Yöntem makalesi

Curvelet Transform Tabanlı Araçlarla Fibrillar Kollajen Organizasyonunu Ölçme

DOI:

10.3791/61931

⸱

11 Kasım 2020

 , 
1Laboratory for Optical and Computational Instrumentation, Center for Quantitative Cell Imaging, University of Wisconsin-Madison, 2Departments of Medical Physics and Biomedical Engineering, University of Wisconsin-Madison, 3Morgridge Institute for Research, Madison, Wisconsin, 4test, test

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, hem normal hem de hastalıklı dokuların hücre dışı matrisinde fibriller kollajen organizasyonunu ölçmek için kavisli dönüşüm tabanlı, açık kaynaklı matlab yazılım aracını kullanmak için bir protokol sunuyoruz. Bu araç kollajen lifleri veya diğer çizgi benzeri yapı türlerine sahip görüntülere uygulanabilir.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Fibriller kollajenler belirgin hücre dışı matris (ECM) bileşenleridir ve topoloji değişikliklerinin meme, yumurtalık, böbrek ve pankreas kanserleri de dahil olmak üzere çok çeşitli hastalıkların ilerlemesi ile ilişkili olduğu gösterilmiştir. Serbestçe kullanılabilen fiber niceleme yazılım araçları esas olarak fiber hizalama veya oryantasyon hesaplamasına odaklanır ve manuel adımların gerekliliği, gürültülü arka planda fiber kenarın algılanmasında yanlışlık veya yerelleştirilmiş özellik karakterizasyonu eksikliği gibi sınırlamalara tabidir. Bu protokolde açıklanan kollajen lif nicelasyon aracı, eğri dönüşümü (BT) tarafından etkinleştirilen en uygun çok ölçekli görüntü gösterimi kullanılarak karakterize edilir. Bu algoritmik yaklaşım, diğer araçlardan elde edilen dolaylı piksel veya pencere açısından bilgileri kullanmak yerine, konum ve yönlendirme bilgilerini doğrudan bir fiberden sağlamak için fibriller kollajen görüntülerinden gürültünün giderilmesine ve fiber kenarlarının geliştirilmesine izin verir. Bu CT tabanlı çerçeve, fiber organizasyonuni küresel, ilgi alanı (ROI) veya bireysel fiber bazında ölçebilen "CT-FIRE" ve "CurveAlign" adlı iki ayrı, ancak bağlantılı paket içerir. Bu nicelik çerçevesi on yıldan fazla bir süredir geliştirilmiştir ve şimdi kapsamlı ve kullanıcı odaklı bir kollajen nicelik platformuna dönüşmüştür. Bu platformu kullanarak, uzunluk, açı, genişlik ve düzlük gibi bireysel lif özelliklerinin yanı sıra yoğunluk ve hizalama gibi toplu ölçümler de dahil olmak üzere yaklaşık otuz fiber özelliğini ölçebilirsiniz. Ayrıca, kullanıcı fiber açısını manuel veya otomatik olarak parçalanmış sınırlara göre ölçebilir. Bu platform ayrıca yatırım getirisi analizi, otomatik sınır oluşturma ve işlem sonrası modüller de dahil olmak üzere çeşitli ek modüller sağlar. Bu platformu kullanmak, önceden programlama veya görüntü işleme deneyimi gerektirmez ve yüzlerce veya binlerce görüntü dahil olmak üzere büyük veri kümelerini işleyebilir ve biyolojik veya biyomedikal uygulamalar için kollajen lif organizasyonunun verimli bir şekilde ölçülmesini sağlar.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Fibriller kollajenler belirgin, yapısal ECM bileşenleridir. Organizasyonları etki dokusu fonksiyonunu değiştirir ve muhtemelen osteogenez kusurlu 1 , kardiyak disfonksiyon 2 ve yara iyileşmesi3'tenmeme 4 , 5 ,6 , yumurtalık 7,8,böbrek9ve pankreas kanserleri10dahil olmak üzere farklı kanser türlerine kadar birçok hastalığın ilerlemesi ile ilişkilidir. İkinci harmonik nesil mikroskopi11,parlak alan veya floresan mikroskopisi veya polarize ışık mikroskopisi 12, sıvı kristal bazlı polarizasyon mikroskopisi (LC-PolScope)13ve elektron mikroskopisi14ilebirlikte lekeler veya boyalar gibi fibriller kollajenleri görselleştirmek için birçok yerleşik görüntüleme yöntemi kullanılabilir. Fibriller kollajen organizasyonunun önemi netleştikçe ve bu yöntemlerin kullanımı arttıkça, geliştirilmiş kollajen lif analizi yaklaşımları ihtiyacı da artmıştır.

