Wysokoprzepustowa analiza danych mapowania optycznego za pomocą ElectroMap

Christopher O’Shea; Andrew  P. Holmes; Ting  Y. Yu; James Winter; Simon  P. Wells; Beth  A. Parker; Dannie Fobian; Daniel  M. Johnson; Joao Correia; Paulus Kirchhof; Larissa Fabritz; Kashif Rajpoot; Davor Pavlovic

doi:10.3791/59663

Artykuł metodologiczny

Wysokoprzepustowa analiza danych mapowania optycznego za pomocą ElectroMap

11.2K wyświetleń

⸱

DOI:

10.3791/59663

⸱

4 czerwca 2019

Christopher O’Shea¹^,²^,³ , Andrew P. Holmes¹^,⁴ , Ting Y. Yu¹ , James Winter¹ , Simon P. Wells¹ , Beth A. Parker¹ , Dannie Fobian¹ , Daniel M. Johnson¹ , Joao Correia⁵ , Paulus Kirchhof¹ , Larissa Fabritz¹ , Kashif Rajpoot³ , Davor Pavlovic¹

¹Institute of Cardiovascular Sciences, University of Birmingham, ²EPSRC Centre for Doctoral Training in Physical Sciences for Health, School of Chemistry, University of Birmingham, ³School of Computer Science, University of Birmingham, ⁴Institute of Clinical Sciences, University of Birmingham, ⁵Institute of Microbiology and Infection, School of Biosciences, University of Birmingham

W tym artykule

Podsumowanie

Ten protokół opisuje konfigurację i korzystanie z ElectroMap, opartej na MATLAB platformy oprogramowania open source do analizy danych mapowania optycznego serca. ElectroMap zapewnia wszechstronne, wysokowydajne narzędzie do analizy zestawów danych dotyczących napięcia i wapnia w mapowaniu optycznym w szerokim zakresie eksperymentalnych modeli serca.

Streszczenie

Mapowanie optyczne jest uznaną techniką do badania elektrofizjologii serca w preparatach wielokomórkowych w wysokiej rozdzielczości czasowej. W tym miejscu przedstawiamy, w przewodniku krok po kroku, wykorzystanie ElectroMap do analizy, kwantyfikacji i mapowania zestawów danych o wysokiej rozdzielczości napięcia i wapnia uzyskanych za pomocą mapowania optycznego. Opcje analizy ElectroMap obejmują szeroki zakres kluczowych parametrów elektrofizjologicznych, a graficzny interfejs użytkownika umożliwia prostą modyfikację przetwarzania wstępnego i definicji parametrów, dzięki czemu ElectroMap można zastosować w szerokim zakresie modeli eksperymentalnych. Pokazujemy, w jaki sposób wbudowana detekcja częstotliwości stymulacji i segmentacja sygnału umożliwia analizę o wysokiej przepustowości całych nagrań eksperymentalnych, ostrych odpowiedzi i zmienności między uderzeniami. Ponadto ElectroMap zawiera automatyczne uśrednianie wielu uderzeń w celu poprawy jakości sygnału w hałaśliwych zestawach danych, a tutaj pokazujemy, w jaki sposób ta funkcja może pomóc w wyjaśnieniu zmian elektrofizjologicznych, które w przeciwnym razie mogłyby pozostać niewykryte podczas korzystania z analizy pojedynczego uderzenia. W oprogramowaniu znajdują się niestandardowe moduły do szczegółowego badania przewodzenia, analizy pojedynczego pliku i alternanów, jak pokazano tutaj. Ta platforma oprogramowania może być wykorzystana do umożliwienia i przyspieszenia przetwarzania, analizy i mapowania złożonej elektrofizjologii serca.

Wprowadzenie

Mapowanie optyczne wykorzystuje fluorescencyjne reportery napięcia i/lub stężenia wapnia do badania elektrofizjologii serca (EP) i obchodzenia się z wapniem w preparatach wielokomórkowych, z większą rozdzielczością przestrzenną niż możliwe do osiągnięcia przy użyciu tradycyjnych technik¹^,²^,³. W związku z tym mapowanie optyczne stało się ważną i coraz częściej wykorzystywaną techniką, dostarczającą kluczowych informacji na temat fizjologicznych i patofizjologicznych zachowań elektrycznych w sercu³^,⁴^,⁵^,⁶^,⁷^,⁸. Efektywne przetwarzanie i analiza danych uzyskanych z eksperymentów mapowania optycznego jest skomplikowana przez kilka czynników. Wysoka rozdzielczość czasowo-przestrzenna zestawów danych mapowania optycznego powoduje, że surowe pliki wideo składają się z tysięcy klatek obrazu, z których każda składa się z kilku pojedynczych pikseli, co powoduje powstawanie dużych plików danych, które wymagają wysokiej przepustowości i automatycznego przetwarzania⁹. Małe rozmiary pikseli, słabe i nierównomierne ładowanie barwnika oraz małe ułamkowe zmiany fluorescencji powodują, że sygnały optyczne mają niski stosunek sygnału do szumu (SNR), wymagające wstępnego przetwarzania, zanim możliwa będzie skuteczna analiza¹⁰. Przetwarzanie i analiza mogą być dodatkowo skomplikowane przez zastosowanie optogenetycznych protokołów stymulacji, które wykorzystują światło do zainicjowania aktywacji, potencjalnie zniekształcając zarejestrowany sygnał z czujników fluorescencyjnych¹¹^,¹². Ponadto, po przetworzeniu danych, kilka niespójnych technik i definicji może zostać zastosowanych do pomiaru parametrów będących przedmiotem zainteresowania, przy czym najbardziej odpowiednie techniki różnią się w zależności od konfiguracji eksperymentalnej, modelu i pytania²^,¹⁰^,¹³. Ograniczenia te uniemożliwiają dalsze wdrażanie technologii i utrudniają naprawdę obiektywną analizę.

Aby przezwyciężyć te ograniczenia, kilka grup badawczych zaprojektowało niestandardowe potoki przetwarzania dostosowane do ich eksperymentalnego modelu, pytania i sprzętu⁷^,¹⁴^,¹⁵^,¹⁶. Inne wykorzystują komercyjne oprogramowanie własnościowe, w którym dostęp do podstawowych algorytmów może być utrudniony⁴^,¹⁷. W związku z tym istnieje wyraźne zapotrzebowanie na ogólnodostępną platformę oprogramowania typu open source do przetwarzania i analizy danych mapowania optycznego. Ważne jest, aby oprogramowanie to było open-source, łatwe w użyciu, elastyczne w dostosowywaniu parametrów, miało zastosowanie do szeregu modeli eksperymentalnych o różnych właściwościach EP i co najważniejsze, umożliwiało prostą i dostrajalną kwantyfikację zakresu parametrów serca, które można badać za pomocą mapowania optycznego.

Niedawno opublikowaliśmy i wydaliśmy kompleksową platformę oprogramowania, ElectroMap, do zaawansowanego, półautomatycznego przetwarzania, analizy i mapowania zestawów danych do optycznego mapowania serca¹³. W tym miejscu przedstawiamy instrukcję wideo dotyczącą wykorzystania oprogramowania ElectroMap i pokazujemy, w jaki sposób można go wykorzystać do przetwarzania, analizowania i mapowania kilku zestawów danych mapowania optycznego. Koncentrujemy się na wykorzystaniu ElectroMap do ilościowego określania standardowych zmiennych EP i wapnia oraz demonstrujemy zastosowanie autonomicznych modułów prędkości przewodzenia, analizy pojedynczego pliku i alternanów.

