Summary

Kvantifisere fibrillar kollagenorganisasjon med kurve transformerebaserte verktøy

Published: November 11, 2020
doi:

Summary

Her presenterer vi en protokoll for å bruke et kurveglassede, åpen kildekode MATLAB-programvareverktøy for å kvantifisere fibrillar kollagenorganisasjon i den ekstracellulære matrisen av både normalt og sykt vev. Dette verktøyet kan brukes på bilder med kollagenfibre eller andre typer linjelignende strukturer.

Abstract

Fibrillar kollagen er fremtredende ekstracellulære matrix (ECM) komponenter, og deres topologi endringer har vist seg å være forbundet med utviklingen av et bredt spekter av sykdommer, inkludert bryst, eggstokkene, nyre, og bukspyttkjertelkreft. Fritt tilgjengelige fiber kvantifisering programvareverktøy er hovedsakelig fokusert på beregning av fiber justering eller orientering, og de er underlagt begrensninger som kravet om manuelle trinn, unøyaktighet i påvisning av fiber kanten i støyende bakgrunn, eller mangel på lokalisert funksjon karakterisering. Kollagen fiber kvantisering verktøyet beskrevet i denne protokollen er preget av å bruke en optimal multiskala bilde representasjon aktivert av kurve transformering (CT). Denne algoritmiske tilnærmingen gjør det mulig å fjerne støy fra fibrillar kollagenbilder og forbedring av fiberkanter for å gi steds- og orienteringsinformasjon direkte fra en fiber, i stedet for å bruke den indirekte pikselvise eller vindusvise informasjonen hentet fra andre verktøy. Dette CT-baserte rammeverket inneholder to separate, men koblede pakker kalt “CT-FIRE” og “CurveAlign” som kan kvantifisere fiberorganisasjon på en global interesseregion (ROI) eller individuell fiberbasis. Dette kvantifiseringsrammeverket er utviklet i mer enn ti år og har nå utviklet seg til en omfattende og brukerdrevet kollagenkvantifiseringsplattform. Ved hjelp av denne plattformen kan man måle opptil tretti fiberfunksjoner, inkludert individuelle fiberegenskaper som lengde, vinkel, bredde og retthet, samt bulkmålinger som tetthet og justering. I tillegg kan brukeren måle fibervinkel i forhold til manuelt eller automatisk segmenterte grenser. Denne plattformen tilbyr også flere ekstra moduler, inkludert de for ROI-analyse, automatisk grenseoppretting og etterbehandling. Bruk av denne plattformen krever ikke tidligere erfaring med programmering eller bildebehandling, og den kan håndtere store datasett, inkludert hundrevis eller tusenvis av bilder, noe som muliggjør effektiv kvantifisering av kollagenfiberorganisasjon for biologiske eller biomedisinske applikasjoner.

Introduction

Fibrillar kollagen er fremtredende, strukturelle ECM-komponenter. Deres organisasjon endrer innvirkning vev funksjon og er sannsynlig forbundet med utviklingen av mange sykdommer som spenner fra osteogenese imperfecta1,hjertedysfunksjon 2,og sårheling3 til ulike typer kreft inkludert bryst4,5,6,ovarian7,8, nyre9, og bukspyttkjertelkreft10. Mange etablerte bildemodaliteter kan brukes til å visualisere fibrillar kollagen som andre harmonisk generasjon mikroskopi11,flekker eller fargestoffer i forbindelse med lyse felt eller fluorescensmikroskopi eller polarisert lysmikroskopi12,flytende krystallbasert polariseringmikroskopi (LC-PolScope)13og elektronmikroskopi14. Etter hvert som betydningen av fibrillar kollagenorganisasjon har blitt klarere, og bruken av disse metodene har økt, har behovet for forbedret kollagenfiberanalyse også vokst.

Det har vært mange anstrengelser for å utvikle beregningsmetoder for automatisert måling av fibrillar kollagen. Fritt tilgjengelige programvareverktøy er hovedsakelig fokusert på beregning av fiberjustering eller orientering ved å vedta enten første derivat eller struktur tensor for piksler15,16eller Fourier transform-basert spektrumanalyse for bildefliser17. Alle disse verktøyene er underlagt begrensninger som kravet om manuelle trinn, unøyaktighet i påvisning av fiberkanten i støyende bakgrunn, eller mangel på lokalisert funksjonskarakterisering.

