Summary
Le but de cet algorithme consiste à mesurer en continu la distance entre deux arêtes 2 dimensions à l’aide de pathfinding et dilatations de la série d’image. Cet algorithme peut être appliqué à une variété de domaines tels que la biologie structurale cardiaque, biologie vasculaire et génie civil.
Abstract
Un nanodomain extracellulaire récemment décrits, appelé le perinexus, a été impliqué dans ephaptic de couplage, qui est un autre mécanisme de conduction électrique entre les cardiomyocytes. La méthode actuelle pour quantifier cet espace par segmentation manuelle est lente et a faible résolution spatiale. Nous avons développé un algorithme qui utilise les dilatations série image d’un schéma binaire pour compter le nombre de pixels entre deux opposés 2 bords dimensionnelles. Cet algorithme requiert moins d’heures et a une résolution spatiale supérieure à la méthode manuelle tout en préservant la reproductibilité du processus manuel. En fait, expérimentés et débutants les enquêteurs ont pu récapituler les résultats d’une étude antérieure avec ce nouvel algorithme. L’algorithme est limitée par la contribution humaine nécessaire pour définir manuellement la perinexus et la puissance de calcul principalement occupés par un algorithme de pathfinding préexistant. Cependant, les capacités haut débit, haute résolution spatiale et la reproductibilité de l’algorithme rendent un outil de mesure souple et robuste pour une utilisation dans un éventail d’applications nécessitant la mesure de la distance entre les 2 Dimensions (2D ) bords.
Introduction
L’algorithme suivant a été développé pour mesurer la distance intermembranaire entre deux cardiomyocytes structurellement couplés au point qu'ils se séparent les uns des autres au bord d’une plaque de jonction gap dans un nanodomain appelé le perinexus1, qui a incriminé dans ephaptic raccord de2,3,4,5. Analyse des centaines d’images de microscopie électronique (met) de transmission de perinexi selon une méthode de segmentation manuelle dans une précédente étude6, actuellement le besoin a été identifié une méthode un débit plus élevé qu’échantillonnés perinexal largeur en plus résolution spatiale tout en préservant la fidélité du processus de segmentation manuelle précédente au cours de la segmentation manuelle, les lignes sont tracées à intervalles de 15 nm, environ orthogonales à l’axe central, afin de mesurer la largeur de la perinexal. Le nouvel algorithme prend un contour épais binaire d’un pixel de deux lignes parallèles et utilise des dilatations image serial pour compter le nombre de pixels entre les deux membranes. Alors que les dilatations de l’image ont été utilisées dans une myriade d’applications de traitement d’image, y compris le contour ou détection de bord7,8, cet algorithme utilise des dilatations comme un mécanisme de comptage. L’axe est alors isolé à l’aide d’un algorithme de pathfinding9 et perinexal largeur est alors mesurée à une résolution sur la longueur du perinexus égale à la résolution de l’image. La différence de résolution dans ce cas est 1 mesure par tranche de 15 nm pour segmentation manuelle et 1 mesure / 0,34 nm avec le nouvel algorithme, une augmentation de la fréquence d’échantillonnage spatiale 44-fold. En outre, cette augmentation de la fréquence d’échantillonnage s’effectue à environ 1/5ème le temps nécessaire pour segmentation manuelle.
Cet algorithme sera utilisé sous sa forme actuelle pour mesurer la largeur de la perinexal à la classique 0-150 nm du bord d’une gap junction plaque5 (GJ), ainsi que dans une région déterminée d’intérêt, où le perinexus des plateaux entre 30 et 105 nm2 , 3 , 10. l’augmentation de la fréquence d’échantillonnage réduit la variabilité individuelle perinexus par rapport à la segmentation manuelle et raccourcissent considérablement les temps d’analyse, permettant un traitement efficace des grands ensembles de données. Toutefois, ce programme n’est pas limité aux images TEM nanométriques de disques intercalés cardiaques. La même approche pourrait être utilisée pour quantifier le diamètre vasculaire, la fraction d’éjection ventriculaire ou même non biologiques des phénomènes tels que l’érosion fluviale ou les inondations. Cet algorithme est approprié pour quantifier la distance entre les deux bords quasi parallèles.
Protocol
Remarque : Le logiciel requis sont ImageJ (ou un logiciel similaire-modification d’image) et Matlab R2015. L’utilisateur peut rencontrer des problèmes de compatibilité avec d’autres versions de Matlab.
1. prétraitement d’Images
- Pour n’importe quelle image en niveaux de gris, assurez-vous que la valeur de l’intensité maximale d’un pixel donné est < 255. Cela est généralement fait en soustrayant la valeur 1 de l’image dans le programme personnalisé de Matlab « ImageSub.m », inclus dans le fichier supplémentaire S1.
2. soulignant la Perinexus
- Un aperçu du perinexus dans ImageJ ou autre logiciel de traitement d’image.
- Veiller à ce que l’esquisse est un pixel d’épaisseur et est définie sur la valeur d’intensité plus élevée dans une image (255 dans une image en niveaux de gris, de 0 à 255).
- Identifier le GJ par ses pentalaminar structure11,12et définir le début de le perinexus comme le point auquel les deux s’opposant à membrane cellulaire bicouches divergent, comme illustré dans la Figure 1A. BEGIN ~ 200 nm entre le bord de la GJ, retraçant le long de la membrane interne de la première cellule et retour le long de la membrane interne de la deuxième cellule. Dans ImageJ, relâcher le stylet pour fermer automatiquement le contour. Cette clôture artificielle sera tronquée plus tard.
Remarque : Il est crucial d’esquisser la perinexus avec beaucoup de soin au plus haut un grossissement que possible, car même de petites applications erronées du contour peuvent entraîner quelques nanomètres d’erreur dans l’évaluation finale.