Protokół

1. Gromadzenie danych mapowania optycznego

Przeprowadź optyczne mapowanie serca, wykorzystując jeden z szerokiego zakresu modeli eksperymentalnych, w tym nienaruszone i izolowane całe serca⁶^,¹⁸, izolowane przedsionki¹⁴^,¹⁹, kliny komór²⁰, skrawki serca²¹^,² oraz monowarstwy komórkowe²³. Projektów eksperymentalnych służących do gromadzenia surowych danych z mapowania optycznego z tych preparatów można znaleźć w powiązanych referencjach. Pod warunkiem, że uzyskane dane mogą zostać przekonwertowane na stos plików tiff lub zapisane w pliku .MAT, powinny być one analizowalne za pomocą programu ElectroMap. Obejmuje to dane o różnych wymiarach (kwadratowych/prostokątnych) i rozdzielczościach (maksymalna rozdzielczość aktualnie przetestowana to 2048 pixels x 2048 pixels).

2. Instalacja i uruchamianie oprogramowania

UWAGA: Poniżej szczegółowo opisano dwie metody instalacji i uruchamiania programu ElectroMap – albo w środowisku MATLAB z poziomu kodu źródłowego (.m), albo jako samodzielny plik wykonywalny (.exe dla systemu Windows). Ostateczne oprogramowanie oraz jego funkcjonalność są identyczne dla obu opcji konfiguracji (poza kilkoma różnicami w nawigacji po katalogach). Zatem głównymi czynnikami przy wyborze wersji do instalacji są dostęp do MATLAB oraz wymaganych zestawów narzędzi (toolboxes), a także kwestia potrzeby dostępu do kodu źródłowego. W miarę możliwości zaleca się korzystanie z wersji MATLAB, która zapewnia szybszy czas uruchamiania, krótszy czas przetwarzania oraz łatwiejsze zgłaszanie błędów.

Konfiguracja 1: Uruchamianie electromap w programie MATLAB
1. Zainstaluj program MATLAB. ElectroMap został zaprojektowany w wersji MATLAB 2017a, jednak oprogramowanie zostało przetestowane pod kątem użytkowania we wszystkich późniejszych wersjach MATLAB (do 2018b w momencie pisania). Wymagane są następujące toolboxy: Image Processing, Signal Processing, Statistics and Machine Learning oraz Curve Fitting.
2. Pobierz/sklonuj wszystkie pliki z najnowszej wersji „source code” ElectroMap z repozytorium GitHub (https://github.com/CXO531/ElectroMap). Rozpakuj pobraną zawartość w wybranej lokalizacji.
3. Otwórz program MATLAB i przejdź do folderu zawierającego kod źródłowy ElectroMap. Następnie otwórz plik ElectroMap.m i naciśnij run (uruchom) w edytorze lub alternatywnie wpisz ElectroMap w oknie poleceń i naciśnij RETURN. Uruchomi to interfejs użytkownika ElectroMap, Rycina 1A.
Konfiguracja 2: Samodzielny plik .exe
1. Pobierz plik instalacyjny: https://drive.google.com/open?id=1nJyI07w9WIt5zWcit0aEyIbtg31tANxI.
2. Postępuj zgodnie z instrukcjami instalatora, który pobierze z sieci wymagany komponent MATLAB runtime wraz z oprogramowaniem ElectroMap.
3. Uruchom plik ElectroMap.exe.
  UWAGA: Czas uruchamiania wersji samodzielnej może trwać kilka minut.

3. Ładowanie i wstępne przetwarzanie obrazów

Naciśnij Wybierz folder następnie przejdź do lokalizacji plików danych przeznaczonych do analizy. Spowoduje to wypełnienie listy po lewej stronie wszystkimi plikami w tym katalogu, które mają odpowiedni typ rozszerzenia (.tif lub .MAT). Pliki .MAT muszą zawierać wyłącznie zmienną stosu obrazów (image stack variable).
UWAGA: Podczas nawigacji po selektorze katalogów będą widoczne wyłącznie foldery, a nie poszczególne pliki.
Wybierz plik do załadowania w interfejsie, a następnie naciśnij Wczytaj obrazy.
1. Po załadowaniu pojawi się pierwsza klatka, a czerwona obwódka wskaże automatyczne progowanie obrazu. W razie potrzeby należy ponownie załadować wcześniej użyte ROI, wybierając Zapisywanie/wczytywanie ROIW takim przypadku należy pominąć krok 3.3.
2. Domyślnie progowanie opiera się na intensywności pikseli w pierwszej klatce. W razie potrzeby można zmienić to ustawienie na progowanie oparte na amplitudzie przebiegu czasowego sygnału, zmieniając opcję w Obraz do wyznaczenia progu menu rozwijane. Należy pamiętać, że po wybraniu progu zostanie on zastosowany do całego stosu obrazów.
W razie potrzeby zmień opcję progu na podręcznik, co aktywuje suwak do ręcznego dostosowania progu obrazu. Dodatkowo przytnij obrazy (Kadrowanie obrazu) i/lub narysować niestandardowy obszar zainteresowania (Niestandardowy obszar zainteresowania (ROI)) do analizy, zaznaczając odpowiednie pole (pola) wyboru poniżej opcji progu. Należy zauważyć, że zaawansowane opcje wyboru obszaru zainteresowania, takie jak liczba obszarów, są dostępne w Wybór ROI z górnego menu.
Po zastosowaniu odpowiedniego progu należy nacisnąć Przetwarzanie obrazów w celu zastosowania przetwarzania. Ustawienia przetwarzania szczegółowo opisano poniżej (kroki 3.4.1-3.4.5). Na tym etapie należy upewnić się, że wprowadzono poprawne ustawienia kamery. Są to: Wielkość piksela Wewnątrz µm (WAŻNE: chodzi o rozmiar piksela obrazu, a nie o rozmiar pikseli tworzących układ scalony lub odpowiedni element sprzętowy w urządzeniu obrazującym) oraz Częstotliwość odświeżania klatek w kHz.
1. Aby odwrócić sygnał, zaznacz pole Odwrócenie danych pole wyboru w celu aktywacji. Jeśli zgłaszany sygnał fluorescencyjny jest odwrotnie proporcjonalny do parametru zainteresowania (jak w przypadku powszechnie stosowanych barwników potencjometrycznych), sygnał można odwrócić.
2. Do filtrowania przestrzennego należy wybrać Gaussa lub Średnia z menu jądra (kernel). Rozmiar obszaru uśrednionego przestrzennie jest kontrolowany przez Rozmiar wejście sąsiadujące z Jądro menu rozwijane (np. 3 wyniki w jądrze filtra o rozmiarze 3 na 3 piksele). Przy stosowaniu filtra Gaussa można również ustawić odchylenie standardowe z poziomu Sigma Proszę podać tekst źródłowy do przetłumaczenia.
3. Do korekcji linii bazowej wybierz metodę Top-hat.²⁴ lub wielomian (4^th lub 1^th korekcja (stopnia)²⁵ z Poziom wyjściowy menu. Korekcję można zastosować do każdego piksela z osobna (długi czas przetwarzania) lub jako średnią dla całego obrazu (szybsze rozwiązanie, ale zakłada jednorodne zmiany linii bazowej). Korekcję top-hat można również zmodyfikować, ustawiając Długość Top-Hat w milisekundach, obok rozwijanego menu wyboru linii bazowej. Długość jądra Top-Hat powinna być większa niż skala czasowa poszczególnych potencjałów czynnościowych/przejść wapniowych.
4. W celu filtrowania czasowego należy wybrać filtrowanie Savitzky-Golay lub filtr o nieskończonej odpowiedzi impulsowej (IIR) z Filtrowanie menu
  UWAGA: Poza sygnałem uśrednionym dla tkanki, widocznym w lewym dolnym rogu, filtrowanie czasowe jest stosowane do każdego piksela z osobna w momencie kwantyfikacji parametrów z zakresów obrazów uśrednionych z ansambla. Rozwiązanie to zostało wprowadzone w celu skrócenia czasu przetwarzania poprzez filtrowanie jedynie niewielkich sekcji danych w razie potrzeby, zamiast całych plików.
5. W przypadku usuwania ram należy pamiętać, że jeśli Usuwanie ramek po wybraniu tej opcji z zestawu obrazów można usunąć duże piki o amplitudzie przekraczającej sygnał będący przedmiotem zainteresowania. Może to być przydatne w przypadku zestawów danych z rozrusznikiem optycznym, takich jak stymulacja optogenetyczna, w której depolaryzacja jest inicjowana przez optyczną aktywację opsyn, np. kanalرودopsyny 2¹¹^,¹².
  UWAGA: Ponieważ usuwanie klatek może wprowadzić niefizjologiczne skokowe zmiany w sygnałach obrazu, filtrowanie czasowe może wprowadzić artefakty do danych, w związku z czym nie jest ono tutaj zalecane.
Należy pamiętać, że sygnał zostanie poddany jednokrotnej segmentacji Przetwarzanie obrazów zostało wybrane zgodnie z opcjami poniżej Opcje segmentacjimożna jednak szybko to zmienić bez konieczności ponownego przetwarzania całego zbioru danych (patrz sekcja 4).

