방법 논문

3 차원 조직학 볼륨 및 마우스 유방 땀샘을 연구에의 응용의 재구성

14.1K 조회수

⸱

DOI:

10.3791/51325

⸱

2014년 7월 26일

 ,  ,  ,  ,  ,  ,  , 
1Department of Medical Biophysics, University of Toronto, 2Platform Biological Sciences, Sunnybrook Research Institute, 3Department of Laboratory Medicine and Pathobiology, University of Toronto, 4Physical Sciences, Sunnybrook Research Institute, 5Department of Pathology and Laboratory Medicine, Medical University of South Carolina, 6Manitoba Institute of Cell Biology, University of Manitoba

이 논문에서

요약

우리는 세포로 구성된 거시 구조 수준에서 기관의 변화에 대한 연구를 용이하게하는 3 차원 (3D) 조직학 볼륨 재구성을위한 이미지 등록 접근 방식을 제시합니다. 이 접근법을 사용하여 야생형과 Igfbp7-null 유선의 3차원 변화를 연구했습니다.

초록

조직학 볼륨 재구성 된 3D 형상 및 셀 이루어진 macrostructures의 수준에서 장기의 부피 변화의 연구를 용이하게한다. 또한 부피 의료 영상 및 치료에 새로운 기술과 알고리즘을 조사하고 유효성을 검사 할 수 있습니다. 다른 장기 1,2,3의 3D 고해상도지도 책 만들기 조직학 볼륨 재건의 또 다른 응용 프로그램입니다. 이 조직 구조 및 다양한 세포 기능 간의 공간 관계를 조사하기위한 자원을 제공한다. 우리는 광 blockface 이미지 세트를 사용 조직학 대량 재건을위한 이미지 등록 방식을 제시한다. 재구성 된 조직학 볼륨없이 전파되는 후 처리 등록 오류로 처리 된 시편의 신뢰할 수있는 모양을 나타냅니다. 두 개의 마우스 유방 땀샘의 hematoxylin 및 eosin (H & E) 염색 부분은 ED에서 추출 된 경계 지점을 사용하여 해당 blockface 이미지에 등록 된조직학 및 blockface 이미지에서 시편의 GES. 등록의 정확성은 육안으로 평가 하였다. 유 방 땀 샘의 macrostructures의 정렬은 시각적으로 높은 해상도로 평가되었다.

이 연구는 유선의 절제에서 3D 조직학 볼륨 재구성을 통해 이르기까지,이 이미지 등록 파이프 라인의 여러 단계를 묘사한다. 2D 조직학 이미지 섹션 쌍 간의 구조적 차이점을 계시하면서, 3 차원 조직학 부피는 모양과 젖샘의 체적의 차이를 시각화 할 수있는 능력을 제공한다.

서론

IGFBP7 (단백질 7 바인딩 성장 인자와 같은 인슐린)는 IGF-결합 단백질 가족의 일원이며, IGF1 수용체 4를 결합하기 위해 표시되었습니다. 이종 이식 종양 모델에서 IGFBP7의 재 도입이 크게 세포 사멸과 세포 노화 (7)의 유도를 통해 6 성장 종양을 억제하면서 IGFBP7의 하향 조정은, 유방암 5의 나쁜 예후와 상관 관계가있는 것으로 알려져있다. IGFPB7의 효과를 연구하기 위해, IGFBP7 null이 마우스는 5 (게시되지 않은 데이터)를 만들었습니다. 이 마우스가 종양을 개발하지 않는 동안, 난소, 근육과 간 조직 학적 변화뿐만 아니라 유선 발달 패턴 (게시되지 않은 데이터)의 결함을 보여줍니다. 널 마우스는 작은 쓰레기 크기가 여러 큰 새끼 (게시되지 않은 데이터)를 유지 할 수없는 등 결함이 표현형을 먼저 표시했다.