Fibriller kollajenin otomatik ölçümü için hesaplama yöntemleri geliştirmek için birçok çaba olmuştur. Serbestçe kullanılabilen yazılım araçları esas olarak, görüntü karoları için15, 16veya Fourier dönüşüm tabanlı spektrum analizi için ilk türev veya yapı tensörünü benimseyerek fiber hizalama veya oryantasyon hesaplamasına odaklanmıştır17. Tüm bu araçlar, manuel adımların gerekliliği, gürültülü arka planda fiber kenarın algılanmasındaki yanlışlık veya yerelleştirilmiş özellik karakterizasyonu eksikliği gibi sınırlamalara tabidir.

Serbestçe kullanılabilen diğer açık kaynaklı özgür yazılım araçlarıyla karşılaştırıldığında, bu protokolde açıklanan yöntemler, fibriller kollajen görüntülerindeki gürültüyü gidermek ve fiber kenarlarını geliştirmek veya izlemek için en uygun, çok ölçekli, yönlü görüntü gösterimi yöntemi olan CT'yi kullanır. Konum ve yönlendirme hakkındaki bilgiler, fiber organizasyon ölçümlerini çıkarmak için dolaylı piksel veya pencere açısından bilgileri kullanmak yerine doğrudan bir fiberden sağlanabilir. Bu CT tabanlı çerçeve18,19,20,21, fiber organizasyonuni küresel, yatırım getirisi veya fiber bazında ölçebilir, esas olarak iki ayrı, ancak bağlantılı, "CT-FIRE" 18,21ve "CurveAlign"19,21adlı paketler aracılığıyla. Yazılımın uygulanması söz konusu olduğunda, CT-FIRE'da, kenarları geliştiren ve gürültüyü azaltan bir görüntüyü yeniden oluşturmak için birden fazla ölçekte CT katsayıları kullanılabilir. Daha sonra, temsili merkez noktalarını bulmak, fiber dalları merkez noktalarından uzatmak ve fiber dalları fiber ağ oluşturmak için bağlamak için lifleri izlemek için BT tarafından yeniden oluşturulan görüntüye ayrı bir fiber ekstraksiyon algoritması uygulanır. CurveAlign'de, kullanıcı tarafından belirtilen ölçekteki CT katsayıları, eğrilerin yönünün ve konumlarının çıkarıldığı ve ilgili konumlardaki fiber yönünü tahmin etmek için gruplandığı yerel fiber yönünü izlemek için kullanılabilir. Ortaya çıkan bu nicelik çerçevesi on yıldan fazla bir süredir geliştirilmiştir ve işlevsellik, kullanıcı arayüzü ve modülerlik gibi birçok açıdan büyük ölçüde gelişmiştir. Örneğin, bu araç yerel fiber yönünü görselleştirebilir ve kullanıcının uzunluk, açı, genişlik ve düzlük gibi bireysel fiber özelliklerinin yanı sıra yoğunluk ve hizalama gibi toplu ölçümler de dahil olmak üzere otuz fiber özelliğini ölçmesine olanak tanır. Ek olarak, kullanıcı lif açısını manuel veya otomatik olarak bölünmüş sınırlara göre ölçebilir, bu da örneğin meme kanseri22 ve pankreas kanseri çalışmalarında görüntü tabanlı biyobelirteç gelişiminde önemli bir rol oynar10. Bu platform, yatırım getirisi analizi, otomatik sınır oluşturma ve işlem sonrası modüller de dahil olmak üzere çeşitli özellik modülleri sağlar. Yatırım getirisi modülü, farklı yatırım getirisi şekillerine açıklama eklemek ve karşılık gelen yatırım getirisi analizi yapmak için kullanılabilir. Uygulama örneği olarak, otomatik sınır oluşturma modülü, hematoksilin ve eosin (H&E) parlak alan görüntülerini ikinci harmonik nesil (SHG) görüntülerle kaydetmek ve kayıtlı H&E görüntülerinden tümör sınırlarının görüntü maskesini oluşturmak için kullanılabilir. İşlem sonrası modül, olası istatistiksel analizler için tek tek görüntülerden çıktı veri dosyalarının işlenmesini ve entegrasyonunu kolaylaştırmaya yardımcı olabilir.