4. Segmentacja danych i uśrednianie zespołowe

UWAGA: Po przetworzeniu pliku piki w uśrednionym sygnale tkankowym (ślad w prawym dolnym rogu, Rycina 1A) zostaną wykryte i oznaczone czerwonymi okręgami. Liczone są tylko piki powyżej ustalonego progu (niebieska linia na śladzie ustawiona za pomocą parametru Peak Threshold). Dodatkowo piki są liczone tylko wtedy, gdy są one wystarczająco opóźnione w stosunku do poprzednich pików, co definiuje parametr Min Peak Distance. Następnie sygnał jest segmentowany na podstawie wykrytych pików. Najpierw obliczana jest efektywna długość cyklu (CL) każdego pika poprzez pomiar czasu między nim a następnym pikiem. Jeśli określona liczba pików (ustalona przez parametr Min Number of Peaks) posiada podobne CL (próg dla których jest ustawiany przez parametr Minimum Boundary), są one grupowane, a następnie obliczana jest średnia wartość CL dla tych pików.

Aby dokonać dalszej segmentacji danych, naciśnij Segment Signal. Opcje podsegmentacji to: None – wszystkie piki z tym samym CL są grupowane razem; All – identyfikowane są segmenty n_peaks w obrębie stałych czasów CL (n_peaks jest ustawiane w polu Segment size); Last – identyfikowane i grupowane są ostatnie n_peaks przed zmianą CL, a pozostałe nie są analizowane; oraz Single Beat – odpowiada to zastosowaniu segmentacji All przy n_peaks = 1, zatem nie stosuje się grupowania ani uśredniania zespołowego (patrz pkt 4.5). Można to zrobić, wybierając przycisk Single Beat.
1. Zastosuj niestandardową segmentację sygnału, przybliżając interesujący zakres czasu i wybierając Segment Signal. Spowoduje to dodanie do listy sekcji dodatkowej opcji o nazwie Zoomed Section, odpowiadającej wybranym punktom czasowym.
Wyniki segmentacji pojawią się w polu listy obok sygnału uśrednionego dla tkanki i będą zawierać numer sekcji oraz szacowany CL. Wszystkie segmentowane sekcje czasowe są oznaczone różnymi kolorami. Wybierz segment z listy, aby podświetlić tę sekcję na czerwono. Spowoduje to również automatyczne uruchomienie analizy tej sekcji, tak jakby wybrano przycisk Produce Maps (patrz sekcja 5).
Analizy zgrupowanych pików zostaną przeprowadzone na danych „uśrednionych zespołowo”. Polega to na uśrednianiu pików w ramach jednego segmentu, gdzie czasami referencyjnymi są piki zidentyfikowane w kroku 4.2. Zaktualizuj okno czasowe uśredniania, modyfikując pola before oraz after i naciskając Segment Signal.