3D 조직학 볼륨 유용 INFORMAT을 제공하는 잠재력을 가지고부피 의료 영상의 병리 소견의 양적 비교 분석과 평가를 위해 이온. 입체 촛점, 이광자 현미경 지역 범위 (14)에서 동맥의 고해상도 세포 형태 학적 정보를 제공 할 수 있지만, 볼과 깊이의 제한된 필드를 갖는다. 조직학 볼륨 재구성이 훨씬 더 큰 공간 범위를 통해 자세한 정보를 제공합니다. 약간의 왜곡이 같은 수축, 팽창, 눈물, 그리고 주름 등의 조직 학적 섹션의 준비 기간 동안 예상되는 전통적인 접근 방법을 사용. 이러한 왜곡은 어려운 3D 볼륨을 재구성하는 3 차원 스택으로 직렬 조직학 이미지를 등록 할 수 있습니다. 결함 연속 섹션 수를 그대로 섹션 사이의 유사성을 증가함에 따라 감소하고 결과적 등록 프로세스는 더욱 복잡하게된다.

다른 방법은 조직 학적 섹션을 등록하고 연속 조직학 VO를 생성하는 것이 제안되어있다륨. 일부 기술은 강도의 변화 (8)에 따라, 그리고 다른 사람은 섹션 9의 모양을 기반으로합니다. 일부 시편 해부 구조는 랜드 기반 등록 방법 12,13와 함께 마크 (10, 11)로서 사용될 수있다. 그러나 이러한 내부 구조는 전체 볼륨에 걸쳐 더 신뢰할 수있는 해부학 적 구조를 식별 할 수있는 표본에 대해 감지하지 않을 수 있습니다. 일부 그룹은 짝 등록 방법을 사용하고 연속 조직학 이미지보기 윤곽 또는 해부학 적 구조를 16 ~ 18을 사용하여 다른 하나를 등록했습니다. 참조 이미지의 사용없이 서로 직렬 조직학 섹션 등록은 레지스트레이션 오차를 전파하고 조직학 볼륨의 실제 형상을 변경할 수있다. 쌍대 등록 방법은 이미지의 스택에 걸쳐 조직학 섹션 및 내부 구조물의 형상의 일관성에 의존한다; 그 때문에, 시료의 치밀 샘플링을 요구하는임상 검체에 대한 예를 들어, 수도 항상 가능한 것은 아니다.

이 파이프 라인에서 우리는 조직 학적 볼륨 재구성 19 참조 이미지의 집합으로 blockface 이미지를 사용합니다. Blockface 이미지는 마이크로톰에 장착 한 후 파라핀 조직 블록으로 촬영되며 각 섹션은 절단하기 전에. 따라서, 각각의 시리얼 섹션 컷 손상 시리얼 섹션 8,11,15의 등록을 방해하지 않습니다. 우리는 다른 그룹에서 다른 방식 blockface 이미지를 캡처. 광학 블록 얼​​굴 이미지는 광학 정기적으로 렌즈를 사용할 때 일반적으로 발생 배럴 및 관점 왜곡을 제거하거나 최소화하기 위해 텔레 센 트릭 렌즈에 의해 얻을 수있다. 이 레귤러 렌즈를 사용 blockface 촬상을 수행 게시 된 다른 방법을 통해 제안 된 방법의 장점 중 하나이다. 이미지는 담배 마는 간의 콘트라스트 개선을위한 블록의 표면의 반사를 사용하여 약간 비스듬한 각도에서 찍은UE와 파라핀 표면과 파라핀 표면 아래 깊이에서 조직의 그림자를 제거하는 방법. 사진 필터는 블록 표면 및 콘트라스트 19 균형 조직으로부터 나오는 광을 편광하기 위해 사용된다. 회전하는 마이크로톰에 블록의 변위를 교정하려면 2-3 구멍 blockface 이미지를 쉽게 감지 할 수있는 블록의 모서리에 드릴 수 있습니다. 이 구멍의 무게 중심은 blockface 이미지를 정렬하는 랜드 마크 기반의 엄격한 등록과 함께 사용된다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

1. 표본

  1. 사흘 수유의 발병을 게시 야생형 CDH1에서 수술 유방 동맥뿐만 아니라 IGFBP7 널 마우스를 절제.
  2. 기본 유선 형태를 회복하는 데 도움이 유리 슬라이드에 분비를 확산.

