende Protein im Körper und besteht aus einzelnen dreifach helikalen Polymeren, die zu größeren Fasern gebündelt sind, die dem Gewebe von der Haut bis zu den Knochen strukturelle Integrität verleihen.
Die Orientierung dieser Proteine reicht von ausgerichteten Fasern bis hin zu faserigen Netzen, was sich auf die mechanischen Eigenschaften des Gewebes auswirkt. Die Dehnung ist ein Maß für die relative Verformung von Weichteilen im Laufe der Zeit und kann zur Visualisierung von Verletzungen und Krankheiten verwendet werden. Sie wird mit Hilfe mathematischer Schätzungen beschrieben und kartiert.
Um die Belastung in komplexen Organen, wie z.B. dem Herzen, abzubilden, können vierdimensionale Ultraschalldaten verwendet werden, die hochauflösende, räumliche und zeitliche Informationen liefern. Anschließend wird die Methode zur Schätzung der direkten Verformung (DDE) auf die Daten angewendet. Ein Code wird verwendet, um die 3D-Verformung und die entsprechenden Green-Lagrange-Dehnungen anhand der folgenden Gleichung zu schätzen.
Der Green-Lagrange-Dehnungstensor hängt vom Verformungsgradiententsor und dem Identitätstensor zweiter Ordnung ab. Verformungsgradiententensoren werden traditionell aus Verschiebungsfeldern geschätzt. Bei der DDE-Methode wird eine Wölbungsfunktion so optimiert, dass sie direkt analog zum Verformungstensor ist. Die Verzerrungsfunktion hängt sowohl von der räumlichen Position als auch vom Verzerrungsparameter ab. Die Berechnung der Verformung fließt direkt in die Wölbfunktion ein. Die ersten neun Elemente stellen den Verformungsgradiententensor dar.
Diese Methode wird verwendet, um sowohl große als auch lokalisierte Verformungen in Weichgeweben abzuschätzen. Nachdem wir nun die Prinzipien des Stammmappings verstanden haben, sehen wir uns nun an, wie das Stammmapping durchgeführt wird, um Aortenaneurysmen bei Mäusen zu erkennen.
Um mit der Einrichtung zu beginnen, öffnen Sie die Vivo 2100-Software und verbinden Sie den Laptop mit dem Ultraschallsystem. Stellen Sie sicher, dass das physiologische Überwachungsgerät eingeschaltet ist, um Herzfrequenz und Temperatur zu messen. Initialisieren Sie dann den 3D-Motortisch.
Installieren Sie den Ultraschallwandler und stellen Sie sicher, dass alle richtigen Verbindungen hergestellt sind. Als nächstes wird das Tier, das abgebildet werden soll, mit 3 % Isofluran in einer Knock-down-Kammer anästhesiert. Sobald die Maus betäubt ist, bewegen Sie sie auf die beheizte Bühne und befestigen Sie einen Nasenkonus, um 1-2% Isofluran zu liefern. Tragen Sie eine Augensalbe auf die Augen auf und befestigen Sie die Pfoten an den Tischelektroden, um die Atmung und Herzfrequenz des Tieres zu überwachen. Setzen Sie dann einen rektalen Temperaturfühler ein. Tragen Sie Enthaarungscreme auf, um Haare aus dem interessierenden Bereich zu entfernen, und tragen Sie dann eine großzügige Menge warmes Ultraschallgel auf den enthaarten Bereich auf.
Um die Bildaufnahme zu starten, öffnen Sie zunächst das Imaging-Fenster und wählen Sie den B-Modus. Senken Sie dann den Schallkopf auf das Tier ab und verwenden Sie die Knöpfe auf der x- und y-Achse auf dem Tisch, um den gewünschten Bereich zu lokalisieren. Überwachen Sie die Atemfrequenz, um sicherzustellen, dass sie nicht wesentlich abnimmt. Positionieren Sie den Schallkopf in der Mitte des interessierenden Bereichs. Ermitteln Sie dann ungefähr die Entfernung, die erforderlich ist, um den gesamten Interessenbereich abzudecken.
Geben Sie diese Abmessungen in den MATLAB-Code ein und wählen Sie eine Schrittweite von 0,08 Millimetern. Stellen Sie sicher, dass die Herz- und Atemfrequenz des Tieres stabil ist, und führen Sie dann den MATLAB-Code aus.
Exportieren Sie die Daten nach der Bildaufnahme als XML-Rohdateien und konvertieren Sie sie in MAT-Dateien. Stellen Sie sicher, dass Sie die Anzahl der Frames, die Schrittgröße und die Ausgabeauflösung eingeben. Führen Sie dann ein erneutes Abtasten der Matrix in der Through-Plane durch.