3. mise en place d’algorithme et de sélection des Perinexus d’intérêt
Remarque : L’algorithme de pathfinding nécessite l’autographe, bord, graphe, nœud et Pathfinding fonctions9 pour être dans le même répertoire que le fichier MembraneSepDist m. Tous les fichiers se trouvent dans le fichier supplémentaire S1.
- Sélectionnez Enregistrer les emplacements de données et de chiffres. Ce sont actuellement codée en dur dans le fichier m.
Remarque : La première ligne du programme est une fonction pour effacer toutes les variables, fermez toutes les fenêtres et effacer la fenêtre de commande. Sauver des variables souhaitées ou figures avant d’exécuter le fichier m.
NOTE : Captures d’écran du logiciel sont incluses dans toutes les valeurs codées en dur dans le fichier complémentaire S2. - Exécutez le programme « MembraneSepDist.m ».
- Définir les paramètres.
Remarque : Une interface graphique s’affiche avec les paramètres par défaut pour le seuil de gradient, l’échelle, la région d’intérêt et démarrage manuel. Les valeurs par défaut peuvent être modifiés dans le fichier m, ou ils peuvent être modifiés pour chaque image.- Spatiale dérivée gradient seuil fixé.
Remarque : Des valeurs plus élevées donne plus de points choisis dans l’isolement de la ligne médiane. Les valeurs qui sont trop haut ou trop bas (en dehors d’une plage d’environ 3,0-7,9) peuvent entraîner calcul inefficacité ou une sélection imprécise des points axe rendement isolation imprécis d’axe (voir Figure 2A-C). - Définissez l’échelle en unités de pixels/échelle.
- Définir les limites inférieures et supérieures spatiales pour la région d’intérêt.
Remarque : Par convention de notre laboratoire, la région définie d’intérêt est entre 30 et 105 nm du bord de la GJ2,3,10. - Régler la mise en marche automatique/manuel. Dans la majorité des cas, l’algorithme détecte avec précision le point de départ où le gap junction finit et la perinexus commence. Toutefois, dans certains cas de perinexi de forme irrégulière, l’utilisateur doit identifier le point de démarrer manuellement. Définissez cette valeur sur 0 pour automatique, 1 pour le manuel.
- Spatiale dérivée gradient seuil fixé.
- Choisissez l’image désirée.
Remarque : Le dossier Sélectionner fichier peut être modifié dans le fichier m. - Recadrer l’image pour sélectionner les perinexus d’intérêt.
- Lorsque l’image s’affiche, le curseur passe automatiquement à une croix. Recadrer l’image en faisant glisser un cadre autour de la perinexus d’intérêts (voir Figure 3). La boîte de culture peut être ajustée en utilisant les carrés sur les côtés et les coins pour le rendre plus grand ou plus petit.
- Lors de l’emblavage, assure la fin « ouverte » de le perinexus (plus éloigné de la GJ, voir Figure 3) est recadrée afin que les contours de deux membranes atteignent le bord de l’image recadrée.
Remarque : Il est recommandé de faire l’image plein écran à plus facilement voir le perinexus d’intérêt et recadrer correctement.
- Sélectionnez la récolte finale en double-cliquant avec le curseur entre les bords opposés doivent être mesurés.
Remarque : Il est essentiel que le double-clic se dérouleront à l’intérieur de la perinexus. Si le programme ne parvient pas à identifier un axe central, redémarrez le programme et veillez à ce que le déclic se produit au sein de la perinexus. - Observez l’axe final après toutes les dilatations et les érosions pop pour une évaluation finale de l’efficacité du programme.
Remarque : Une boîte de dialogue s’affiche sur l’écran pendant que le programme fonctionne pour informer l’utilisateur que Matlab ne pourra pas traiter les commandes supplémentaires jusqu'à ce que le programme est terminé. Combien de temps ce processus prend dépend de la taille du tableau (image) et la puissance de traitement informatique. - Si le point de démarrage manuel est activé, observer l’image de l’axe central sautent vers le haut sur l’image anatomique originale, avec un curseur de croix (voir Figure 2E). Sélectionner un point en dehors de la perinexus près du point de début souhaité.
NOTE : Le programme va trouver le point de l’axe le plus près possible à pixel sélectionné et l’utiliser comme point de départ. - Enregistrer des données.
Remarque : Une fois le programme terminé, le programme retourne un axe mappé, terrain de perinexal largeur en fonction de la distance entre le bord de la GJ. En outre, le programme renvoie la largeur moyenne perinexal jusqu'à 150 nm du bord de la GJ ainsi que la moyenne à partir de la région définie d’intérêt à la ligne de commande Matlab. Les valeurs dep W et distances de la GJ sont stockés dans la variable « WpList » ou l’utilisateur peut enregistrer manuellement les séparément.
4. algorithme dépannage
- Si l’axe n’est pas correctement identifié (Figure 2A), ouvrir le chiffre « Gmag » et utiliser l’Index pour identifier un seuil approprié de gradient (Figure 2C).
- Si le point de départ n’est pas correctement identifié, définir le point de démarrer manuellement (voir protocole 3.8).
Representative Results
Méthodes statistiques : Des comparaisons ont été faites entre les groupes expérimentaux à l’aide du test t de Student. Une valeur p < 0,05 est considérée comme significative et toutes les valeurs sont représentées comme moyenne ± écart-type.
Segmentation manuelle. La quantification de la largeur de nanodomain perinexus GJ adjacente (W,p) est généralement accomplie par segmentation manuelle. Ce processus de segmentation manuelle est illustré dans la Figure 1A et a été décrit précédemment6. L’observateur identifie le bord de la GJ (Figure 1, point rouge), mesure 5 nm le long du centre de la perinexus et mesure la distance entre les membranes à ce moment-là. Le processus est ensuite répété à 10, 15, 30 et toutes les 15 nm jusqu'à 150 nm. Cette technique, bien qu’efficace, a ses limites de temps et spatiale sous échantillonnage le long de la perinexus.