Bu niceleme platformu, önceden programlama veya görüntü işleme deneyimi gerektirmez ve yüzlerce veya binlerce görüntü de dahil olmak üzere büyük veri kümelerini işleyebilir ve biyolojik veya biyomedikal uygulamalar için kollajen organizasyonunun verimli bir şekilde ölçülmesini sağlar. Biz de dahil olmak üzere tüm dünyada birçok araştırmacı tarafından farklı araştırma alanlarında yaygın olarak kullanılmaktadır. CT-FIRE ve CurveAlign18,19,20,21' de dört ana yayın vardırvebunlardan ilk üçü 272 kez alıntılanmıştır (Google Scholar'a göre 2020-05-04 itibarıyla). Bu platforma (CT-FIRE veya CurveAlign) atıfta bulunan yayınların gözden geçirilmesi, yaklaşık 35 yayının grubumuzla işbirliği içinde olduğu ve diğerlerinin (~ 75) diğer gruplar tarafından yazıldığı analizleri için doğrudan kullanan yaklaşık 110 dergi makalesi olduğunu göstermektedir. Örneğin, bu platform aşağıdaki çalışmalar için kullanılmıştır: meme kanseri22,23,24, pankreas kanseri10,25, böbrek kanseri9,26, yara iyileşmesi3,27,28,29,30, yumurtalık kanseri8,31,7, uterosacral ligament 32 , hipofosfatemik dentin3233, bazal hücreli karsinom34, hipoksik sarkom35, kıkırdak doku36, kardiyak disfonksiyon37, nöronlar38, glioblastoma39, lenfatik kasılmalar40, lifli cacffolds41, mide kanseri42, mikrotübül43ve mesane fibrozis44. Şekil 1, SHG görüntüsünden meme kanseri19'un tümörle ilişkili kollajen imzalarını bulmak için CurveAlign'in kanser görüntüleme uygulamasını göstermektedir. Şekil 2, bu platformun tipik bir şematik iş akışını açıklar. Bu araçlar teknik olarak18,19,21ve CurveAlign ile hizalama analizi için normal bir protokol20 gözden geçirilmiş olsa da, tüm temel özellikleri gösteren görsel bir protokol yararlı olabilir. Burada sunulan görselleştirilmiş bir protokol, bu platformu kullanmanın öğrenme sürecini kolaylaştıracak ve kullanıcıların sahip olabileceği endişeleri ve soruları daha verimli bir şekilde ele alacaktır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

NOT: Bu protokol, kollajen nicelemesi için CT-FIRE ve CurveAlign kullanımını açıklar. Bu iki araç tamamlayıcı, ancak farklı, ana hedeflere sahiptir ve bir dereceye kadar birbirine bağlıdır. CT-FIRE, gelişmiş işlem sonrası ve yatırım getirisi analizi dışında çoğu işlemi yürütmek için CurveAlign arayüzünden başlatılabilir. CT-FIRE'ın tam çalışması için ayrı ayrı başlatılmalıdır.

1. Görüntü toplama ve görüntü gereksinimi

NOT: Araç, matlab tarafından okunabilen çizgi benzeri yapılara sahip herhangi bir görüntü dosyasını, toplamak için kullanılan görüntüleme yönteminden bağımsız olarak işleyebilir.