Sammenlignet med andre fritt tilgjengelige åpen kildekode-gratis programvareverktøy, bruker metodene som er beskrevet i denne protokollen CT – en optimal, multiskala, retningsbestemt bilderepresentasjonsmetode – for å fjerne støy fra fibrillarlagenbilder og forbedre eller spore fiberkanter. Informasjon om plassering og orientering kan gis direkte fra en fiber i stedet for ved å bruke den indirekte pikselvise eller vindusvise informasjonen til å utlede beregningene til fiberorganisasjonen. Dette CT-baserterammeverket 18,19,20,21 kan kvantifisere fiberorganisasjon på global, avkastning eller fiberbasis, hovedsakelig via to separate, men koblede pakker kalt “CT-FIRE”18,21 og “CurveAlign”19,21. Når det gjelder implementeringen av programvaren, kan CT-FIRE-koeffisienter på flere skalaer brukes til å rekonstruere et bilde som forbedrer kantene og reduserer støy. Deretter brukes en individuell fiberekstraksjonsalgoritme på det CT-rekonstruerte bildet for å spore fibre for å finne sine representative senterpunkter, utvide fibergrener fra midtpunktene og knytte fibergrener for å danne et fibernettverk. I CurveAlign kan CT-koeffisienter på en brukerspesifisert skala brukes til å spore lokal fiberorientering, der retningen og plasseringen av kurveletter ekstraheres og grupperes for å estimere fiberorienteringen på de tilsvarende stedene. Dette resulterende kvantifiseringsrammeverket er utviklet i mer enn ti år og har utviklet seg sterkt i mange aspekter som funksjonalitet, brukergrensesnitt og modularitet. For eksempel kan dette verktøyet visualisere lokal fiberorientering og lar brukeren måle opptil tretti fiberfunksjoner, inkludert individuelle fiberegenskaper som lengde, vinkel, bredde og retthet, samt bulkmålinger som tetthet og justering. I tillegg kan brukeren måle fibervinkel i forhold til manuelt eller automatisk segmenterte grenser, som for eksempel spiller en viktig rolle i bildebasert biomarkørutvikling i brystkreft22 og kreftstudieri bukspyttkjertelen 10. Denne plattformen inneholder flere funksjonsmoduler, inkludert de for roi-analyse, automatisk grenseoppretting og etterbehandling. ROI-modulen kan brukes til å kommentere ulike former for avkastning og utføre tilsvarende avkastningsanalyse. Som et eksempel på søknad kan den automatiske grenseopprettingsmodulen brukes til å registrere hematoksylin og eosin (H&E) lyse feltbilder med andre harmoniske generasjonsbilder (SHG) og generere bildemasken av tumorgrenser fra de registrerte H&E-bildene. Etterbehandlingsmodulen kan bidra til å lette behandling og integrering av utdatafiler fra individuelle bilder for mulig statistisk analyse.

Denne kvantifiseringsplattformen krever ikke tidligere erfaring med programmering eller bildebehandling og kan håndtere store datasett, inkludert hundrevis eller tusenvis av bilder, noe som muliggjør effektiv kvantifisering av kollagenorganisasjon for biologiske eller biomedisinske applikasjoner. Det har vært mye brukt i ulike forskningsfelt av mange forskere over hele verden, inkludert oss selv. Det er fire hovedpublikasjoner på CT-FIRE og CurveAlign18,19,20,21, hvorav de tre første har blitt sitert 272 ganger (per 2020-05-04 ifølge Google Scholar). En gjennomgang av publikasjonene som siterte denne plattformen (CT-FIRE eller CurveAlign) indikerer at det er omtrent 110 tidsskriftpapirer som direkte brukte den til deres analyse, der ca 35 publikasjoner samarbeidet med gruppen vår, og de andre (~ 75) ble skrevet av andre grupper. For eksempel, denne plattformen ble brukt til følgende studier: brystkreft22,23,24, kreft ibukspyttkjertelen 10,25, nyrekreft9,26, sårheling3,27,28,29,30, eggstokkreft8,31,7, uterosacral ligament32, hypofosfatmisk dentin33, basalcellekarsinom34, hypoksisk sarkom35, bruskvev36, hjertedysfunksjon37, nevroner38, glioblastom39, lymfatiske sammentrekninger40, fibrøse kaktos41, magekreft42, mikrotubuli43og blærefibrose44. Figur 1 demonstrerer kreftavbildningsapplikasjonen av CurveAlign for å finne de tumorrelaterte kollagensignaturenetil brystkreft 19 fra SHG-bildet. Figur 2 beskriver en typisk skjematisk arbeidsflyt for denne plattformen. Selv om disse verktøyene har blitt gjennomgått teknisk18,19,21,og en vanligprotokoll 20 for justering analyse med CurveAlign er også tilgjengelig, en visuell protokoll som demonstrerer alle de essensielle funksjonene kan være nyttig. En visualisert protokoll, som presentert her, vil lette læringsprosessen ved å bruke denne plattformen, samt mer effektivt ta opp bekymringer og spørsmål som brukerne kan ha.