2. 고정 및 조직 처리

  1. 4 O C.에서 중립 버퍼 4 % PFA O / N에있는 유방 동맥 수정
  2. 이전 조직 처리에 70 % 에탄올에 분비를 저장합니다.
  3. 작은 조직 처리 카세트에 분비를 전송합니다.
  4. 자동 조직 프로세서를 사용하여 조직을 처리
    1. 45 분 자일 렌의 1 시간과 2 시간 동안 100 % 에탄올, 45 분 동안 95 %의 에탄올에 45 분, 2 회 3 회 70 % 에탄올 에탄올, 자일 렌 화장실을 증가하는 조직을 탈수.
    2. 인가 압력이 진공에서 1 시간마다 파라핀 3 회에 조직을 침투.
  5. 블록을 형성하기 위해 파라핀의 조직을 포함, 절편.

3. 조직학 및 Blockface 영상

  1. 과량의 파라핀이 제거 될 때까지 회전 마이크로톰을 사용하여 파라핀 블록을 트림.
  2. 카세트에 수직 파라핀 블록의 적어도 두 모서리 1 ㎜의 구멍을 드릴 수직 밀링 기계를 사용한다.
  3. 회전하는 마이크로톰의 조직 블록을 설치합니다.
  4. 마이크로톰 앞에 blockface 이미징 시스템 (19)을 설정합니다.
  5. 이전 절편을 광학 blockface 이미지를 캡처합니다.
  6. 마이크로톰에 5 μm의 두께로 네 부분의 리본을 잘라.
    1. 차가운 물을 욕조에 리본을 전송합니다.
    2. 리본의 제 2 및 제 4 섹션을 분리하고 현미경 슬라이드에 그들을 마운트합니다. 제 2 및 제 4 섹션을 선택하면 부분 사이에 5 μm의 간격을 제공합니다.
    3. 는 현미경 슬라이드에 다시 장착 한 후, 그것을 unwrinkle에 따뜻한 물을 욕조 (48 오 C)의 각 섹션을 확장합니다.
      참고 : C우팅,, 설치 섹션 같은 눈물, 배, 수축, 팽창 등의 부분에 약간의 왜곡을 일으킬 unwrinkling. 이러한 아티팩트는 조직학 섹션의 등록을 복잡.
    4. 자동 염색기를 사용하여 H & E와 섹션을 얼룩.
    5. 자동 coverslipper를 사용하여 슬라이드를 커버 슬립.
    6. 또한 해상도로 디지털 조직학 슬라이드 스캐너를 사용하여 슬라이드를 디지털화. 이 프로토콜에 대한 배율은 20 배이며, 해상도는 0.47 μm의 수 있습니다.
    7. blockface 이미지, 18 μm의 해상도에 조직학 이미지를 다운 샘플링.