Veux dire mesuresp W d’études antérieures peuvent varier d’environ 10 à 20 nm2,3,10et 3 nm semble être la différence moyenne nécessaire pour détecter la signification statistique, qui est nettement supérieur à la fréquence de Nyquist spatiale de 0,7 nm par mesure selon une résolution interpixel de 0,34 nm. Alors que la segmentation manuelle prend beaucoup de temps, la méthode est donc suffisante pour mesurer les différences de Wp associé à un état de l’intervention ou la maladie.
Image série dilatations. Afin de mesurer la perinexus d’une manière plus rapide et reproductible avec une résolution spatiale appropriée, nous avons développé un programme basé sur les dilatations série image à compter les pixels entre deux membranes tracée manuellement, ce qui peuvent être vu dans la Figure 1B .
Le processus de dilatation série est illustré à la Figure 4. Comme l’image binaire est dilatée (Figure 4 a-4D), que la dilatation est alors inversée et ajoutée à une image de travail - non binaire consistant en l’esquisse originale (Figure 4E-4 H). Le processus est répété jusqu'à ce que le contour est entièrement rempli (Figure 4D). À ce stade, l’image finale du travail (Figure 4H) est le nombre de fois qu'un pixel particulier est resté non dilaté. Par conséquent, les valeurs près le contour de la membrane cellulaire sont très faibles, tandis que les valeurs au centre sont les plus élevés. En comptant le nombre de dilatations pour remplir la zone à chaque point, la distance entre les bords de la membrane peut être calculée. Le prochain défi est d’identifier et d’isoler la ligne médiane pour quantifier perinexal largeur en fonction de la distance de la GJ, qui se fait en premier s’appliquant à un dérivé spatial à l’image finale du travail (Figure 2-dernière image et Figure 5 A). Un deuxième exemple d’une perinexus plus irrégulière se trouvent dans le fichier complémentaire de S3.
Axe Identification. Le gradient de l’image finale du travail peut être quantifié en un dérivé spatial, comme comte de dilatation modification des valeurs du bord à bord de forte à faible à élevée à nouveau (Figure 5A de gauche à droite). Considérant seulement l’ampleur de la dérivée spatiale (Figure 5B), le contour et le trait d’axe, mis en évidence par les flèches blanches, sont immédiatement identifiables comme des zones de discontinuité. À ces endroits, la direction de gradient change d’augmenter à la baisse, et inversement. Application d’un seuil (Figure 5C) produit une image binaire de la ligne médiane et le contour, et en soustrayant l’esquisse originale donne l’axe isolé (Figure 5D). Alors que cette méthode consistant à isoler l’axe central est efficace par le calcul, le seuil appliqué au dérivé spatial crée des vides dans l’axe qui en résulte. Ces lacunes (Figure 5D, insérer) doivent être remplis pour fournir une mesure précise de la distance de la GJ et pour maintenir que la perinexus est mesurée dans son intégralité. Tout d’abord, l’axe central est dilaté pour combler les trous (Figure 5E), suivie d’une érosion (Figure 5F) et une fonction « bwmorph » (opération = « skel », n = inf) d’éliminer autant de points que possible tout en laissant une axe central continu, ce qui augmente l’efficacité de calcul d’un algorithme de pathfinding ultérieures développé par Wasit Limprasert et disponible sur MATLAB Central9. Cette fonction de dilatation-érosion produit l’axe dûment rempli, qui est associé à l’image finale du travail (Figure 5G). Toutefois, cet axe est souvent plus d’un pixel d’épaisseur et n’est donc pas un isolement précis de l’axe central.
L’algorithme de pathfinding de Wasit Limprasert est utilisé pour déterminer l’axe de perinexus. L’algorithme de pathfinding est en mesure de suivre les valeurs les plus élevées - dans ce cas les valeurs plus proches du centre, qui est resté non dilaté par le biais de la plupart des itérations le long de l’axe (Figure 5G, insérer). Il en résulte une trace automatique de l’axe central, tel qu’illustré à la Figure 6. En isolant l’axe central, perinexal largeur peut être présenté en fonction de la distance entre l’extrémité de la GJ, comme illustré à la Figure 6B (en haut), ou comme la largeur moyenne d’une région déterminée d’intérêt.
Noyau analyse. Il est important de noter que les images numérisées sont basées sur des tableaux carrés et noyaux de dilatation sont également issu des matrices carrées. Cela signifie que la distance de dilatation dans une diagonale est supérieure à orthogonale. Par conséquent, nous avons voulu ensuite déterminer si le noyau influé sur les résultats de l’algorithme. Afin de quantifier la variabilité spécifique du noyau, on a analysé les cinq formes différentes de noyau : «Plus» (la forme utilisée dans les analyses ci-dessus), «X», «boîte» et «ligne», tel que décrit dans la Figure 7A. Le noyau est appliqué à chaque point zéro d’une image binaire. L’étoile dans chaque noyau de Figure 7A représente le centre, où blanc est une valeur de 1 et le noir est une valeur de 0 pour le noyau de la dilatation.