  1. Varsayılan çalışan parametreler bu biçimi temel aylak olarak görüntü türü olarak 8 bit gri tonlama kullanın.
    NOT: SHG görüntüleme yaygın olarak kullanılan etiketsiz ve yüksek çözünürlüklü fibriller kolajen görüntüleme yöntemidir. Meme kanseri çalışması19'dan alınan SHG görüntüleri burada gösteri amacıyla kullanılacaktır.

2. Yazılım kurulumu ve sistem gereksinimi

NOT: Hem bağımsız hem de kaynak kodu sürümleri serbestçe kullanılabilir. Kaynak kodu sürümü, Sinyal İşleme, Görüntü İşleme, İstatistik Analizi ve Paralel Bilgi İşlem araç kutularını içeren tam bir MATLAB yüklemesi gerektirir. Kaynak kodu sürümünü çalıştırmak için, üçüncü taraf kaynaklardan bazıları da dahil olmak üzere gerekli tüm klasörler MATLAB yoluna eklenmelidir. Tek başına uygulamanın (APP) kullanılması, çoğu kullanıcı için önerilir, bu da belirtilen sürümün serbestçe kullanılabilen matlab derleyici çalışma zamanının (MCR) yüklenmesini gerektirir. APP'yi yükleme ve başlatma prosedürü aşağıda açıklanmıştır.

  1. CT-FIRE sürüm 3.0 (CTF3.0) ve CurveAlign Sürüm 5.0 (CA5.0) APP paketlerini sırasıyla https://eliceirilab.org/software/ctfire/ ve https://eliceirilab.org/software/curvealign/'dan indirin.
    NOT: Her paket bağımsız APP, manuel ve test görüntülerini içerir.
  2. MATLAB MCR 2018b'yiyüklemek için yukarıdaki web sitelerinden ayrıntılı gereksinimleri ve kurulum talimatlarını izleyin.
  3. APP'i başlatın.
    1. Windows 64 bit sistemi için APP simgesine çift tıklayarak başlatın.
    2. Mac sistemi için, başlatmak için aşağıdaki adımları izleyin: APP 'ye sağ tıklayın (ctrl tuşunu basılı tutarak tıklayın) | Paket İçeriğini Göster | İçerik | MacOS | applauncher (sağ tıklatın ve aç'ı seçin).
      NOT: Diğer ayrıntılar 2.1'de listelenen yazılım web sitelerinde görülebilir.

3. CT-FIRE ile bireysel lif ekstraksiyonu

NOT: CT-FIRE görüntüyü kutsamak, fiber kenarlarını geliştirmek için CT kullanır ve ardından tek tek lifleri izlemek için bir fiber ekstraksiyon algoritması kullanır. Uzunluk, açı, genişlik ve düzlük tek tek lifler için hesaplanır.