4. 이미지 등록

  1. 이미지 분할 포인트 선택
    1. blockface의 이미지는 등록 구멍의 화소 값을 측정하고 세그먼트 파라핀 블록의 모서리에있는 등록의 홀에 고정 된 임계 값으로서 평균값을 사용한다.
    2. 몇 가지 추가 부품도에 의해 분할 될 수 있기 때문에고정 된 임계 값을 사용하여, 원형도 및 정공을 찾아 여분 오브젝트를 폐기 세그먼트 객체의 영역을 사용한다. 이렇게 작은 코드를 작성하고 분할 된 개체에 대한 (4π X 면적) / (주변) 2의 비율을 찾을 수 있습니다. 둥근 물체에 대한이 비율은 1입니다.
    3. 각 유선 들어, 참조로 한 blockface 콘텐츠를 선택하고 등록 구멍 및 경계표 기반 등록 기술의 중심을 이용하여 기준에 blockface 이미지의 나머지를 정렬.
    4. 정렬 blockface의 이미지에 대해서는, 수동 세그먼트 또는 배경에서 조직을 추출합니다. 프로토콜의 나머지 부분에 대한 마스크의 대부분 상당한 크기의 개체를 사용합니다.
    5. H & E에 대한 부분은 자동 분할 아래의 단계를 따릅니다.
      1. 배경에서 세그먼트 이미지에 오쓰 임계 기술 (20)를 사용하고 조직학 이미지의 바이너리 마스크를 만들 수 있습니다.
      2. 식별 및 시간을 사용하여 각 마스크에 가장 상당한 개체를 선택표시된 개체의 istogram.
      3. 조직학 및 blockface 마스크 모두에서 폭이 1 픽셀 경계 지점의 압축을 풉니 다.
      4. 조각 별 선형의 시퀀스에 의해 경계 지점을 나타내는, 사슬 코드 알고리즘 (21)을 사용하여 적합하다.
  2. 초기 강성 등록
    1. 초기 강성은 조직학의 경계 지점 및 해당 blockface 이미지 사이의 변환을 찾기 위해, 푸리에 기술자에게 알고리즘 (22)를 사용합니다. 이 초기 변환은 변환, 회전 및 배율 요소가 포함되어 있습니다.
    2. 초기는 이전 단계에서 수득되는 변환 각각 조직학 콘텐츠 변환.
  3. 엄밀한 등록 제련
    1. 롤링 볼 필터 (23)를 사용하여 조직 학적 윤곽에서 곡률의 가장자리 부분을 제거합니다.
    2. 무작위로 균일 한 분포를 사용하여 나머지 조직 학적 경계 지점에서 500 포인트를 선택합니다.
    3. 변환푸리에 설명에서 얻은 초기 변화와 조직 학적 임의의 경계 지점.
    4. blockface 경계 지점의 전체 집합을 선택하고 blockface 경계 지점, 대상 및 조직학 임의의 경계 지점의 강성 변화를 찾기 위해 반복 가장 가까운 포인트 (ICP) 알고리즘 (24)를 사용합니다.
    5. 정렬 조직학 이전 단계에서 얻은 이미지와 정렬 조직학 이미지의 스택 조직학 볼륨을 생성하고 변환 할 수 있습니다.
    6. 조직학 볼륨의 시각적 이미지를 만드는 3D 시각화 소프트웨어를 사용합니다.
  4. 배의 배율로 이미지의 스택보기
    1. 배율 5 배 원래 조직학 이미지를 다운 샘플링.
    2. 조직학 이미지 중 하나에 관심 영역을 자릅니다.
    3. 등록이 단계에서 강성 변환의 조합을 사용하여 다른 5X 조직학 이미지에 해당 영역의 위치를​​ 계산한다.
    4. REGI 자르기다른 모든 조직 학적 이미지에 같은 크기의 영역으로 그 기능.
    5. 마지막으로 수동으로 영역 사이의 정렬을 구체화합니다. 두 개의 이미지를 오버레이 및 회전과 다른 하나 이상의 이미지 중 하나의 번역에 대한 값을 선택할 수 있도록 한 다음 정렬이 허용됩니다 변환 된 이미지를 저장하는 프로그램을 작성하라.
    6. 3D 시각화 소프트웨어를 사용하여 정렬 배 조직학 영역의 스택을 볼 수 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

전통적인 기법 현미경 함정 미세한 수준에서 기관의 이해는 한번에 하나의 시야에 한정된다는 점이다. 심지어 전체 슬라이드 섹션을 제공 "전체 개시"슬라이드, 입체 정보를 제공하지 못한다. 전체 슬라이드, 동적 인 스캐닝 기술, 전체가 부분을 볼 수있는 우리의 능력이 증가의 발전 그러나 구조를 추정하는 것은 3D 조직학 볼륨 재구성이 필요합니다.