Influence de chaque noyau sur la mesure dep W moyenne d’une seule image perinexal approximativement horizontale (Figure 7B, top), quantifiée par un utilisateur expérimenté, a été déterminé par la rotation de l’image avec la commande « imrotate » de Matlab et calcul de Wp par paliers de 10 °. Les valeurs de mesurep W (Figure 7B, bas) fluctuent avec l’orientation de l’image de manière sinusoïdale rectifiée avec un Plus en forme de noyau. Les valeurs les plus basses se produisent quand une perinexus relativement rectiligne est orienté verticalement ou horizontalement. Le X, ni boîte, ni ligne noyaux fournis aucun avantage sur le noyau en forme de plus. Les noyaux X et boîte produit des résultats identiques, mais les valeurs des moyennes Wp étaient déphasés avec the noyau de Plus de 45 °. Le noyau de la ligne n’a pas pleinement dilater l’image à certains angles comme on le voit par l’absence de données dans la trace verte pour tourner des images de moins de 30 ou plus de 145 °. Ainsi, le noyau de dilatation orthogonal Plus surestimé séparation par membrane lorsque dilater un perinexus avec un axe orienté en diagonale par exemple à environ 45 °, et les noyaux X et boîte sous-estimé moyenne Wp quand l’axe longitudinal de la perinexus était aussi à 45°. Selon cette analyse, nous avons développé un facteur de correction appliqué aux valeurs de dilatation avec le noyau en forme de plus. Pour tenir compte de la surestimation de séparation par membrane liée à l’orientation de l’image, ce facteur de correction multiplié par la valeur de la largeur mesurée selon l’orientation de l’image (équation 1).
Si θ < 45°
Wp corrigé = cosd(θ) * Wp mesurée
Si θ ≥45 °
Wp corrigé = cosd(θ) * Wp mesurée (équation 1)
Dans cette équation, Wp mesurée est la valeur dep W origine générée par l’algorithme ci-dessus et le θ est l’angle calculé de l’horizontal, en degrés. Θ est calculé en prenant la tangente inverse de la variation totale dans le sens horizontal divisé par le changement total dans la direction verticale de l’axe perinexal. Ces corrections rapproche de la pente moyenne, par rapport à horizontale, de la perinexus (Figure 8A, haut à gauche) et se traduit par une mesure que si elles proviennent d’un perinexus horizontal (Figure 8A, bas à gauche). Le raisonnement derrière cette équation provient du fait que le noyau en forme de plus (Figure 7A) est essentiellement deux noyaux en forme de ligne et disposés perpendiculairement les uns aux autres. À ce titre, inférieure à 45° (plus près à l’horizontale), les dilatations se produisent verticalement et donc en multipliant par le cosinus de l’angle donne la mesure correcte. À l’inverse, pour les angles au-dessus de dilatations (proches de la verticale), 45° se produisent horizontalement et le sinus est utilisé pour déterminer la mesure correcte. Précisément à 45 °, le sinus et cosinus sont égaux. Fichier supplémentaire S4 fournit une représentation de ce concept. Notez que cette correction est basée sur l’angle moyen et soyez prudent lors de l’analyse des formes sensiblement non linéaire. Ce processus a été répété sur 20 perinexi choisis au hasard et les mesures corrigées fortement corrélée avec les mesures obtenues en tournant manuellement et en ré-analysant les images (Figure 8A, droite). Pour confirmer la correction exacte pour l’orientation de l’image, deux séries d’arêtes fantômes ont été générés (Figure 8B, à gauche) et tourné de 180 °. Avec la correction trigonométrique, l’algorithme revient avec précision la valeur correcte de chaque orientation, quelle que soit la résolution spatiale ou de la taille de l’image (Figure 8B, droit).
Application analytique et la reproductibilité avec Correction de l’Orientation. Rappelant que des études antérieures à l’aide du rapport de segmentation manuelle statistiquement significative Wp différences supérieures à moyennes ou égal à 3 nm, il était important de déterminer si l’algorithme pourrait être utilisé pour récapituler les résultats précédents à l’aide une ensemble complet de données. En utilisant le nouvel algorithme, deux observateurs - un vécu et un unexperienced avec analyse perinexal (Obs. 1 et Obs. 2, respectivement)-analysé les mêmes images d’une précédente étude6 qui comprenait 12 patients qui ont été diagnostiqués avec l’auriculaire fibrillation auriculaire (FA) avant prélèvement tissulaire et 29 patients qui n’avaient pas de AF préexistante (non-AF). Les utilisateurs expérimentés trouvent que Wp était sensiblement plus large chez les patients avec l’AF que sans AF (21.9±2.5 et 18.4±2.0 nm, respectivement, Figure 9A). Ces valeurs avec le facteur de correction appliquées sont similaires à celles rapportées précédemment (24.4±2.2 nm et 20.7±2.4 nm, respectivement)6. Ce qui est important, l’utilisateur inexpérimenté a constaté la même différence significative (22.1±2.8 nm et 20.1±2.6 nm, respectivement) entre les États de la maladie avec le programme automatisé. En outre, l’écart type des valeursp W n’a pas changé avec le facteur de correction, ce qui indique l’écart de 2-3 nm n’est pas un artefact de l’algorithme, mais de la structure elle-même et le traitement des tissus. Ces résultats démontrent que la méthode automatisée proposée est capable de récapitulant les résultats d’études antérieures.
Ce qui est important, le perinexus est une structure définie récemment et aucun consensus ne s’est dégagé sur la gamme des valeurs absolues de séparation par membrane adjacente au GJ2,3. Étant donné que la largeur GJ externe-membrane-à-membrane externe a été précédemment estimé à 20 nm13, nous avons cherché à déterminer l’efficacité de l’algorithme de mesurer également la largeur de GJ. Les deux observateurs observés aucune différence significative entre les largeurs de jonction gap (GJW) des patients avec ou sans AF préexistante (Figure 9B). Valeurs absolues de GJW pour AF et les patients non-AF étaient de 20,5 ± 2,5 nm et 20,3 ± 1,9 nm, respectivement pour l’observateur expérimenté et 21.0 ± 3,1 nm et 20.0 ± 2,2 nm pour l’observateur inexpérimenté, semblable à ce qui a été rapporté précédemment.
