Obrazowanie 4D Light-sheet skurczu serca danio pręgowanego

Nasze badania wykorzystują obrazowanie 4D za pomocą arkuszy świetlnych do zbadania umownej funkcji serca u danio pręgowanego, mając na celu zrozumienie dynamiki skurczu serca na poziomie pojedynczej komórki. Jednym z głównych wyzwań eksperymentalnych jest uzyskanie dynamicznego obrazowania funkcji serca w wysokiej rozdzielczości przestrzennej przy jednoczesnej obserwacji naturalnego rytmu serca. Nasze badanie wypełnia lukę w analizie skomplikowanej dynamiki serca 4D w rozdzielczości pojedynczej komórki.

Wykorzystujemy obliczenia równoległe oparte na GPU, rzeczywistość wirtualną i zaawansowane śledzenie komórek do interpretacji danych obrazowania z arkusza świetlnego. Nasza nowatorska platforma rzeczywistości wirtualnej oferuje interaktywne podejście do oceny regionalnych skurczów serca, zapewniając funkcje manipulacyjne do bardziej dogłębnej analizy. Ułatwiając kierowaną przez użytkownika analizę skurczu serca, nasz protokół może prowadzić do lepszego zrozumienia rozwoju i choroby serca.

Aby rozpocząć, włącz mikroskop stereoskopowy, aby zarejestrować rozwój larw danio pręgowanego, między zerem a siedmioma dniami po zapłodnieniu. Przygotuj 0,8% niskotopliwej agarozy ze 150 miligramami na litr tricainy. Po schłodzeniu agarozy do temperatury pokojowej, za pomocą pipety transferowej, przenieś znieczulonego danio pręgowanego do agarozy.

Za pomocą innej pipety transferowej umieść rybę z agarozą w probówce z fluorowanym etylenem i propylenem. Przymocuj rurkę z zamontowanymi larwami danio pręgowanego do sześcioosiowego stolika na próbki mikroskopu z arkuszem świetlnym z napędem silnikowym. Zanurz probówkę w komorze na próbkę, wypełnionej wodą E3.

Obróć larwy danio pręgowanego od strony brzusznej, aby uzyskać lepszą wizualizację serca. Podłącz zmotoryzowany stolik na próbki do stacji roboczej i skonfiguruj wszystkie niezbędne parametry, w tym żądany tryb ruchu. Nawiąż połączenie między kamerą sCMOS a stacją roboczą.

Ustaw rozmiar kroku na jeden mikrometr, całkowitą liczbę klatek na 300, a czas ekspozycji na pięć milisekund. Następnie zdefiniuj żądany obszar zainteresowania. Włącz laser i rozpocznij obrazowanie larwy pod mikroskopem świetlnym.

Nagraj 300 klatek jako sekwencję obrazów 2D, aby pokryć od trzech do pięciu cykli serca larwy. Nagraj kolejną sekwencję obrazu nowego wycinka próbki, aż całe serce zostanie pokryte. Aby rozpocząć, otwórz program MATLAB.

Otwórz plik test_parallel. m. W zmiennej baseDir określ lokalizację folderu sekwencji obrazów raw.

Przypisz zmiennym numbOfSlice łączną liczbę sekwencji obrazów i numbOfImage liczbę obrazów w każdej sekwencji. Sprawdź sekwencję obrazów środkowej płaszczyzny serca danio pręgowanego. Zidentyfikuj numery ramek pierwszego i czwartego skurczu w tej sekwencji i przypisz je do zmiennych systolicPoint_1st i systolicPoint_4th.

Kliknij uruchom", aby rozpocząć rekonstrukcję obrazową. Pobierz pakiet śledzenia komórek 3D i skonfiguruj środowisko języka Python. Pobierz i otwórz oprogramowanie do adnotacji ITK-SNAP.

Ręcznie oznacz obraz serca 3D w dwóch punktach czasowych, jednym podczas dystalności komory, a drugim podczas skurczu komorowego, aby utworzyć zestawy danych treningowych i walidacyjnych. W Pythonie uruchom program treningowy 3D Cell Tracker. W funkcji trenowania UNet 3D zainicjuj parametry noise_level, folder_path i modelu, aby ustawić wstępnie zdefiniowany model 3D UNet.

W programie MATLAB użyj konwertera przyciemniania obrazu. m, aby przekonwertować i zmienić nazwę zestawu danych trenowania i walidacji na odpowiedni format do ładowania. W Pythonie użyj trenera.

load_dataset i trenera. draw_dataset funkcje do ładowania zestawów danych treningowych i walidacyjnych. Następnie uruchom pierwszą część programu treningowego śledzenia komórek 3D i zdefiniuj parametry obrazowania dla segmentacji komórek 3D.

Teraz w MATLABIE użyj konwertera obrazów DIM. m, aby przekonwertować i zmienić nazwę wszystkich obrazów serca 3D do odpowiedniego formatu i przenieść je do folderu danych. W Pythonie uruchom drugą część programu do śledzenia komórek 3D, aby rozpocząć segmentację.

Po podzieleniu pierwszego obrazu 3D na segmenty porównaj wynik segmentacji z obrazem raw. Przenieś poprawioną segmentację do utworzonego folderu woluminu pierwszego podręcznika. W Pythonie uruchom trzecią część programu do śledzenia komórek 3D, aby podzielić wszystkie obrazy na segmenty.

Następnie otwórz oprogramowanie Amira i porównaj pozycje śledzonych komórek z odpowiadającymi im surowymi obrazami w celu wizualnej oceny wyników śledzenia. Ręcznie zweryfikuj dane wynikowe śledzenia komórek i wybierz komórki o spójnej intensywności obrazu we wszystkich woluminach. W oprogramowaniu do fragmentatora 3D za pomocą etykiet komórek do obj.

ipymbScript, wygeneruj siatkę powierzchni i przypisz unikalny kod koloru do każdej komórki. Eksportuj każdy model 3D jako pojedynczy plik obj, z wieloma obiektami podrzędnymi, którym towarzyszy plik mtl opisujący etykietę komórki. Zaimportuj modele 3D do aparatu Unity, korzystając z licencji edukacyjnej.

Zastosuj dostosowane skrypty, składające się z funkcji napisanych w programie C#, do modeli i elementów interfejsu użytkownika, aby uzyskać wizualizację 4D i interaktywną analizę.