Pomiar lokalnych naprężeń tkanek w ścięgnach za pomocą cyfrowej korelacji obrazu o otwartym kodzie źródłowym
January 27th, 2023
Ten artykuł opisuje algorytm korelacji obrazów cyfrowych o otwartym kodzie źródłowym do pomiaru lokalnych szczepów tkanek 2D w eksplantatach ścięgien. Dokładność tej techniki została zweryfikowana przy użyciu wielu technik i jest ona dostępna do użytku publicznego.
Protokół ten umożliwia pomiary miejscowych naprężeń tkanek w obrębie ścięgna podczas obciążenia. Przydatne jest zrozumienie, jak ścięgna zachowują się mechanicznie i dostosowują się do środowiska obciążenia. Główną zaletą tej techniki jest to, że zastosowane oprogramowanie jest publicznie dostępne online i dostarcza informacji zwrotnych na temat dokładności pomiaru, nawet jeśli prawdziwe szczepy tkanek są nieznane.
Pomiar lokalnych naprężeń tkanek w ścięgnie jest cenny, aby zrozumieć, w jaki sposób komórki przebudowują tkankę podczas zwyrodnienia i naprawy ścięgien. Tę procedurę zademonstrują Stanton Godshall, student studiów licencjackich, i Krishna Pedaprolu, doktorant w moim laboratorium. Po wybarwieniu pobranych ścięgien Achillesa w DTAF, przenieś tkankę z roztworu DTAF do roztworu DRAQ5 i inkubuj tkanki w ciemnym miejscu przez 10 minut w temperaturze pokojowej.
Umieść ścięgno w uchwytach urządzenia do obciążania rozciągającego. Przed zamontowaniem uchwytów w urządzeniu załadowczym należy użyć suwmiarki cyfrowej, aby zmierzyć odległość między mocowaniem kości piętowej a przeciwległym uchwytem. Zamontuj uchwyty w urządzeniu ładującym zawierającym PBS, aby utrzymać nawodnienie tkanek.
Wyrównaj ścięgno tak dobrze, jak to możliwe, z osią x lub y obrazów mikroskopowych, tak aby wyjścia odkształcenia X i Y algorytmu odpowiadały osi ścięgna. Wstępnie obciążyć ścięgno jednym gramem naprężenia. W razie potrzeby fotowybielaj zestaw czterech linii oddalonych od siebie o 80 mikronów w środkowej części tkanki i powtórz proces na lewej i prawej krawędzi w pobliżu uchwytów.
Zmiana odległości między liniami w każdym regionie tkanki jest wtórnym pomiarem lokalnych szczepów tkanek, który można wykorzystać do walidacji danych. Następnie, za pomocą mikroskopu konfokalnego, uzyskaj wolumetryczne obrazy fluorescencji DTAF i DRAQ5 przy jednym gramie obciążenia wstępnego. Wykonaj rampę naprężenia do 2% naprężenia z prędkością 0,5% na sekundę.
Należy pamiętać, że szybkość odkształcania i wielkość odkształcenia przyrostowego można regulować. Po odciążeniu tkanki przez 10 minut, wykonaj kolejny obraz wolumetryczny tkanki po deformacji. Powtórz ten proces dla tylu przyrostów odkształcenia, ile jest pożądane.
Aby utworzyć cyfrowo przekształcone obrazy, pobierz kod digital_strain. m z GitHub. Po pobraniu otwórz i uruchom kod.
Po wyświetleniu monitu wprowadź żądane wartości maksymalnego zastosowanego odkształcenia, zastosowanego przyrostu odkształcenia i współczynnika Poissona przed naciśnięciem przycisku OK. Następnie, po ponownym wyświetleniu monitu, wybierz niezdeformowany obraz referencyjny. Dla każdego przyrostu odkształcenia wyświetlana jest nakładka obrazu referencyjnego i przekształconego obrazu. Cyfrowo przekształcone obrazy zostaną zapisane w katalogu o nazwie cyfrowo przekształcone X procent odkształcenia, gdzie X jest przyrostem odkształcenia.
Otwórz skrypt o wyświetlanej nazwie i kliknij przycisk Uruchom, aby rozpocząć analizę obrazu. Po wyświetleniu monitu zmień wartości rozszerzonej korelacji obrazu cyfrowego Lagrange'a lub parametrów ALDIC zgodnie z potrzebami. Po wyświetleniu monitu zaznacz pole wyboru tak, aby automatycznie zapisać wartość średnią, odchylenie standardowe i mapę 2D dla żądanej kolekcji zmiennych.