5. Analiza czasu trwania potencjału czynnościowego/przejściowego stężenia wapnia oraz prędkości przewodzenia

Po przetworzeniu obrazów, Tworzenie map przycisk stanie się aktywny. Naciśnij Tworzenie map w celu zastosowania analizy czasu trwania potencjału czynnościowego (APD), czasu aktywacji, prędkości przewodzenia oraz stosunku sygnału do szumu (SNR). Domyślnie analiza zostanie zastosowana do pierwszego segmentu sygnału. Wybranie innych segmentów z listy rozwijanej spowoduje przeprowadzenie analizy dla wybranego segmentu.
UWAGA: Wyniki analizy są przedstawione w tabeli wyników i obejmują średnią, odchylenie standardowe, błąd standardowy, wariancję oraz analizę percentyli od 5. do 95. Mapy czasu trwania określane są jako mapy „APD”, jednak sygnały wapniowe przetworzone przy użyciu tych samych ustawień będą służyć do pomiaru czasu trwania przejściowego wzrostu stężenia wapnia.
Wybierz Pobieranie informacji o pikselach aby uzyskać szczegółowy podgląd sygnału z dowolnego piksela w obrębie obrazu oraz Porównanie pikseli do jednoczesnego wykreślania sygnałów z maksymalnie 6 lokalizacji.
1. Użyj Przetwarzanie sygnałów panel do dostosowywania ustawień analizy czasu trwania. Są to: Czas trwania – Czas procentowej repolaryzacji/zaniku mierzony od szczytu; Poziom bazowy „APD” – Przedział czasowy sygnału zdefiniowany jako linia bazowa referencyjna dla pomiarów amplitudy; oraz Czas rozpoczęcia „APD” – Czas rozpoczęcia dla pomiarów czasu trwania. Są to te same opcje, które służą do określenia czasu aktywacji dla map izochronicznych (omówionych poniżej), i nazywają się: Start ( d²F/dt²_maks.), faza wznosząca (dF/dt_maksymalny), punkt środkowy depolaryzacji (czas 50% amplitudy), szczyt (czas maksymalnej amplitudy). Definicje te, zastosowane do potencjałów czynnościowych myszy i świnki morskiej, przedstawiono w Rycina 2A.
  UWAGA: Zmiana którejkolwiek z tych opcji automatycznie zaktualizuje mapę czasu trwania oraz tabelę wyników. Dostępne są również opcje skali mapy i usuwania wartości odstających.
Prędkość przewodzenia jest również mierzona automatycznie w głównym interfejsie oprogramowania. Osiąga się to z wykorzystaniem metody wielowektorowej opracowanej przez Bayly i współpracowników.²⁶ z mapy izochronicznej zdefiniowanej przez wybrany parametr aktywacji (omówiony w kroku 5.4). Naciśnij Punkty aktywacji aby wygenerować trójwymiarową reprezentację mapy aktywacji.
Metoda pomiaru prędkości przewodzenia wielowektorowego segmentuje przestrzennie mapę izochroniczną na obszary n Proszę podać tekst źródłowy do tłumaczenia. n pikseli. Ustaw wartość n przy użyciu Lokalny rozmiar okna wejście, a następnie za pomocą funkcji ustawić zakres czasów aktywacji, do których zostanie zastosowana analiza Dopasowanie czasów aktywacji wejścia
UWAGA: Dla każdego regionu lokalnego powierzchnia wielomianowa, f, dopasowany w sposób najlepiej opisujący zależność między czasem aktywacji a pozycją przestrzenną, (Proszę podać tekst źródłowy do tłumaczenia.,y). Wektor gradientu, CV_lokalny, powierzchni tej oblicza się następnie jako:
(1)
gdzie oznacza dwuwymiarowy kartezjański przestrzenny operator różniczkowy²⁶.
Dla każdego piksela na mapie izochron obliczany jest lokalny wektor reprezentujący prędkość i kierunek przewodzenia. Wybierz Mapa izochroniczna z wektorami z rozwijanego menu wyświetlania, aby zapoznać się z tą analizą.
SNR oblicza się jako stosunek maksymalnej amplitudy do odchylenia standardowego sygnału w linii bazowej. Analizę tę przeprowadza się po wszystkich etapach przetwarzania. Naciśnij Obliczanie stosunku sygnału do szumu (SNR) w górnym menu, aby edytować ustawienia dla okresu sygnału zdefiniowanego jako linia bazowa.

6. Moduł analizy przewodnictwa

Naciśnij Conduction, aby uzyskać dostęp do bardziej szczegółowej analizy prędkości przewodzenia. Otwiera to oddzielny moduł, w którym przewodzenie może być ilościowo określone za pomocą metody wielowektorowej Bayly’ego (podobnie jak w głównym interfejsie), metod pojedynczego wektora oraz w formie krzywej aktywacji.
Naciśnij Single Vector, aby przeanalizować przewodzenie przy użyciu metody pojedynczego wektora, w której CV jest obliczana na podstawie opóźnienia czasu aktywacji między dwoma punktami. Można to zrobić za pomocą metod Automatic lub Manual, które są wybieralne pod przyciskiem Single Vector.
1. W przypadku automatycznej metody pojedynczego wektora należy wybrać odległość i punkt początkowy, od którego mierzony będzie przebieg przewodzenia. Oprogramowanie wykona wówczas pełny obrót o 360 stopni od wybranego punktu, mierząc opóźnienie czasowe i obliczając powiązaną prędkość przewodzenia we wszystkich kierunkach w interwałach 1 stopnia. Wyniki tej analizy są wyświetlane na wykresie obok mapy, a kierunek najwolniejszego przewodzenia zaznaczono kolorem czerwonym.
2. W przypadku ręcznej metody pojedynczego wektora należy wybrać zarówno punkt początkowy, jak i końcowy na mapie izochronicznej, aby obliczyć prędkość przewodzenia. Aby wybrać nowy punkt początkowy, naciśnij Clear Start Point.
Naciśnij Local Vector, aby zastosować metodę wielowektorową z ustawieniami zgodnymi z tymi z głównego interfejsu. W module przewodzenia można wyświetlić rozkład prędkości przewodzenia, a także rozkład kątowy obliczonych wektorów i zależność kątową prędkości przewodzenia.
Naciśnij activation curve, aby wykreślić procent aktywowanej tkanki jako funkcję czasu. Czas do 10% aktywacji jest wyświetlany automatycznie, natomiast można również wybrać własne wartości dla minimalnego (niebieskiego) i maksymalnego (czerwonego) procentu aktywacji, pomiędzy którymi dokonany zostanie pomiar.