Pour déterminer si l’algorithme automatisé tenu moins de temps pour analyser les données que la segmentation manuelle, aussi bien l’utilisateur expérimenté et inexpérimenté ont enregistré le temps nécessaire pour quantifier une formation 10-image définie (fichier supplémentaires S5). Le tableau 1 montre que l’utilisateur expérimenté et inexpérimenté ont diminué temps d’analyse de 4,7 et 8.3 fois respectivement en utilisant l’algorithme automatisé par rapport à l’approche de la segmentation manuelle, avec une augmentation environ 43-fold spatiale résolution le long de la perinexus.
Algorithme de dépannage. L’erreur la plus fréquente lors de l’exécution de l’algorithme se produit lorsque l’axe final ne s’arrête pas au bord de l’image. Dans ce cas, pas assez de points ont été tirés de la carte spatiale de la dérivée, causant le programme en panne et de produire un message d’erreur indiquant l’utilisateur de sélectionner une plus grande surface de récolte ou augmenter le seuil dérivé spatial. Dessin d’une plus grande boîte de culture améliorera la fiabilité du programme dans certains cas comme les changements spatiaux dérivés radicalement près des bords de la figure, qui peuvent perturber les algorithmes de détection de pathfinding ou bord.
Il est également possible pour l’algorithme de pathfinding ne parviennent pas à identifier correctement la ligne médiane, même si l’axe arrive au bord de l’image, particulièrement si le seuil de gradient est trop basse (Figure 2A). Si le seuil de gradient est réglé trop haut, il y aura plus de points inutiles incorporés dans l’algorithme de pathfinding (Figure 2B), diminuant l’efficacité computationnelle. Si l’utilisateur est incapable de déterminer un seuil approprié, le tableau de l’image "GMag » (Figure 2C), qui est généré par le programme et se trouve dans l’espace de travail, peut aider l’utilisateur déterminer le seuil. Trouvez les points le long de la ligne médiane et régler le seuil légèrement au-dessus de leur valeur d’Index pour assurer que ces points sont choisis. Dans l’exemple donné, un seuil approprié serait au-dessus de ~5.1 (Figure 2C, insérer).
Le point de départ peut également échouer atteindre le début de le perinexus (Figure 2D). Dans ce cas, ré-exécuter le programme et affectez la valeur de Démarrage manuel 1. Après que l’axe a été isolé, l’utilisateur sélectionne un point situé en dehors de la perinexus et le point d’axe le plus proche de pixel sélectionné (Figure 2E, la place rouge) sera défini comme le point de départ. Le résultat est l’axe plein (Figure 2F).
Figure 1 : Images TEM avec processus de quantification. Le processus de segmentation manuelle (A) oblige l’utilisateur à effectuer des 12 mesures intermembranaire individuels tout en estimant l’axe central. Le processus automatique (B) exige une trace manuelle, continue, de l’esquisse de la perinexus. Le point rouge dans chaque image représente la fin utilisateur-identifié de la GJ et le début de la perinexus. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 2 : Axe dépannage. Deux modes principaux d’échec pour l’identification de la ligne médiane et leurs solutions : chaque image est étiqueté avec le nom du tableau dans Matlab. Si le seuil de gradient est trop faible (A, seuil 0,2), l’algorithme d’axe peut échouer. Réglage du seuil trop élevé (B, seuil 70) peut réduire l’efficacité computationnelle de l’algorithme de pathfinding. Un seuil approprié de gradient peut être déterminé par le tableau de GMag (C, insérer). Si l’axe n’ont pas atteint le bord de début de la perinexus (D), l’utilisateur peut choisir de sélectionner manuellement le point de départ. Après le « Point de commencer » option est définie sur 1 dans le GUI de l’ouverture, l’utilisateur, puis sélectionne un point en dehors de la perinexus d’intérêt (E). Le résultat final devrait être un axe central qui représente avec précision la totalité de la perinexus (F). Toutes les étiquettes en citations (A-F) correspondent aux noms de variable dans Matlab. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 3 : Sélection de Perinexus. Pour rogner le perinexus, cliquez et maintenez pour faire glisser une boîte autour d’elle (l’outil de recadrage est sélectionnée automatiquement) comme indiqué par la flèche bleue. Cette boîte peut être ajustée en utilisant les carrés sur les côtés et les coins pour le rendre plus grand ou plus petit. La flèche verte représente la fin de la perinexus, dont l’utilisateur doit s’assurer reste « ouverte ». S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 4 : Dilatations série image. Le plan binaire est à plusieurs reprises dilaté par incréments d’un pixel (A-D) et ajouté à l’image de travail (forme non binaire de l’image, E-H) après chaque dilatation. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 5: pathfinding et l’isolement de la ligne médiane. Un dérivé spatial est calculé à partir de l’image finale du travail (A) et l’ampleur de cette dérivée spatiale (B) est utilisée pour isoler le contour et le trait d’axe (flèches blanches). Un seuil défini par l’utilisateur identifie les grandes lignes et l’axe central et en soustrayant l’esquisse originale donne l’axe (D). Toutefois, les lacunes apparaissent dans l’axe à la suite du seuil (D - insérer). Afin de produire une ligne de construction continue, une dilatation secondaire est effectuée sur l’axe isolé (E), suivie d’une érosion secondaire pour accroître l’efficacité de calcul d’un algorithme de pathfinding ultérieures. Cette image érodée (F) se combine alors avec l’image finale du travail, ce qui permet d’identifier un axe continu, un pixel d’épaisseur (G - insérer). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 6 : Présentation de données final. Le programme des sorties du contour final sur le dessus de l’image originale de TEM (A). La ligne est de couleur verte pour 0-150 nm, bleu pour la région définie par l’utilisateur de l’intérêt et le rouge pour la zone au-delà de 150 nm. En outre, le programme génère un graphique de même couleur représentant Wp en fonction de la distance entre le début de la perinexus et pour la région d’intérêt (B), ainsi que la moyenne Wp (médaillon graphique respectifs). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 7 : Analyse de la forme du noyau dilatation. Formes pour les noyaux de dilatation (A) : l’étoile au milieu représente les pixels dilatées. Boîtes blanches sont touchés par la dilatation, sous la forme d’un plus, X, boîte ou ligne de pixels. Un perinexus environ horizontal (B, haut, avec une ligne rouge indiquant 0°) a été tourné vers la droite de 0 à 180° par pas de 10° et dilatée à plusieurs reprises en utilisant les formes de noyau différent (B, en bas). Plus et ligne-en forme de grains donnent des résultats similaires, bien que le noyau de la ligne échoue à certaines orientations, alors que les noyaux et X-en forme de boîte sont déphasées de 45 °. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 8 : Correction de l’Orientation de l’image. À correct pour l’orientation de l’image, la pente moyenne de la perinexus est calculée à partir des positions du début - et end - points (A, à gauche, début et fin de ligne noire). La tangente inverse de la variation de l’axe y (une, ligne de gauche, verte) divisé par le changement du rendement de la direction x (A, gauche, la ligne rouge) l’angle de correction, θ (A, gauche, jaune). Le but est de corriger ensuite la valeur dep W moyenne pour donner la distance minimale entre les bords, comme si le perinexus avait été photographié environ horizontalement (A, ci-dessous à gauche). L’application du facteur de correction décrite par l’équation 1 a été comparée à tourner manuellement chacune des 15 images choisies au hasard par le θ calculée avant l’analyse. Les valeurs corrigées fortement corrélés avec les valeurs de rotation-image (R2 = 0,991, A, droite), indiquant que l’équation 1 est un facteur de correction valable pour l’orientation de l’image. Pour confirmer que le facteur de correction est approprié, deux fantômes ont généré des bords parfaitement parallèles avec une distance connue entre eux (B, à gauche). Phantom 1 et 2 de Phantom ont une résolution spatiale de 2,833 pixels / mm et 71,6 pixels/pouce, respectivement. Comme en témoigne les diamants bleus et les carrés rouges en B, droite, l’algorithme avec précision calcule leurs largeurs dans 180 degrés de rotation de l’image. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 9 : Reproductibilité algorithme. En utilisant le processus automatique avec correction de l’orientation d’image, un observateur à la fois expérimenté et inexpérimenté trouvé des différences significatives entre AF et non-AF groupes (A), conformes à une précédente étude, détecter une différence minimale de 2,6 nm. En outre, aucun observateur a trouvé une différence significative dans la GJW (B). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
| Manuelle | Automatique | |
| Temps - Obs. 1 (s) | 205±11 | 44±14 |
| Temps - Obs. 2 (s) | 248±18 | 30±5 |
| Résolution spatiale (mesures/nm) | 0,08 | 3.45 |
Tableau 1 : comparaison des processus manuels et automatiques de. Les deux observateurs exigé moins de temps par image pour tracer le contour qu’afin effectuer le processus de segmentation manuelle pour un ensemble de formation image-10. En outre, le processus automatique dispose d’une plus grande fréquence d’échantillonnage, enregistrement des 3,45 mesures / nm, comparée à une moyenne de 1 mesure chaque 12,5 nm pour le processus manuel. Les images de set formation trouvera dans S5 de fichier supplémentaire, ainsi que les contours et les mesures interprété par un utilisateur expérimenté.
Discussion
L’algorithme utilise des dilatations image serial pour compter le nombre de pixels entre les deux bords opposés de 2D dans une image binaire, qui est dans ce cas la séparation par inter-membrane de le perinexus2,3,14. Un dérivé spatial et un algorithme de pathfinding sont ensuite utilisés pour isoler la ligne médiane, suivie d’une séquence de dilatation et d’érosion secondaire pour combler les lacunes dans l’axe central, semblable à ce qui a été fait avant le15. L’axe central est ensuite combiné avec l’image de dilatation-décompte final pour représenter perinexal largeur en fonction de la distance depuis le début de la séparation du bord, dans ce cas, la fin de la GJ et le début de l' perinexus16.
Quatre paramètres primaires sont définies par l’utilisateur dans une interface graphique au début du programme :
- Seuil de gradient
- Échelle
- Région de gamme de l’intérêt
- Commencer la méthode de sélection de point (automatique ou manuel)
Le mécanisme plus courant d’échec de l’algorithme est l’échec de la ligne médiane pour atteindre le bord de l’image, qui est la façon dont le point de terminaison est déterminée pour l’algorithme de pathfinding. Afin de résoudre un tel problème, l’utilisateur peut augmenter le seuil de gradient décrit à l’étape 3.3.1, qui entraînera le programme sélectionner plusieurs points sur l’image dérivée spatiale, ce qui augmentera le temps de calcul requis par l’algorithme de pathfinding. Cet algorithme exige donc un compromis entre l’intégrité vitesse et axe de calcul. Il est important de noter que tant que tous les points de l’axe central sont identifiés de la dérivée spatiale, ainsi que d’un point de départ approprié, le seuil de dérivés spatial aura aucun effet sur la mesure de séparation de bord.