Importieren Sie die neue MAT-Datei in den 3D-Dehnungsanalysecode. Es kann erforderlich sein, die Datei neu zu skalieren, um die Rechenzeit zu verkürzen. Geben Sie dann den zu analysierenden Bereich ein. Ungefähren Sie die Anzahl der Pixel in einem zweidimensionalen Ausschnitt des verfolgten Features, und wählen Sie die Mesh-Vorlage entweder als einfaches Feld oder als manuell ausgewählte Polygone aus. Wählen Sie die optimale Pixelzahl für die Maschenweite. Berechnen Sie die Jacobi-Werte und die Gradienten. Wiederholen Sie den Vorgang für jede Region. Wenden Sie dann die Warping-Funktion an.
Bestimmen Sie anschließend mit kartesischen Verformungen, die aus DDE berechnet werden, die Eigenwerte und Eigenvektoren der Verformung. Wählen Sie dann die Schichten aus, für die Sie Dehnungswerte plotten möchten, indem Sie durch die Ansichten "Längsachse", "Sortierachse" und "Koronalachse" scrollen.
Drücken Sie Verteiler für Analyse auswählen. Verwenden Sie dann den Cursor, um Markierungen entlang der Aortenwand zu platzieren, einschließlich des Thrombus, des Aneurysmas und der gesunden Teile der Aorta. Wiederholen Sie diesen Vorgang für alle Ansichten. Verwenden Sie abschließend die Farbzuordnung, um die Ergebnisse des Dehnungsfelds über den interessierenden Bereich darzustellen.
Schauen wir uns das Beispiel eines Angiotensin-II-induzierten suprarenalen Präparieraneurysmas des abdominalen Aortenaneurysmas genauer an, das von einer Maus gewonnen wurde. Zunächst werden mehrere EKG-gesteuerte Visualisierungsschleifen mit kurzer Achse in einer bestimmten Schrittweite entlang der Aorta erhalten und zu 4D-Daten kombiniert.
Nach der Durchführung einer 3D-Dehnungsberechnung mit einer optimierten Warping-Funktion wird das 3D-Schichtvisualisierungsdiagramm der infrarenalen Aorta erhalten. Die Farbkarte des grünen Hauptstamms wird überlagert, um Regionen mit heterogener Aortenwanddehnung hervorzuheben. Darüber hinaus zeigen Ansichten der langen und kurzen Achse heterogene räumliche Variationen der Dehnung, insbesondere wenn ein Thrombus vorhanden ist.
Entsprechende Dehnungsdiagramme zeigen höhere Dehnungswerte in gesunden Regionen der Aorta auf der langen Achse, während die aneurysmatische Region eine verringerte Dehnung in der kurzen Achse zeigt.
Die genaue quantitative Dehnungsvisualisierung mittels direkter Verformungsschätzung ist ein nützliches Werkzeug, das in verschiedenen biomedizinischen Anwendungen eingesetzt wird.
So kann beispielsweise die Belastung des Herzens quantifiziert werden. Während des Herzzyklus erfährt das Myokard eine 3D-Verformung. Die Quantifizierung der Dehnung in drei Dimensionen ist ein wesentlicher Bestandteil der zuverlässigen Charakterisierung der Dynamik dieses Gewebes im Laufe der Zeit. Dies ist nützlich, um das Fortschreiten der Krankheit in Tiermodellen zu verfolgen.
Eine weitere Anwendung liegt in der Charakterisierung von Darmgewebe. Die In-vivo-Bildgebung des Darms ist aufgrund der Auswirkungen der umgebenden Strukturen eine Herausforderung. Die Berechnung der Belastung aus Bildern der Darmfibrose könnte jedoch besonders nützlich sein, um problematische Bereiche, die einen chirurgischen Eingriff erfordern, frühzeitig zu erkennen.
In einem viel kleineren Maßstab wird diese DDE-Methode auch auf zellulärer Ebene angewendet, indem bildgebende Verfahren mit höherer Auflösung, wie z. B. die konfokale Mikroskopie, verwendet werden. Es dient z.B. bei der Charakterisierung der extrazellulären Matrix, um zu verstehen, wie Zellen unter mechanischen Veränderungen kommunizieren.
Sie haben gerade die Einführung von JoVE in die quantitative Dehnungsvisualisierung gesehen. Sie sollten jetzt verstehen, wie man dreidimensionale Dehnungen in biologischen Geweben misst und wie dies bei der Früherkennung von Krankheiten eingesetzt wird. Danke fürs Zuschauen!
Related Videos
Biomedical Engineering
37.1K Aufrufe
Biomedical Engineering
25.2K Aufrufe
Biomedical Engineering
9.8K Aufrufe
Biomedical Engineering
15.1K Aufrufe
Biomedical Engineering
4.8K Aufrufe
Biomedical Engineering
6.0K Aufrufe
Biomedical Engineering
15.4K Aufrufe
Biomedical Engineering
12.3K Aufrufe
Biomedical Engineering
8.6K Aufrufe
Biomedical Engineering
12.5K Aufrufe
Biomedical Engineering
110.6K Aufrufe
Biomedical Engineering
8.0K Aufrufe
Biomedical Engineering
8.5K Aufrufe
Biomedical Engineering
8.6K Aufrufe
Biomedical Engineering
11.5K Aufrufe