7. Dodatkowe analizy i moduły

Poza automatycznie wykonywanymi analizami czasu trwania i prędkości przewodzenia, za pomocą programu ElectroMap można określić ilościowo szereg innych parametrów. Analizy te można wybrać z menu rozwijanego znajdującego się nad mapą wyświetlania. Wybierz jedną z tych opcji, aby przeprowadzić analizę, a wyniki pojawią się w 4^th wiersz tabeli wyników: 1) Interwał rozkurczowy – Czas od 90% repolaryzacji do momentu aktywacji kolejnego potencjału czynnościowego; 2) Częstotliwość dominująca – Widmo częstotliwości każdego piksela jest obliczane przy użyciu szybkiej transformaty Fouriera, a częstotliwość o największej mocy jest definiowana jako częstotliwość dominująca. Zaawansowane ustawienia zakresu i okna dla analizy częstotliwości dominującej są dostępne po wybraniu Mapowanie częstotliwości; 3) Czas do osiągnięcia szczytu – czas narastania między dwiema wybranymi przez użytkownika wartościami procentowymi (domyślnie od 10% do 90%) fazy depolaryzacji potencjału czynnościowego lub uwalniania wapnia. Wartości procentowe można zmienić, wybierając Ustawienia TTP; oraz 4) Stała relaksacji (τ) – Stała relaksacji jest obliczana poprzez dopasowanie monoeksponencjalnego zaniku o postaci:
(2)
gdzie poziom fluorescencji w czasie t zależy od szczytowej fluorescencji, F₀, oraz następujący rozpad (C jest stałą)²⁷Zakres wartości, dla których dopasowywane jest równanie 2, można wybrać w głównych interfejsach użytkownika ElectroMap, podobnie jak kryteria wykluczenia dotyczące jakości dopasowania oparte na r² wartość
Naciśnij Analiza pojedynczego pliku aby otworzyć dedykowany moduł do wysokoprzepustowej analizy czasu trwania i przewodzenia dla każdego zidentyfikowanego segmentu w pliku. Analizę można przeprowadzić na całym obrazie (czas trwania, przewodzenie i czas aktywacji) lub na wybranych obszarach bądź punktach zainteresowania (obecnie tylko czas trwania). Wyniki są eksportowane do pliku .csv.
UWAGA: W przypadku wartości APD dla całego obrazu, pierwsza kolumna w pliku .csv reprezentuje średnią, natomiast druga kolumna odchylenie standardowe.
Naciśnij Alternans w celu uruchomienia samodzielnego modułu do dedykowanej analizy i mapowania zmienności z uderzenia na uderzenie. Patrz: O’Shea et al. 2019¹³ w celu uzyskania szczegółowych informacji na temat przetwarzania oraz opcji analizy alternans. W szczególności moduł ten został zaprojektowany do identyfikacji oscylacji o okresie dwóch cykli, znanych jako alternans. Obliczane i generowane są wyniki dla alternans czasu trwania oraz amplitudy.
UWAGA: Alternans czasu trwania mierzy się poprzez porównanie pomiaru czasu trwania od jednego piku do następnego; t. j. jeśli pierwszy i drugi pik oraz APD₁ oraz APD₂ odpowiednio, następnie oblicza się czas alternacji (ΔAPD) jako
(3)
Pomiar czasu trwania wykonuje się przy użyciu ustawień w głównym interfejsie. Jednocześnie alternans amplitudy można ilościowo określić i nanieść na mapę preparatów wielokomórkowych jako zmianę bezwzględną (zdefiniowaną jako wartość procentowa, gdzie 0% oznacza taką samą amplitudę między jednym uderzeniem a następnym). Ponadto wpływ zjawisk takich jak ładunek wapniowy można badać dalej poprzez pomiar i porównanie Załaduj i Uwolnienie alternans, zgodnie z wcześniejszymi doniesieniami²⁸Jeśli L definiuje się jako amplitudę szczytową dużych uderzeń (tj. takich, w których amplituda jest większa niż w poprzednim uderzeniu), S amplitudę małych uderzeń orazD obciążenie rozkurczowe małych uderzeń, alternans uwalniania () definiuje się jako:
(4)
Z kolei naprzemienność obciążenia () definiuje się następująco:
(5)
Pomiary alternans można przeprowadzać w obrębie całej tkanki, a wyniki analizy są wyświetlane w prawym dolnym rogu modułu. Przy pierwszym uruchomieniu modułu analiza jest wykonywana dla całego pliku eksperymentalnego, a wyświetlane wyniki stanowią średnią różnicę między uderzeniami w całym pliku. Analizę można jednak ograniczyć do konkretnych przedziałów czasowych w pliku poprzez odznaczenie Utrzymaj powiększenie, przybliżając konkretny przedział czasowy i wybierając Analiza powiększonego obszaruZaktualizuje to panel wyników, aby wyświetlić analizę z wybranego okresu.
1. Wybierz odtwórz, aby wyświetlić wideo z analizy alternans w trybie uderzenie po uderzeniu. Dodatkowo wybierz Utwórz mapę średnich aby wyeksportować mapę zachowania alternans uśrednioną z wybranych punktów czasowych, które ustawia się w menu wyskakującym podczas korzystania z tej funkcji.
Naciśnij Mapa fazowa aby zainicjować moduł mapowania fazy. Wykonuje się transformatę Hilberta w celu obliczenia fazy chwilowej (między -π a +π) sygnałów dla każdego punktu czasowego. Naciśnij przycisk odtwarzania lub przesuń suwak, aby zwizualizować przebieg fazy w czasie, i kliknij piksel, aby wygenerować wykres fazowy.

8. Eksport danych

Dane są eksportowane z programu ElectroMap w różnych formach. Naciśnij Export Values, aby zapisać wartości aktualnie wyświetlanej mapy w głównym interfejsie użytkownika. Wartości pomiarowe mogą zostać zapisane jako mapa (z zachowaniem lokalizacji pikseli) lub skonsolidowane w jednej liście, a następnie zapisane jako pliki .csv, .txt lub .MAT.
Naciśnij Export Map, aby wyświetlić okno pop-up z aktualnie pokazywaną mapą, którą można następnie zapisać w różnych formatach obrazów. Opcje wyświetlania mapy steruje się poprzez Map Settings, ale można je również edytować po wybraniu Export Map. Na przykład, pasek kolorów można dodać, wybierając odpowiednią ikonę z górnego menu, a skalę można ustawić, wybierając Edit > Colormap.
Naciśnij Activation Video, aby wyrenderować animację sekwencji aktywacji, którą można zapisać jako animowany plik .gif.
Naciśnij Segment Video, aby zapisać plik wideo .avi przedstawiający aktualnie wyświetlany parametr każdego zidentyfikowanego segmentu.

Wyniki

Wszystkie prace wykonane w ramach niniejszego badania zostały przeprowadzone zgodnie z wytycznymi etycznymi określonymi w brytyjskiej ustawie Animals (Scientific Procedures) Act 1986 oraz dyrektywie 2010/63/UE Parlamentu Europejskiego w sprawie ochrony zwierząt wykorzystywanych do celów naukowych. Eksperymenty zostały zatwierdzone przez Home Office (myszy: PPL 30/2967 i PFDAAF7F, świnki morskie: PPL PF75E5F7F) oraz przez instytucjonalne komisje etyczne na University of Birmingham (myszy) i King’s College London (świnki morskie). Szczegółowe metody gromadzenia surowych danych, które zostały tutaj przeanalizowane, znajdują się w naszych poprzednich publikacjach⁵^,⁶^,¹⁴^,¹⁹.

Główny interfejs, za pomocą którego steruje się programem ElectroMap, przedstawiono na Rysunek 1AKluczowe kroki niezbędne do analizy zbioru danych są kontrolowane przede wszystkim przez Wczytaj obrazy, Przetwarzanie obrazów, i Tworzenie map przyciski, które są odpowiednio wyróżnione kolorami zielonym, niebieskim i czerwonym w Rysunek 1A. Rycina 1B-D przedstawia operacje, które są wykonywane po wybraniu każdego z tych przycisków. Wczytaj obrazy stosuje opcje progowania obrazu wybrane przez użytkownika (Rycina 1B), podczas gdy Przetwarzanie obrazów (Rysunek 1C) stosuje filtrowanie i korekcję linii bazowej. Na koniec, Tworzenie map najpierw uśrednią dane zgodnie z ustawieniami okna czasowego i segmentacji (chyba że wybrano segmentację pojedynczego cyklu serca), a następnie przeprowadzą opisane powyżej analizy.

Kluczowym aspektem programu ElectroMap jest jego elastyczność w odniesieniu do rodzaju kamery oraz modelu eksperymentalnego. Jest to niezwykle istotne dla użyteczności oprogramowania do mapowania optycznego ze względu na wyraźne różnice w elektrofizjologii serca oraz charakterystyce anatomicznej pomiędzy powszechnie stosowanymi modelami. Rysunek 2A przedstawia na przykład morfologię potencjału czynnościowego przedsionków myszy w porównaniu z komorą świnki morskiej, zarejestrowaną przy użyciu barwników czułych na napięcie, zgodnie z wcześniejszymi doniesieniami⁶^,¹⁴. Pomimo odmiennego kształtu potencjału czynnościowego oraz zastosowania dwóch oddzielnych kamer do mapowania optycznego o różnych częstotliwościach klatek i rozmiarach pikseli, ElectroMap może być skutecznie wykorzystany do analizy obu zbiorów danych. Wymaga to jednak modyfikacji niektórych parametrów w interfejsie użytkownika (Rysunek 2B). Należy zwrócić uwagę, że wydłużony potencjał czynnościowy świnki morskiej wymaga zastosowania większego okna czasowego. Dodatkowo, aby zapobiec niefizjologicznej modyfikacji sygnałów rejestrowanych optycznie podczas korekcji linii bazowej metodą top-hat, jej długość czasowa musi zostać zwiększona tak, aby była większa niż czas trwania potencjału czynnościowego.