Protocol

MERK: Denne protokollen beskriver bruken av CT-FIRE og CurveAlign for kollagenkvantifisering. Disse to verktøyene har komplementære, men forskjellige, hovedmål og er knyttet sammen til en viss grad. CT-FIRE kan startes fra CurveAlign-grensesnittet for å utføre de fleste operasjoner, bortsett fra avansert etterbehandling og avkastningsanalyse. For full drift av CT-FIRE, bør den lanseres separat. 1. Krav til bildesamling og bilde MERK: Verktøyet kan behandle en h…

Representative Results

Disse metodene har blitt brukt i mange studier. Noen typiske applikasjoner inkluderer: 1) Conklin et al.22 brukte CurveAlign til å beregne tumor-assosiert kollagen signaturer, og fant at kollagen fibre var oftere justert vinkelrett på kanalen omkretsen i ductal karsinom in situ (DCIS) lesjoner; 2) Drifka et al.10 brukte CT-FIRE-modus i CurveAlign å kvantifisere stromal kollagen justering for bukspyttkjertel ductal adenokarsinom og normal / kronisk pankreatitt vev, og fan…

Discussion

Denne protokollen beskriver bruken av CT-FIRE og CurveAlign for fibrillar kollagen kvantifisering og kan brukes på et bilde med kollagenfibre eller andre linjelignende eller fiberlignende langstrakte strukturer egnet for analyse av CT-FIRE eller CurveAlign. For eksempel kan elastin eller elastiske fibre behandles på en lignende måte på denne plattformen. Vi har testet begge verktøyene på beregningsmessig genererte syntetiske fibre21. Avhengig av programmet bør brukerne velge analysemodusen …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Vi takker mange bidragsytere og brukere til CT-FIRE og CurveAlign gjennom årene, inkludert Dr. Rob Nowak, Dr. Carolyn Pehlke, Dr. Jeremy Bredfeldt, Guneet Mehta, Andrew Leicht, Dr. Adib Keikhosravi, Dr. Matt Conklin, Dr. Jayne Squirrell, Dr. Paolo Provenzano, Dr. Brenda Ogle, Dr. Patricia Keely, Dr. Joseph Szulczewski, Dr. Suzanne Ponik og ytterligere tekniske bidrag fra Swati Anand og Curtis Rueden. Dette arbeidet ble støttet av finansiering fra Semiconductor Research Corporation, Morgridge Institute for Research og NIH gir R01CA199996, R01CA181385 og U54CA210190 til K.W.E.

Materials

CT-FIRE Univerity of Wisconsin-Madison N/A open source software available from https://eliceirilab.org/software/ctfire/
CurveAlign University of Wisconsin-Madison N/A open source software available from https://eliceirilab.org/software/curvealign/