더 IGFBP7 널 마우스의 결핍을 특징, 유 방 땀 샘의 3D 재구성이 비유의 3 일 포스트 개시를 절제 땀샘에서 수행 하였다. 그림 1은 3 차원의 조직 학적 재구성을위한 제안 된 기법의 파이프 라인을 보여줍니다. blockface 이미지가 제 파라핀 블록의 모서리에있는 구멍으로 정렬된다. 2A-B는 야생형 및 IGFBP7 널 mamm의 blockface 볼륨을 보여준다진 샘이었다. 조직학 이미지는 다음 조직학 볼륨을 복구하기...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 연구에서, 우리는 조직을 왜곡 할 수있는 조직 내에서 내부 무작위로 선택된 랜드 마크 또는 이식 기준 마커를 필요로하지 않는 직렬 2D 조직학 이미지에서 3D 조직학 볼륨을 재구성하기 이미지 등록 워크 플로우를 개발했습니다. 기재된 방법에 의해, 광 blockface 이미지 자체는 종래 구획에 참조 화상으로서 사용된다. 우리는 blockface 이미지 정렬을 돕기 위해 및 카메라 앞에서 파라핀 블록의 2 차원 횡 이동을 정정하기 파라핀 블록에서 드릴 된 외부 구멍을 사용한다. 불완전한 직렬 섹션 블록에서 발생할 때에도 차원 조직학 이미지는, 레지스트레이션 오차의 전파를 방지하고 정확한 조직학 볼륨을 재구성 대응 blockface 2D 이미지로 정렬된다. 조직의 종류와 조직학 얼룩의 플로 독립적 만들기 위하여는, 경계점은 등록을 수행하는 데 사용된다. 이 점베이스D의 접근 방식은 매우 큰 디지털 병리 이미지에 대처하기 위해 더 적은 계산을 요구하기 때문에 더 할 수 있는지 (강도 기반의 접근 방식을 통해) 장점이 있습니다. ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 공개할 것이 없습니다

감사의 글

저자는 조직학 서비스에 대해 Sunnybrook Research Institute의 Biomarker Imaging Research Laboratory(BIRL)에 감사를 표합니다. 이 작업에 대한 지원은 Terry Fox Foundation, Canadian Breast Cancer Foundation-the Prairie-NWT 및 CIHR 보조금 #MOP-97996에서 제공했습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
16% PFAVWR International1571016% 파라포름알데히드 용액
소형 조직 처리 카세트VWR InternationalCA95029-956
Leica ASP300 자동 조직 처리기Leica14047643515
100% 에탄올Fisher ScientificS25307B
XyleneVWR International CA95057-822
파라핀 Thermo Fisher39501006Paraplast 조직 임베딩 매체
Leica EG 1160 임베딩 센터Leica
Leica 로터리 마이크로톰Leica
밀링 머신Argo
현미경 슬라이드VWR International CA48312-015
H& E stainVWR International
자동 염색기
커버슬립 VWR 국제공항 48404-452
MEDITE RCM 7000 유리 커버슬리퍼MEDITE
Leica SCN400 슬라이드 스캐너Leica
MATLABMathWorks IncMATLAB 2007b개발 소프트웨어
MeVisLabMeVis Medical Solutions AGMeVisLab 2.13D 시각화 소프트웨어