Po wyświetleniu monitu wybierz żądane zmienne, takie jak odkształcenie X, odkształcenie Y, odkształcenie ścinające, uszkodzone regiony i tak dalej, a następnie naciśnij OK. Postępując zgodnie z następnym monitem, wybierz folder, który zawiera projekcje Z o maksymalnej intensywności o zmienionej nazwie. Oprogramowanie automatycznie wykonuje przyrostowy ALDIC w celu określenia pól odkształceń zdeformowanych obrazów. Po wyświetleniu monitu kliknij lewym przyciskiem myszy, aby utworzyć czteropunktowy wielokąt w celu zdefiniowania obszaru zainteresowania do pomiaru odkształceń.
Folder wyników śledzenia jądrowego, którego nazwę można zmienić, dostosowując linie 555 i 556, przechowuje wszystkie określone wcześniej wykresy. Folder ten zawiera również arkusz kalkulacyjny o nazwie results, w którym przechowywane są wszystkie określone wcześniej średnie i odchylenia standardowe. Podczas walidacji przy użyciu cyfrowo odkształconych obrazów, algorytm ALDIC konsekwentnie zaniżał średnie odkształcenie X, a wielkość błędu rosła wraz ze wzrostem zastosowanego odkształcenia.
Szczep Y był również w większości niedoceniany. Jednak we wszystkich przypadkach wielkość błędu odkształcenia była bardzo mała. Odchylenie standardowe obliczonego odkształcenia X i Y, choć o niskiej wielkości, wzrastało wraz ze wzrostem zastosowanego odkształcenia.
Analiza złych regionów wykazała, że liczba uszkodzonych regionów z nieprawidłowymi obliczeniami odkształcenia na cyfrowo przekształconych obrazach analizowanych przy użyciu metody kumulatywnej rosła konsekwentnie po 6% zastosowanym odkształceniu, podczas gdy ilość przyrostowa pozostała na poziomie 1%W jednej z czterech próbek, która została potraktowana jako wartość odstająca, prawie połowa obrazu została zidentyfikowana jako zła przy maksymalnym przyrostu odkształcenia. Szczepy X obliczone przez ALDIC były większe niż te wyznaczone na podstawie PBL, różnica mieściła się w granicach 0,005, co jest podobne do odchylenia standardowego dla danych PBL uśrednionych dla wszystkich próbek. Określenie wielkości i rozkładów przestrzennych lokalnych odkształceń w ścięgnach pod wpływem obciążenia rozciągającego wykazało, że we wszystkich próbkach odkształcenie X konsekwentnie pozostawało poniżej zastosowanych odkształceń.
Średnie odkształcenie w kierunku Y wynosiło w przybliżeniu zero dla wszystkich przyrostów, ale odchylenie standardowe było wysokie. Średnie odkształcenie ścinające rosło równomiernie we wszystkich przyrostach odkształcenia. Najważniejszą kwestią, o której należy pamiętać, jest zapisanie obrazów przed zastosowaniem większego obciążenia.
Obrazy, jeśli nie zostaną zapisane, zostaną utracone i nie będzie można ich odzyskać. Chociaż technika ta została specjalnie zwalidowana do pomiaru naprężeń tkanek w obrębie ścięgien, może dostarczyć informacji na temat biologii mechanicznej i mechaniki wielu innych tkanek zwierzęcych i ludzkich.
View the full transcript and gain access to thousands of scientific videos
Przegląd
To badanie przedstawia algorytm otwartoźródłowej korelacji obrazów cyfrowych, zaprojektowany do pomiaru lokalnych naprężeń tkanki 2D w wyciętych fragmentach ścięgna. Dokładność techniki została zweryfikowana za pomocą różnych metod i jest publicznie dostępna dla badaczy.
Kluczowe elementy badania
Dziedzina nauki
- Biomechanika
- Inżynieria tkankowa
- Korelacja obrazów cyfrowych
Tło
- Ścięgna są niezbędne do przenoszenia obciążeń mechanicznych.
- Rozumienie lokalnych naprężeń tkanki pomaga w badaniu zachowania ścięgien pod obciążeniem.