Orientation de l’image semble affecter les valeurs de dilatation, parce que le noyau se dilate en incréments de 90 degrés, qui peut introduire une erreur si la majorité de la région d’intérêt est à un angle de 45° pour les axes des matrices de dilatation. Par conséquent, le comte de dilatation peut être pas toujours une représentation exacte de l’espace entre les bords. Cette limitation a été traitée par un facteur de correction trigonométriques, mais pourrait potentiellement être ignorée si toutes les images dans un groupe de données sont alignés dans la même orientation. En outre, prudence dans l’interprétation des résultats, qu’il est possible que les plans de coupe ne sont pas parfaitement perpendiculaires aux deux membranes. Dans la Figure 9B, nous utilisons GJW de suggérer que nos images perinexus sont dans le plan. Pourtant, il est impératif que les tailles d’échantillon soit suffisamment grand pour tenir compte des variantes de sectionnement entre les images. En outre, nos mesures de largeur de perinexal ne doivent pas être interprétées pour refléter dans vivo les espaces, mais cette approche est utilisée pour mesurer les différences moyennes de perinexal large par rapport à un état de l’intervention ou d’une maladie.
L’algorithme actuel exige également une esquisse tracée manuellement des bords en tant qu’entrée. Il est important de noter que tant que l’échelle est définie correctement, résolution spatiale est sans effet sur les mesures de l’algorithme, comme en témoignent les résolutions variables d’images dans la Figure 6 et une image basse résolution supplémentaire en supplémentaire fichier S6. La prochaine étape dans l’amélioration de l’algorithme est la suppression de génération de schéma avec un outil qui peut sélectionner la zone d’intérêt l’intervention humaine. Ces caractéristiques seraient probablement améliorer la précision de la mesure et réduire le biais de l’utilisateur.
Cet algorithme de calcul efficace fournit une méthode plus rapide, nécessitant environ un cinquième les heures de travail, de quantifier la perinexus sans pénalité détectable à la reproductibilité par rapport au processus de segmentation manuelle. En outre, le processus de segmentation manuelle utilise une mesure chaque 15 nanomètres pour mesurer la largeur de perinexal, ce qui peut entraîner sous échantillonnage que la séparation par membrane de la perinexus peut changer considérablement dans cette plage nm 15. En revanche, le programme automatisé a une résolution spatiale égale à celle de la modalité d’imagerie, en l’occurrence 2,9 pixels par nanomètre le long de la perinexus, offrant par conséquent une moyenne plus finement réglée de largeur perinexal.
Tandis que les applications dans le domaine de la biologie structurale cardiaque sont prometteurs et passionnant, utilisations de cet algorithme ne se limitent pas aux images TEM. N’importe quel champ nécessitant une mesure précise, à haute résolution des deux bords 2D quasi parallèles peut rendre l’utilisation de cet algorithme. L’algorithme pourrait servir à quoi que ce soit suivre des modèles l’érosion et les inondations berge d’images satellitaires au développement vasculaire avec fond clair ou fluorescentes de la microscopie. Une des applications potentielles plus prometteuses est dans le domaine de la cardiologie et de mesurer la fraction d’éjection ventriculaire (EF) avec point-of-care échocardiographie cardiaque. Actuellement, la technique standard est la méthode de biplan de disques17, si un algorithme plus récent, AutoEF, est actuellement le tranchant EF-quantification méthode18,19. Pour la méthode de biplan de disques, la chambre en question est tracée manuellement et quantifiées à l’aide de la méthode de Simpson a mis à jour le, par lequel volume global est calculé automatiquement par la sommation des disques elliptiques empilés. La principale limitation de cette méthode est qu’elle ne peut renvoyer à la section transversale totale de la chambre souhaitée, avec aucune résolution pour identifier des régions spécifiques d’intérêt et aussi requiert un savoir-faire et un apport humain substantiel. La nouvelle méthode, AutoEF, identifie et décrit le bord du ventricule en utilisant un algorithme mouchetà 2D et puis calcule l’aire transversale ventriculaire. Ce processus, bien que précis et efficace pour mesurer la surface ventriculaire brute, a également une limitation intrinsèque semblable seulement mesurer la superficie transversale totale. Cet inconvénient principal limite les capacités de diagnostic et de traitement des cliniciens. En revanche, l’algorithme présenté dans ce manuscrit peut identifier une ligne médiane et a une résolution égale à la résolution de la modalité d’imagerie pour identifier des régions spécifiques d’intérêt. Ceci est important car les échographes avec une résolution spatiale micromètre sont disponibles dans le commerce20,21, ce qui implique que cet algorithme pourrait détecter des anomalies de mouvement mur localisée à la résolution de micromètres au lieu de centimètres. Alors que cette application doit être validé expérimentalement, c’est une des applications plus prometteuses de cet algorithme. En fait, il pourrait facilement être combiné avec le chatoiement suivi des capacités de AutoEF ou les traces de manuels utilisé en planimétrie manuelle de fournir des renseignements de haute résolution en parallèle avec les données conventionnelles de EF.
Aussi polyvalent et il y a lieu, comme c’est l’algorithme en cours, il a été développé pour les images 2D. Cependant, comme les technologies d’imagerie continueront à améliorer, il y a une demande croissante pour les technologies de quantification D 3 et 4. Par conséquent, la prochaine itération de l’algorithme est d’adapter la même approche, dilatation en série une image binaire, à un objet 3D, définir automatiquement un axe où est actuellement au-delà des capacités des programmes d’imagerie actuels. Un tel algorithme aurait des applications larges tant sur le plan clinique et expérimentale dans le domaine cardiaque seul, y compris une échocardiographie cardiaque 3D22,23, microscopie 3D24,25, 26et la résonance magnétique 3D imagerie27,28,29.
Disclosures
Les auteurs n’ont rien à divulguer.
Acknowledgments
Les auteurs tiennent à remercier Kathy Lowe à la Virginie-Maryland College of Veterinary Medicine pour le traitement et la coloration des échantillons TEM.