참고문헌

  1. Sunkin, S. M., et al. Brain Atlas: An integrated spatiotemporal port for exploring the central nervous system. Nucleic Acids Research. 41, 996-1008 (2012).
  2. Shen, E. H., Overly, C. C., Jones, A. R. The Allen Human Brain Atlas: Comprehensive gene expression mapping of the human brain. Trends in Neurosciences. 35 (12), 711-714 (2012).
  3. Trifunović, D., Karali, M., Camposampiero, D., Ponzin, D., Banfi, S., Marigo, V. A high-resolution RNA expression atlas of retinitis pigmentosa genes in human and mouse retinas. Invest. Ophthalmol. Vis. Sci. 49 (6), 2330-2336 (2008).
  4. Evdokimova, V., et al. IGFBP7 binds to the IGF-1 receptor and blocks its activation by insulin-like growth factors. Science Signaling. 5 (255), 92(2012).
  5. Burger, A., Leyland-Jones, B., Banerjee, K., Spyropoulos, D., Seth, A. Essential roles for IGFBP-3 and IGFBP-rP1 in breast cancer. European J. Cancer. 41 (11), 1515-1527 (2005).
  6. Amemiya, Y., et al. Insulin like growth factor binding protein-7 reduces growth of human breast cancer cells and xenografted tumors. Breast Cancer Res Treat. 126 (2), 373-384 (2011).
  7. Benatar, T., et al. IGFBP7 reduces breast tumor growth by induction of senescence and apoptosis pathways. Breast Cancer Res Treat. 133 (2), 563-573 (2012).
  8. Bardinet, E., et al. Co-registration of histological, optical and MR data of the human brain. Medical Image Computing and Computer-Assisted Intervention-Part I. , Springer-Verlag. London, UK. 548-555 (2002).
  9. Jacobs, M. A., Windham, J. P., Soltanian-Zadeh, H., Peck, D. J., Knight, R. A. Registration and warping of magnetic resonance images to histological sections. Medical Physics. 26 (8), 1568-1578 (1999).
  10. Zhan, Y., Ou, Y., Feldman, M., Tomaszeweski, J., Davatzikos, C., Shen, D. Registering histologic and MR images of prostate for image-based cancer detection. Academic radiology. 14 (11), 1367-1381 (2007).
  11. Dauguet, J., et al. Three-dimensional reconstruction of stained histological slices and 3D non-linear registration with in vivo MRI for whole baboon brain. Journal of Neuroscience Methods. 164 (1), 191-204 (2007).
  12. Lazebnik, R. S., Lancaster, T. L., Breen, M. S., Lewin, J. S., Wilson, D. L. Volume registration using needle paths and point landmarks for evaluation of interventional MRI treatments. IEEE Transactions on Medical Imaging. 22 (5), 653-660 (2003).
  13. Breen, M. S., Lazebnik, R. S., Wilson, D. L. Three-dimensional registration of magnetic resonance image data to histological sections with model-based evaluation. Annals of Biomedical Engineering. 33 (8), 1100-1112 (2005).
  14. Mori, H., Borowsky, A. D., Bhat, R., Ghajar, C. M., Seiki, M., Bissell, M. J. The American Journal of Pathology. 180 (6), 2249-2256 (2012).
  15. Gibb, M., et al. Resolving the three-dimensional histology of the heart. Computational Methods in Systems Biology. Gilbert, D., Heiner, M. , 2-16 Springer-Verlag. London, UK. 2-16 (2012).
  16. Wu, M. L., et al. Three-dimensional virtual microscopy of colorectal biopsies. Archives of Pathology & Laboratory Medicine. 129 (4), 507-510 (2005).
  17. Arganda-Carreras, I., et al. 3D Reconstruction of histological sections: Application to mammary gland tissue. Microscopy Research and Technique. 73 (11), 1019-1029 (2010).
  18. Song, Y., Treanor, D., Bulpitt, A. J., Magee, D. R. 3D reconstruction of multiple stained histology images. Journal of Pathology Informatics. 4 (2), 7(2013).
  19. Shojaii, R., Karavardanyan, T., Yaffe, M., Martel, A. L. Validation of histology image registration. SPIE Medical Imaging. 7962, 79621E, doi:10.1117/12.878762. 7962 (7962E), (2011).
  20. Ridler, T. W., Calvard, S. Picture thresholding using an iterative selection method. IEEE Transactions on Systems, Man, and Cybernetics. 8 (8), 630-632 (1978).
  21. Freeman, H. Computer processing of line-drawing images. ACM Computing Surveys (CSUR. 6 (1), 57-97 (1974).
  22. Giardina, C. Accuracy of curve approximation by harmonically related vectors with elliptical loci). Computer Graphics and Image Processing. 6 (3), 277-285 (1977).
  23. Shojaii, R., Martel, A. L. A novel edge point selection method for registration of histology images. Optical Tissue Image analysis in Microscopy, Histopathology and Endoscopy. (OPTIMHisE) Workshop, MICCAI. , (2009).
  24. Besl, P., McKay, N. A method for registration of 3-D shapes. IEEE Transactions on Pattern Analysis and Machine Intelligence. 14 (2), 239-256 (1992).
  25. Chatterjee, S., et al. Loss of Igfbp7 causes precocious involution in lactating mouse mammary gland. PLoS ONE. 9 (2), e87858(2013).
  26. Manjunath, B. S., Chellappa, R. Unsupervised texture segmentation using Markov random field models. IEEE Transactions on Pattern Analysis and Machine Intelligence. 13 (5), 478-482 (1991).
  27. Krishnamachari, S., Chellappa, R. Multiresolution Gauss-Markov random field models for texture segmentation. IEEE Transactions on Image Processing: a publication of the IEEE Signal Processing Society. 6 (2), 251-267 (1997).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

3D3D

관련 논문