ElectroMap oferuje szereg opcji przetwarzania, które pomagają poprawić stosunek sygnału do szumu (SNR) optycznie rejestrowanych sygnałów, co może być niezbędne do efektywnego odzyskania parametrów potencjałów polowych (EP). Przykładem jest automatyczne uśrednianie zespołowe (ensemble averaging) pików po segmentacji danych. Rysunek 3A-C demonstruje, w jaki sposób zastosowanie uśredniania zespołowego, zamiast innych metod, może poprawić SNR w izolowanych lewych przedsionkach myszy (n = 13). Zmniejsza to heterogeniczność pomiarów oraz prawdopodobieństwo niepowodzenia analizy (Rysunek 3D). Na przykład zmiana częstotliwości stymulacji z 3 Hz na 10 Hz nie zmieniła APD₅₀ w przypadku braku uśredniania zespołowego, natomiast oczekiwany²⁹ spadek APD₅₀ przy stymulacji 10 Hz został zaobserwowany podczas pomiaru z danych uśrednionych zespołowo (Rysunek 3E).

Rysunek 4 demonstruje skuteczność i użyteczność zautomatyzowanego wykrywania częstotliwości stymulacji oraz segmentacji oferowanej przez ElectroMap. W tym przypadku lewe przedsionki myszy (n = 5) były stymulowane z długością cyklu 120 ms, a następnie długość cyklu była stopniowo skracana o 10 ms, aż do osiągnięcia 50 ms. ElectroMap automatycznie zidentyfikował długość cyklu stymulacji i odpowiednio pogrupował uśrednione szczyty tkanek (Rysunek 4A). Osiągnięto to z wysoką dokładnością we wszystkich zestawach danych (Rysunek 4B). Zautomatyzowana segmentacja danych umożliwiła prostą i wysokoprzepustową analizę spowolnienia prędkości przewodzenia wraz ze wzrostem częstotliwości stymulacji/skróceniem długości cyklu (Rysunek 4C,D). Jednocześnie skróciły się APD₅₀ (Rysunek 4E) oraz odstęp rozkurczowy (Rysunek 4F). Amplituda optycznie mierzonych szczytów zmalała, podczas gdy czas do osiągnięcia szczytu wzrósł (Rysunek 4G,H). Są to ponownie oczekiwane odpowiedzi restytucyjny w tkance serca²⁹^,³⁰, zatem zastosowanie ElectroMap może pomóc w wyjaśnieniu zmian w odpowiedzi na częstotliwość stymulacji w obecności czynników farmakologicznych, modyfikacji genetycznych lub w stanach chorobowych.

Ważnym aspektem przy korzystaniu z oprogramowania takiego jak ElectroMap jest obecność artefaktów w danych źródłowych. Rycina 5 wykazuje na przykład, że artefakty ruchowe (zniekształcenie sygnału rejestrowanego optycznie spowodowane ruchem tkanki) mogą uniemożliwić dokładne pomiary aktywacji, a w szczególności repolaryzacji w programie ElectroMap. Dalsze rozważania znajdują się w sekcji Dyskusja.

Schemat interfejsu ElectroMap z etapami progowania obrazu, przetwarzania sygnału i analizy mapy.
Rysunek 1: Główne etapy przetwarzania w programie ElectroMap. (A) Graficzny interfejs użytkownika programu ElectroMap, wraz z Wczytaj obrazy (zielony), Przetwarzanie obrazów (niebieski), i Tworzenie map podświetlone (czerwone) przyciski.B) Opcje progowania obrazu, które można zastosować po wybraniu Wczytywanie obrazów. (CDostępne dla użytkownika opcje przetwarzania sygnału obejmują filtrowanie przestrzenne i czasowe oraz korekcję linii bazowej; można je zastosować do stosu obrazów, naciskając Przetwarzanie obrazów. (DUśrednianie zespołowe i kwantyfikacja parametrów (pokazano pomiar APD), którą aktywuje się poprzez wybranie Tworzenie mapRycina opracowana na podstawie O’Shea i wsp., 2019¹³. Kliknij tutaj, aby wyświetlić powiększoną wersję tej figury.

Wykresy równowagi statycznej z porównaniem myszy i świnki morskiej; konfiguracja eksperymentu i parametry ustawień.
Rycina 2: Analiza danych z myszy i świnki morskiej przy użyciu programu ElectroMap. (A) Optycznie zarejestrowany potencjał czynnościowy z przedsionków myszy i komór świnki morskiej, wraz z pierwszą (df/dt) i drugą (d²f/dt²) pochodna tych sygnałów. Przedstawiono różne definicje czasów aktywacji i repolaryzacji, które można zastosować w programie ElectroMap. (BZrzuty ekranu ustawień przetwarzania obrazu i sygnału wykorzystanych w interfejsie ElectroMaps. Czerwone ramki zaznaczają ustawienia, które wymagały modyfikacji pomiędzy analizami danych myszy i świnki morskiej. Rycina zaadaptowana z O’Shea et al., 2019¹³. Kliknij tutaj, aby wyświetlić powiększoną wersję tej figury.

Wyniki obrazowania serca; analiza danych SNR oraz APD50; wykresy przedstawiające wpływ częstotliwości stymulacji.
Rycina 3: Uśrednianie zespołowe w celu rozdzielczości zmian APD. (A) APD₅₀ mapa i przykład sygnału z jednego piksela pochodzącego z pojedynczych uderzeń optycznych potencjałów czynnościowych.B) APD₅₀ mapa i przykładowy sygnał z jednego piksela dla potencjałów czynnościowych optycznych wygenerowanych poprzez uśrednianie zespołu 10 kolejnych uderzeń (metoda szczytowa). (C) Stosunek sygnału do szumu (SNR) dla pojedynczego uderzenia w porównaniu z sygnałami uśrednionymi z 10 uderzeń. (D) APD₅₀ heterogeniczność (i) oraz liczba błędów pomiarowych (ii) w funkcji SNR dla pojedynczego uderzenia i średniej z 10 uderzeń APD₅₀ mapy. (E) APD₅₀ przy częstotliwości stymulacji 3 i 10 Hz, mierzonej na podstawie map pojedynczego uderzenia oraz 10 uderzeń. (Dane przedstawiono jako średnia ± błąd standardowy, n = 13 lewych przedsionków, ****p < 0,01 według testu t studenta dla prób zależnych t-test). Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Analiza stymulacji ElectroMap; obejmuje mapy aktywacji, wykres długości cyklu oraz wykres prędkości przewodzenia.
Rysunek 4: Wykorzystanie ElectroMap do badania odpowiedzi na częstotliwość stymulacji w tkance serca. (A) Przykładowy zrzut ekranu z programu ElectroMap przedstawiający rozpoznawanie i segmentację częstotliwości stymulacji. (B) Porównanie znanych i zmierzonych za pomocą ElectroMap długości cykli stymulacji. (C) Mapy aktywacji przy długościach cyklu stymulacji 120 ms i 60 ms. (D-H) Pogrupowane dane dotyczące prędkości przewodzenia (D), APD₅₀ (E), przedział rozkurczowy (F), amplituda (G), oraz czas do osiągnięcia szczytu (H) w funkcji długości cyklu stymulacji, zmniejszanej z 120 ms do 60 ms w odstępach 10 ms. (Dane przedstawiono jako średnia ± błąd standardowy, n = 5 lewych przedsionków) Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