Financement :
National Institutes of Health R01-HL102298
National Institutes of Health F31-HL140873-01
Materials
| Name | Company | Catalog Number | Comments |
| Touchscreen Monitor | Dell | S2240T | Needs soft-tipped stylus |
| Desktop | Dell | Precision T1650 | 8GB RAM |
| Operating System | Microsoft | Windows 7 Enterprise | 64-bit OS |
| Program platform | Mathworks | Matlab R2015b | Program may be incompatible with newer/older versions of Matlab |
References
- Rhett, J. M., Gourdie, R. G. The perinexus: a new feature of Cx43 gap junction organization. Heart Rhythm. 9 (4), 619-623 (2012).
- Veeraraghavan, R., et al. Sodium channels in the Cx43 gap junction perinexus may constitute a cardiac ephapse: an experimental and modeling study. Pflugers Archiv: European Journal of Physiology. , (2015).
- George, S. A., et al. Extracellular sodium dependence of the conduction velocity-calcium relationship: evidence of ephaptic self-attenuation. American Journal of Physiology - Heart and Circulatory Physiology. 310 (9), 1129-1139 (2016).
- Veeraraghavan, R., et al. Potassium channels in the Cx43 gap junction perinexus modulate ephaptic coupling: an experimental and modeling study. Pflugers Archiv: European Journal of Physiology. , (2016).
- Rhett, J. M., et al. Cx43 associates with Na(v)1.5 in the cardiomyocyte perinexus. Journal of Membrane Biology. 245 (7), 411-422 (2012).
- Raisch, T. B., et al. Intercalated Disc Extracellular Nanodomain Expansion in Patients with Atrial Fibrillation. Frontiers in Physiology. , (2018).
- Yan, J., et al. Novel methods of automated quantification of gap junction distribution and interstitial collagen quantity from animal and human atrial tissue sections. PLoS One. 9 (8), 104357 (2014).
- Papari, G., Petkov, N. Adaptive pseudo dilation for gestalt edge grouping and contour detection. IEEE Transactions on Image Processing. 17 (10), 1950-1962 (2008).
- Limprasert, W. PathFinding. , Available from: www.mathworks.com/matlabcentral/fileexchange/34966-pathfinding (2012).
- George, S. A., et al. Extracellular sodium and potassium levels modulate cardiac conduction in mice heterozygous null for the Connexin43 gene. Pflugers Archiv: European Journal of Physiology. , (2015).
- Revel, J. P., Karnovsky, M. J. Hexagonal array of subunits in intercellular junctions of the mouse heart and liver. Journal of Cell Biology. 33 (3), 7-12 (1967).
- Huttner, I., Boutet, M., More, R. H.
- Makowski, L., et al. Gap junction structures. II. Analysis of the x-ray diffraction data. Journal of Cell Biology. 74 (2), 629-645 (1977).
- Entz, M., et al. Heart Rate and Extracellular Sodium and Potassium Modulation of Gap Junction Mediated Conduction in Guinea Pigs. Frontiers in Physiology. 7, 16 (2016).
- Sild, M., Chatelain, R. P., Ruthazer, E. S. Improved method for the quantification of motility in glia and other morphologically complex cells. Neural Plasticity. 2013, 853727 (2013).
- Rhett, J. M., et al. The perinexus: Sign-post on the path to a new model of cardiac conduction. Trends in Cardiovascular Medicine. , (2013).
- Lang, R. M., et al. Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging. Journal of the American Society of Echocardiography. 28 (1), 1-39 (2015).
- Kawai, J., et al. Left ventricular volume and ejection fraction by the axius auto ejection fraction method: comparison with manual trace method and visual assessment of ejection fraction. Journal of Cardiology. 49 (3), 125-134 (2007).
- Frederiksen, C. A., et al. Clinical utility of semi-automated estimation of ejection fraction at the point-of-care. Heart, Lung and Vessels. 7 (3), 208-216 (2015).
- Foster, F. S., et al. A new ultrasound instrument for in vivo microimaging of mice. Ultrasound in Medicine and Biology. 28 (9), 1165-1172 (2002).
- Moran, C. M., et al. A comparison of the imaging performance of high resolution ultrasound scanners for preclinical imaging. Ultrasound in Medicine and Biology. 37 (3), 493-501 (2011).
- Papademetris, X., et al. Estimation of 3D left ventricular deformation from echocardiography. Medical Image Analysis. 5 (1), 17-28 (2001).
- Hosny, A., et al. Unlocking vendor-specific tags: Three-dimensional printing of echocardiographic data sets. Journal of Thoracic Cardiovascular Surgery. 155 (1), 143-145 (2018).
- Cretoiu, D., et al. Human cardiac telocytes: 3D imaging by FIB-SEM tomography. Journal of Cellular and Molecular Medicine. 18 (11), 2157-2164 (2014).
- Risi, C., et al. Ca(2+)-induced movement of tropomyosin on native cardiac thin filaments revealed by cryoelectron microscopy. Proceedings of the National Academy of Sciences of the United States of America. 114 (26), 6782-6787 (2017).
- Dhindwal, S., et al. A cryo-EM-based model of phosphorylation- and FKBP12.6-mediated allosterism of the cardiac ryanodine receptor. Science Signaling. 10 (480), (2017).
- Reddy, V. Y., et al. Integration of cardiac magnetic resonance imaging with three-dimensional electroanatomic mapping to guide left ventricular catheter manipulation: feasibility in a porcine model of healed myocardial infarction. Journal of the American College of Cardiology. 44 (11), 2202-2213 (2004).
- van Heeswijk, R. B., et al. Three-Dimensional Self-Navigated T2 Mapping for the Detection of Acute Cellular Rejection After Orthotopic Heart Transplantation. Transplant Direct. 3 (4), 149 (2017).
- Valinoti, M., et al. 3D patient-specific models for left atrium characterization to support ablation in atrial fibrillation patients. Magnetic Resonance Imaging. 45, 51-57 (2018).