References

  1. Nadiarnykh, O., et al. Second harmonic generation imaging microscopy studies of osteogenesis imperfecta. Journal of Biomedical Optics. 12 (5), 051805 (2007).
  2. Kouris, N. A., et al. A nondenatured, noncrosslinked collagen matrix to deliver stem cells to the heart. Regenerative Medicine. 6 (5), 569-582 (2011).
  3. LeBert, D. C., et al. Matrix metalloproteinase 9 modulates collagen matrices and wound repair. Development. 142 (12), 2136-2146 (2015).
  4. Provenzano, P. P., et al. Collagen reorganization at the tumor-stromal interface facilitates local invasion. BMC Medicine. 4 (1), 38 (2006).
  5. Provenzano, P. P., et al. Collagen density promotes mammary tumor initiation and progression. BMC Medicine. 6 (1), 1 (2008).
  6. Conklin, M. W., et al. Aligned collagen is a prognostic signature for survival in human breast carcinoma. The American Journal of Pathology. 178 (3), 1221-1232 (2011).
  7. Alkmin, S., et al. Migration dynamics of ovarian epithelial cells on micro-fabricated image-based models of normal and malignant stroma. Acta Biomaterialia. 100, 92-104 (2019).
  8. Campbell, K. R., Campagnola, P. J. Assessing local stromal alterations in human ovarian cancer subtypes via second harmonic generation microscopy and analysis. Journal of Biomedical Optics. 22 (11), 116008 (2017).
  9. Best, S. L., et al. Collagen organization of renal cell carcinoma differs between low and high grade tumors. BMC Cancer. 19 (1), 490 (2019).
  10. Drifka, C. R., et al. Periductal stromal collagen topology of pancreatic ductal adenocarcinoma differs from that of normal and chronic pancreatitis. Modern Pathology. 28 (11), 1470-1480 (2015).
  11. Campagnola, P. J., et al. Three-dimensional high-resolution second-harmonic generation imaging of endogenous structural proteins in biological tissues. Biophysical Journal. 82 (1), 493-508 (2002).
  12. Arun Gopinathan, P., et al. Study of collagen birefringence in different grades of oral squamous cell carcinoma using picrosirius red and polarized light microscopy. Scientifica. 2015, 1-7 (2015).
  13. Keikhosravi, A., et al. Quantification of collagen organization in histopathology samples using liquid crystal based polarization microscopy. Biomedical Optics Express. 8 (9), 4243-4256 (2017).
  14. Quan, B. D., Sone, E. D. Cryo-TEM analysis of collagen fibrillar structure. Methods in Enzymology. 532, 189-205 (2013).
  15. Boudaoud, A., et al. FibrilTool, an ImageJ plug-in to quantify fibrillar structures in raw microscopy images. Nature Protocols. 9 (2), 457-463 (2014).
  16. Rezakhaniha, R., et al. Experimental investigation of collagen waviness and orientation in the arterial adventitia using confocal laser scanning microscopy. Biomechanics and Modeling in Mechanobiology. 11 (3-4), 461-473 (2012).
  17. Kartasalo, K., et al. CytoSpectre: a tool for spectral analysis of oriented structures on cellular and subcellular levels. BMC Bioinformatics. 16 (1), 1 (2015).
  18. Bredfeldt, J. S., et al. Computational segmentation of collagen fibers from second-harmonic generation images of breast cancer. Journal of Biomedical Optics. 19 (1), 016007 (2014).
  19. Bredfeldt, J. S., et al. Automated quantification of aligned collagen for human breast carcinoma prognosis. Journal of Pathology Informatics. 5 (1), 28 (2014).
  20. Liu, Y., Keikhosravi, A., Mehta, G. S., Drifka, C. R., Eliceiri, K. W. Methods for quantifying fibrillar collagen alignment. Methods in Molecular Biology. 1627, 429-451 (2017).
  21. Liu, Y., et al. Fibrillar collagen quantification with curvelet transform based computational methods. Frontiers in Bioengineering and Biotechnology. 8, 198 (2020).
  22. Conklin, M. W., et al. Collagen alignment as a predictor of recurrence after ductal carcinoma in situ. Cancer Epidemiology and Prevention Biomarkers. 27 (2), 138-145 (2018).
  23. Jallow, F., et al. Dynamic interactions between the extracellular matrix and estrogen activity in progression of ER+ breast cancer. Oncogene. 38 (43), 6913-6925 (2019).
  24. Smirnova, T., et al. Serpin E2 promotes breast cancer metastasis by remodeling the tumor matrix and polarizing tumor associated macrophages. Oncotarget. 7 (50), 82289 (2016).
  25. Fanous, M., Keikhosravi, A., Kajdacsy-Balla, A., Eliceiri, K. W., Popescu, G. Quantitative phase imaging of stromal prognostic markers in pancreatic ductal adenocarcinoma. Biomedical Optics Express. 11 (3), 1354-1364 (2020).
  26. Jiménez-Torres, J. A., Virumbrales-Muñoz, M., Sung, K. E., Lee, M. H., Abel, E. J., Beebe, D. J. Patient-specific organotypic blood vessels as an in vitro model for anti-angiogenic drug response testing in renal cell carcinoma. EBioMedicine. 42, 408-419 (2019).