- Obecne metody pomiaru naprężeń mogą być ograniczone pod względem dostępności.
- To badanie wprowadza rozwiązanie oprogramowania, które jest dostępne publicznie.
Cel badania
- Pomiar lokalnych naprężeń tkanki w ścięgnach podczas obciążania.
- Dostarczenie informacji o mechanicznym zachowaniu ścięgien i adaptacji.
- Ułatwienie zrozumienia remodelacji komórkowej podczas zwyrodnienia i naprawy ścięgien.
Zastosowane metody
- Barwienie zebranych ścięgien Achillesa w DTAF.
- Przeniesienie tkanki do roztworu DRAQ5 w celu inkubacji.
- Zastosowanie korelacji obrazów cyfrowych do pomiaru naprężeń.
- Walidacja dokładności pomiarów za pomocą wielu technik.
Główne wyniki
- Algorytm z powodzeniem mierzy lokalne naprężenia tkanki.
- Dokładność techniki została potwierdzona poprzez walidację.
- Oprogramowanie zapewnia informacje zwrotne na temat dokładności pomiarów.
- Publiczna dostępność zwiększa dostępność dla badaczy.
Wnioski
- Otwartoźródłowy algorytm jest cennym narzędziem w badaniach nad ścięgnami.
- Rozumienie naprężeń tkanki może wpłynąć na strategie naprawy ścięgien.
- Publiczny dostęp do oprogramowania promuje dalsze badania w dziedzinie biomechaniki.
Często zadawane pytania
Executive Industry Relevance
Quantitative measurement of local tissue strains in tendon explants is critical for de-risking early discovery hypotheses in musculoskeletal and mechanobiology research. The open-source ALDIC algorithm enables standardized, reproducible strain mapping, supporting predictive confidence in target validation and mechanistic studies. This capability enhances portfolio decision-making by providing validated, scalable tools for tissue-level functional assessment.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables precise interrogation of mechanobiological hypotheses in tendon remodeling and repair.
- Supports functional target validation by quantifying cellular strain responses in situ.
- Facilitates biological de-risking through validated, reproducible strain measurements.
- Improves predictive confidence for downstream translational studies.
Screening & Assay Development
- Prepares validated tendon explant systems for quantitative mechanistic screening.
- Standardizes strain measurement outputs for assay reproducibility and comparability.
- Enables scalable, platform-ready workflows for compound or intervention evaluation.
- Provides quantitative data for robust cross-condition analysis.
Translational & Preclinical Research
- Aligns tissue-level strain mapping with disease-relevant mechanistic endpoints.
- Supports continuity from discovery through preclinical validation in tendon biology.
- Enables risk-adjusted advancement decisions based on validated mechanical readouts.
- Provides mechanistic de-risking for translational biomarker development.
Pipeline & Workflow Integration
This open-source digital image correlation workflow integrates from early discovery through preclinical model validation, supporting mechanistic studies and assay development in tendon research.
- Discovery Biology: Quantifies local strain fields to clarify mechanobiological pathways and validate functional hypotheses.
- Screening: Delivers reproducible, quantitative strain outputs for assay standardization and screening readiness.
- Analytics: Provides validated statistical outputs, including mean, standard deviation, and spatial strain maps for robust data comparison.
- Translational Research: Bridges discovery and preclinical work by enabling tissue-level mechanistic alignment with disease models.
- Enterprise Reuse: Offers a publicly available, adaptable tool for broad application across tissue mechanics studies.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in tendon biology research.
- Operational Value: Standardizes and automates strain measurement for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by reducing late-stage biological risk.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of mechanobiology programs.
Implementation Considerations
- Requires expertise in digital image analysis and tissue biomechanics.
- Needs access to confocal microscopy and computational infrastructure for image processing.
- Demands cross-team standardization of imaging and analysis protocols.
- Adaptable to various tendon and soft tissue models with appropriate validation.
- Accuracy and sensitivity validated up to 0.1 strain; practical limitations at higher strains or poor image quality.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:45
Tendon Loading and Image Acquisition
2:50
Creating Digitally Transformed Images
3:42
Strain Calculation and Validation Code Installation and Application
5:14
Results: Validating the ALDIC Algorithm and Measuring Local 2D Tissue Strains
7:15
Conclusion