APD50 i mapy aktywacji, schematy elektrofizjologii serca z grafami sygnałów czasowych.
Rysunek 5: Wpływ artefaktów ruchowych. (A) APD₅₀ mapa. (B) Mapa aktywacji. (C) Przykładowe sygnały z lokalizacji zaznaczonych (krzyżykami) na mapach APD i mapach aktywacji. W obszarze tkanki zaznaczonej czerwonym krzyżykiem skurcz nie został skutecznie odsprzężony, co zniekształciło mierzony sygnał optyczny. Prosimy o kliknięcie tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dyskusja

W tym miejscu przedstawiamy przewodnik krok po kroku dotyczący wykorzystania oprogramowania typu open source ElectroMap do elastycznej i wielowymiarowej analizy zestawów danych mapowania optycznego serca. Aby korzystanie z aplikacji ElectroMap działało prawidłowo, dane obrazowania muszą być w formacie .tif lub . Formaty MAT. ElectroMap zawiera kilka modyfikowalnych ustawień użytkownika. Jak pokazano na rysunku 2A, jest to konieczne ze względu na dużą niejednorodność, jaka istnieje między modelami eksperymentalnymi a sprzętem do obrazowania. Oznacza to jednak, że domyślne ustawienia w oprogramowaniu nie zawsze będą optymalne, więc krytycznym krokiem w korzystaniu z oprogramowania jest dostrojenie ustawień przez użytkownika do konkretnej konfiguracji eksperymentalnej. Należą do nich ustawienia kamery i skale czasowe, jak pokazano na rysunku 2B. Po znalezieniu optymalnych ustawień można je zapisać i ponownie załadować w późniejszym czasie, wybierając opcję Plik konfiguracyjny.

Włączenie automatycznego pomiaru CL i segmentacji sygnału to kluczowe zalety oprogramowania. Cechy te pozwalają na analizę ostrych reakcji w nagraniach eksperymentalnych i poszerzają analizę z skupiania się na izolowanych pojedynczych uderzeniach. Po osiągnięciu pożądanej segmentacji, moduł Single File Analysis umożliwia automatyczną analizę każdego pojedynczego segmentu (w tym pojedynczych uderzeń), realizując wysokoprzepustową analizę wielu zmiennych w całym nagraniu wyprowadzonym w jednym pliku .csv. W związku z tym, grupowe uśrednianie zgrupowanych pików jest skuteczną metodą poprawy jakości sygnałów szumowych, która jest automatycznie wykonywana w ElectroMap. Jednak uśrednianie zespołów nie jest wszechobecne korzystne, na przykład w badaniach nad zmiennością między uderzeniami. W związku z tym ElectroMap integruje segmentację pojedynczych miar, aby uniknąć uśredniania zespołów, alternatywne opcje przetwarzania w celu poprawy SNR (filtrowanie przestrzenne i czasowe) oraz zawiera moduł analizy Alternans w celu dalszego badania i mapowania zmienności między uderzeniami.

Zestawy danych mapowania optycznego często zawierają artefakty, takie jak dryf linii bazowej i artefakty ruchu. Podobnie, generowane sygnały mogą być niskiej jakości ze względu na małe rozmiary pikseli, krótkie czasy naświetlania i niskie frakcyjne zmiany fluorescencji². Czynniki te uniemożliwiają skuteczną i dokładną analizę leżącego u podstaw zachowania EP. Jak wspomniano, ElectroMap ma kilka strategii przetwarzania, aby przezwyciężyć te problemy. Jednak zastosowanie tych algorytmów do danych o zasadniczo niskiej jakości/zniekształconych danych nadal uniemożliwi skuteczną analizę. Stosunek sygnału do szumu (SNR) jest zatem jednym z parametrów, które są mierzone i wyświetlane w ElectroMap. Równocześnie, użytkownik może wybierać i porównywać sygnały z określonych regionów z próbki za pomocą modułów Pixel Info i Compare , co pozwala na identyfikację zjawisk takich jak artefakty ruchu pokazane na rysunku 5 i odpowiednie wykluczenie danych.

Obecnie ElectroMap nie obsługuje usuwania artefaktów ruchu z surowych danych w taki sam sposób, jak korekcja linii bazowej. W związku z tym, możliwym przyszłym rozwojem oprogramowania jest włączenie usuwania artefaktów ruchomych za pomocą metod obliczeniowych, jak donoszono^31,32. Co więcej, ElectroMap jest obecnie ograniczony do badania jednego sygnału optycznego. Jednak w przypadku barwników ratiometrycznych i jednoczesnego stosowania barwników napięciowych i wapniowych²⁷ wymagane jest jednoczesne przetwarzanie dwóch kanałów długości fali. Integracja podwójnej analizy sygnału jest zatem ważnym przyszłym dodatkiem do oprogramowania. Rozszerzenie możliwości analizy mających zastosowanie do zestawów danych arytmicznych, takich jak śledzenie osobliwości fazowej, w równym stopniu poszerzyłoby zakres oprogramowania^33,34. Wreszcie, kilka z opisanych opcji analizy może być również przydatnych w analizie danych mapowania elektrod. Rzeczywiście, ElectroMap został wykorzystany do analizy danych mapowania elektrod pomimo kontrastującego przebiegu elektrogramu^20,35, a dalsza optymalizacja rozszerzy jego zastosowanie dla tej modalności.

Oświadczenia

P.K. otrzymuje wsparcie badawcze od kilku firm farmaceutycznych i urządzeń zajmujących się migotaniem przedsionków i otrzymał honoraria od kilku takich firm. L.F. otrzymał instytucjonalne granty badawcze UE, BHF, MRC, DFG i Gilead. P.K. i L.F. są wymienieni jako wynalazcy na dwóch patentach posiadanych przez Uniwersytet w Birmingham (Terapia migotania przedsionków WO 2015140571, Markers for Atrial Fibrillation WO 2016012783).

Wszyscy pozostali autorzy deklarują brak potencjalnego konfliktu interesów.

Podziękowania

Ta praca została sfinansowana przez stypendium EPSRC (Sci-Phy-4-Health Centre for Doctoral Training L016346) dla D.P., K.R. i L.F., Wellcome Trust Seed Award Grant (109604/Z/15/Z) dla D.P., British Heart Foundation Grants (PG/17/55/33087, RG/17/15/33106) dla D.P., Unia Europejska (umowa o grant nr 633196 [CATCH ME] dla P.K. i L.F.), British Heart Foundation (FS/13/43/30324 do P.K. i L.F.; PG/17/30/32961 do P.K. i A.H.) oraz Leducq Foundation do P.K. J.W. jest wspierany przez British Heart Foundation (FS/16/35/31952).