  27. Govindaraju, P., Todd, L., Shetye, S., Monslow, J., Puré, E. CD44-dependent inflammation, fibrogenesis, and collagenolysis regulates extracellular matrix remodeling and tensile strength during cutaneous wound healing. Matrix Biology. 75, 314-330 (2019).
  28. Henn, D., et al. Cryopreserved human skin allografts promote angiogenesis and dermal regeneration in a murine model. International Wound Journal. 17 (4), 925-936 (2020).
  29. Rico-Jimenez, J., et al. Non-invasive monitoring of pharmacodynamics during the skin wound healing process using multimodal optical microscopy. BMJ Open Diabetes Research and Care. 8 (1), 000974 (2020).
  30. Israel, J. S., et al. Quantification of collagen organization after nerve repair. Plastic and Reconstructive Surgery Global Open. 5 (12), (2017).
  31. Rentchler, E. C., Gant, K. L., Drapkin, R., Patankar, M., Campagnola, P. J. Imaging collagen alterations in STICs and high grade ovarian cancers in the fallopian tubes by second harmonic generation microscopy. Cancers. 11 (11), 1805 (2019).
  32. Hu, C., et al. Imaging collagen properties in the uterosacral ligaments of women with pelvic organ prolapse using spatial light interference microscopy (SLIM). Frontiers in Physics. 7, 72 (2019).
  33. Guirado, E., et al. Disrupted protein expression and altered proteolytic events in hypophosphatemic dentin can be rescued by dentin matrix protein 1. Frontiers in Physiology. 11, 82 (2020).
  34. Kiss, N., et al. Quantitative analysis on ex vivo nonlinear microscopy images of basal cell carcinoma samples in comparison to healthy skin. Pathology & Oncology Research. 25 (3), 1015-1021 (2019).
  35. Lewis, D. M., et al. Collagen fiber architecture regulates hypoxic sarcoma cell migration. ACS Biomaterials Science & Engineering. 4 (2), 400-409 (2018).
  36. Moura, C. C., Bourdakos, K. N., Tare, R. S., Oreffo, R. O., Mahajan, S. Live-imaging of Bioengineered Cartilage Tissue using Multimodal Non-linear Molecular Imaging. Scientific Reports. 9 (1), 1-9 (2019).
  37. Murtada, S. I., et al. Paradoxical aortic stiffening and subsequent cardiac dysfunction in Hutchinson-Gilford progeria syndrome. Journal of The Royal Society Interface. 17 (166), 0066 (2020).
  38. Nichol, R. H., Catlett, T. S., Onesto, M. M., Hollender, D., Gómez, T. M. Environmental elasticity regulates cell-type specific RHOA signaling and neuritogenesis of human neurons. Stem Cell Reports. 13 (6), 1006-1021 (2019).
  39. Pointer, K. B., et al. Association of collagen architecture with glioblastoma patient survival. Journal of Neurosurgery. 126 (6), 1812-1821 (2016).
  40. Razavi, M. S., Leonard-Duke, J., Hardie, B., Dixon, J. B., Gleason, R. L. Axial stretch regulates rat tail collecting lymphatic vessel contractions. Scientific Reports. 10 (1), 1-11 (2020).
  41. Xue, Y., et al. Valve leaflet-inspired elastomeric scaffolds with tunable and anisotropic mechanical properties. Polymers for Advanced Technologies. 31 (1), 94-106 (2020).
  42. Zhou, Z. H., et al. Reorganized collagen in the tumor microenvironment of gastric cancer and its association with prognosis. Journal of Cancer. 8 (8), 1466 (2017).
  43. Zinn, A., et al. The small GTPase RhoG regulates microtubule-mediated focal adhesion disassembly. Scientific Reports. 9 (1), 1-15 (2019).
  44. Zwaans, B. M., et al. Radiation cystitis modeling: A comparative study of bladder fibrosis radio-sensitivity in C57BL/6, C3H, and BALB/c mice. Physiological Reports. 8 (4), (2020).
  45. Devine, E. E., Liu, Y., Keikhosravi, A., Eliceiri, K. W., Jiang, J. J. Quantitative second harmonic generation imaging of leporine, canine, and porcine vocal fold collagen. The Laryngoscope. 129 (11), 2549-2556 (2019).
  46. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  47. Zeitoune, A. A., et al. Epithelial ovarian cancer diagnosis of second-harmonic generation images: A semiautomatic collagen fibers quantification protocol. Cancer Informatics. 16, (2017).
  48. Wershof, E., et al. Matrix feedback enables diverse higher-order patterning of the extracellular matrix. PLoS Computational Biology. 15 (10), 1007251 (2019).
  49. Mostaço-Guidolin, L. B., et al. Fractal dimension and directional analysis of elastic and collagen fiber arrangement in unsectioned arterial tissues affected by atherosclerosis and aging. Journal of Applied Physiology. 126 (3), 638-646 (2019).
  50. Thain, D., Tannenbaum, T., Livny, M. Distributed computing in practice: the Condor experience. Concurrency and Computation: Practice and Experience. 17 (2-4), 323-356 (2005).

Play Video

Cite This Article
Liu, Y., Eliceiri, K. W. Quantifying Fibrillar Collagen Organization with Curvelet Transform-Based Tools. J. Vis. Exp. (165), e61931, doi:10.3791/61931 (2020).

View Video