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
Oprogramowanie MATLAB i Simulink R2018a	Mathworks, Inc, Natick, MA		MATLAB

Bibliografia

Efimov, I. R., Nikolski, V. P., Salama, G. Optical Imaging of the Heart. Circulation Research. 94, 21-33 (2004).
Herron, T. J., Lee, P., Jalife, J. Optical imaging of voltage and calcium in cardiac cells & tissues. Circulation Research. 110, 609-623 (2012).
Boukens, B. J., Efimov, I. R. A century of optocardiography. IEEE Reviews in Biomedical Engineering. 7, 115-125 (2014).
Myles, R. C., Wang, L., Kang, C., Bers, D. M., Ripplinger, C. M. Local β-adrenergic stimulation overcomes source-sink mismatch to generate focal arrhythmia. Circulation Research. 110, 1454-1464 (2012).
Syeda, F., et al. PITX2 Modulates Atrial Membrane Potential and the Antiarrhythmic Effects of Sodium-Channel Blockers. Journal of the American College of Cardiology. 68, 1881-1894 (2016).
Winter, J., et al. Sympathetic nervous regulation of cardiac alternans in the intact heart. Frontiers in Physiology. 9, 1-12 (2018).
Faggioni, M., et al. Suppression of spontaneous ca elevations prevents atrial fibrillation in calsequestrin 2-null hearts. Circulation: Arrhythmia and Electrophysiology. 7, 313-320 (2014).
Sato, P. Y., et al. Loss of Plakophilin-2 Expression Leads to Decreased Sodium Current and Slower Conduction Velocity in Cultured Cardiac Myocytes. Circulation Research. 105, 523-526 (2009).
Yu, T. Y., et al. Optical mapping design for murine atrial electrophysiology. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. 5, 368-378 (2017).
Laughner, J. I., Ng, F. S., Sulkin, M. S., Arthur, R. M., Efimov, I. R. Processing and analysis of cardiac optical mapping data obtained with potentiometric dyes. American Journal of Physiology. Heart and Circulatory Physiology. 303, H753-H765 (2012).
Crocini, C., Ferrantini, C., Pavone, F. S., Sacconi, L. Optogenetics gets to the heart: A guiding light beyond defibrillation. Progress in Biophysics and Molecular Biology. 130, 132-139 (2017).
Entcheva, E., Bub, G. All-optical control of cardiac excitation: Combined high-resolution optogenetic actuation and optical mapping. The Journal of Physiology. 9, 2503-2510 (2016).
O’Shea, C., et al. ElectroMap: High-throughput open-source software for analysis and mapping of cardiac electrophysiology. Scientific Reports. 9, 1-13 (2019).
Yu, T. Y., et al. An automated system using spatial oversampling for optical mapping in murine atria. Development and validation with monophasic and transmembrane action potentials. Progress in Biophysics and Molecular Biology. 115, 340-348 (2014).
Jaimes, R., et al. Functional response of the isolated, perfused normoxic heart to pyruvate dehydrogenase activation by dichloroacetate and pyruvate. Pflugers Archiv. 468, 131-142 (2016).
Wang, K., et al. Cardiac tissue slices: preparation, handling, and successful optical mapping. American Journal of Physiology. Heart and Circulatory Physiology. 308, H1112-H1125 (2015).
Parrish, D. C., et al. Transient denervation of viable myocardium after myocardial infarction does not alter arrhythmia susceptibility. American Journal of Physiology. Heart and Circulatory. , (2017).
Ihara, K., et al. Electrophysiological Assessment of Murine Atria with High-Resolution Optical Mapping. Journal of Visualized Experiments. (132), e56478(2018).
Holmes, A. P., et al. A Regional Reduction in Ito and IKACh in the Murine Posterior Left Atrial Myocardium Is Associated with Action Potential Prolongation and Increased Ectopic Activity. Plos One. 11, e0154077(2016).
Lang, D., et al. Arrhythmogenic remodeling of β2 versus β1 adrenergic signaling in the human failing heart. Circulation: Arrhythmia and Electrophysiology. 8, 409-419 (2015).
Kang, C., et al. Human Organotypic Cultured Cardiac Slices: New Platform For High Throughput Preclinical Human Trials. Scientific Reports. 6, 1-13 (2016).
Wen, Q., et al. Transverse cardiac slicing and optical imaging for analysis of transmural gradients in membrane potential and Ca2+ transients in murine heart. The Journal of Physiology. 596, 3951-3965 (2018).
Houston, C., et al. Characterisation of re-entrant circuit (or rotational activity) in vitro using the HL1-6 myocyte cell line. Journal of Molecular and Cellular Cardiology. 119, 155-164 (2018).
Yu, T. Y., et al. Optical mapping design for murine atrial electrophysiology. Computer Methods in Biomechanics and Biomedical Engineering: Imaging and Visualization. 5, 368-376 (2017).
Laughner, J. I., Ng, F. S., Sulkin, M. S., Arthur, R. M., Efimov, I. R. Processing and analysis of cardiac optical mapping data obtained with potentiometric dyes. AJP: Heart and Circulatory Physiology. 303, H753-H765 (2012).
Bayly, P. V., et al. Estimation of Conduction Velocity Vector Fields from Epicardial Mapping Data. IEEE Transactions on Bio-Medical Engineering. 45, 563-571 (1998).
Jaimes, R., et al. A technical review of optical mapping of intracellular calcium within myocardial tissue. American Journal of Physiology. Heart and Circulatory Physiology. 310, H1388-H1401 (2016).
Wang, L., et al. Optical mapping of sarcoplasmic reticulum Ca2+ in the intact heart: Ryanodine receptor refractoriness during alternans and fibrillation. Circulation Research. 114, 1410-1421 (2014).
Winter, J., Shattock, M. J. Geometrical considerations in cardiac electrophysiology and arrhythmogenesis. Europace. , (2016).
Mironov, S., Jalife, J., Tolkacheva, E. G. Role of conduction velocity restitution and short-term memory in the development of action potential duration alternans in isolated rabbit hearts. Circulation. 118, 17-25 (2008).
Khwaounjoo, P., et al. Image-Based Motion Correction for Optical Mapping of Cardiac Electrical Activity. Annals of Biomedical Engineering. 43, 1235-1246 (2014).
Christoph, J., Luther, S. Marker-Free Tracking for Motion Artifact Compensation and Deformation Measurements in Optical Mapping Videos of Contracting Hearts. Frontiers in Physiology. 9, (2018).
Umapathy, K., et al. Phase Mapping of Cardiac Fibrillation. Circulation: Arrhythmia and Electrophysiology. 3, 105-114 (2010).
Tomii, N., et al. Detection Algorithm of Phase Singularity Using Phase Variance Analysis for Epicardial Optical Mapping Data. IEEE Transactions on Biomedical Engineering. 63, 1795-1803 (2016).
Cantwell, C. D., et al. Techniques for automated local activation time annotation and conduction velocity estimation in cardiac mapping. Computers in Biology and Medicine. 65, (2015).

Przedruki i uprawnienia

Tagi

Oprogramowanie ElectroMap czas trwania potencjału czynnościowego prędkość przewodzenia przetwarzanie sygnałów uśrednianie zespołowe detekcja częstotliwości stymulacji wieloelektrodowa macierz elektrofizjologia serca

Wysokoprzepustowa analiza danych mapowania optycznego za pomocą ElectroMap