  1. Tek görüntüde veya birden fazla görüntüde CT-FIRE
    1. 2.3'te açıklandığı gibi APP'i başlatın.
    2. Ana grafik kullanıcı arabirimindeki (GUI, Şekil 3A) Açık Dosyalar düğmesine tıklayın ve ardından istem penceresinden bir veya daha fazla resim/veya görüntü yığını seçin. İletişim kutusunda birden çok görüntü seçmek için işletim sistemine uygun tekniği kullanın (örneğin, Windows'ta birden çok dosya seçerken CTRL tuşunu basılı tutun).
      NOT: İki veya daha fazla görüntü dosyası seçiliyse, tüm görüntülerin analiz için aynı çalışan parametreleri kullanması gerekir. Tüm görüntülerin aynı veya benzer koşullar altında elde edildiğine emin olun.
    3. Birden çok görüntü analizi için sağ üst köşedeki Paralel onay kutusunu işaretleyerek paralel bilgi işlem seçeneklerini belirleyin.
    4. Görüntü yığını için, çözümlenecek dilimi seçmek üzere dilim kaydırıcısını dosya liste kutusunun altına taşıyın.
    5. Çalışan özellikleri ayarlayın. Bazı görüntülerin ilk analizi için varsayılan parametreleri kullanın. Varsayılan parametreleri kullanıyorsanız, 3.1.6 adımına atlayın. Farklı parametreler ayarlamak için Parametreler panelinde Güncelleştir düğmesini tıklatın. Parametreleri düzgün ayarlamak için kılavuzu izleyin.
      NOT: En sık ayarlanan parametreler arasında arka plan eşiği (thresh_im2) ve çekirdek arama yarıçapı (s_xlinkbox) bulunur. Arka plan gürültü düzeyi yüksekse, thresh_im2 daha büyük bir değere ayarlayın; s_xlinkbox liflerin ortalama yarıçapı ile ilişkilidir, ince lifleri tespit etmek için daha küçük bir değer ayarlayın.
    6. Çalıştır düğmesine tıklayın.
      NOT: İlerleme bilgileri hem bilgi penceresinde hem de komut penceresinde görüntülenir. Analiz tamamlandıktan sonra çıkış tablosu görüntülenir (Şekil 3B).
    7. Uzunluk, genişlik, açı ve düzlük dahil olmak üzere görüntünün fiber ölçülerinin histogramını(Şekil 3C ve Şekil 3F)görmek için çıktı tablosundaki herhangi bir öğeye tıklayın.
      NOT: Orijinal görüntünün üzerine fiber üst üste bindirilmiş fiber görüntüler de görüntülenecektir (Şekil 3E).
    8. Çakılı görüntü ".tiff" dosyası, ".csv" dosyası ve ".mat" dosyası da dahil olmak üzere çıktı dosyaları için görüntü klasörünün altındaki ctFIREout adlı alt klasörü denetleyin.
  2. CT-FIRE ilgi alanı (YG) analizi
    1. Yatırım Getirisi Yöneticisi'ne kullanarak yatırım getirisi ek açıklaması
      1. Bir veya daha fazla resim yüklemek için ana GUI'deki(Şekil 3A) Açık Dosyalar düğmesine tıklayın.
      2. Dosya listesinde açıklama eklenecek görüntüyü seçin.
      3. Yatırım Getirisi Seçenekleri panelinin açılır menüsünde Yatırım Getirisi Yöneticisi'ni seçin.
      4. Yatırım GetiriSi Yöneticisi modülünü başlatmak için RUN düğmesine tıklayın (Şekil 3A).
      5. Yatırım getirisi yöneticisi GUI'sinde (Şekil 4A), ROI'leri tek tek çizmek için ROI Menüsü(d) Çiz'inaltındaki açılır menüye tıklayın.
        NOT: Yatırım getirisi şekli dikdörtgen, serbest, elips, çokgen veya belirtilen dikdörtgen olabilir. Yatırım getirisi ek açıklaması çizmek, kaydetmek ve çıkmak için ekrandaki yönergeleri izleyin.
      6. Yatırım getirisini çizme yöntemini seçtikten sonra, orijinal görüntüde görünen sarı dikdörtgeni istediğiniz konuma sürükleyin ve ardından Yatırım Getirilerini Kaydet düğmesine tıklayın veya bu yatırım getirisini yatırım getirisi listesine eklemek için s tuşuna basın. Bu yatırım getirisi otomatik olarak adlandırılacaktır.
      7. Önceki yatırım getirisini yeni bir konuma sürükleyerek yeni bir yatırım getirisi çizin ve 3.2.1.6'da belirtildiği gibi kaydedin veya yeni bir yatırım getirisi çizmek için 3.2.1.5–3.2.1.6 adımlarını yineleyin.
      8. Yatırım getirisi ek açıklamasına çıkmak için yatırım getirisi şekli açılan menüsünde x tuşuna basın veya Yeni Yatırım Getirisi'ni mi seçin?
      9. Listedeki tüm tanımlanmış ROI'leri ve bunların adlarını orijinal görüntüde göstermek için Tüm ve Etiketleri Göster onay kutularını işaretleyin.
      10. Yatırım Getirisini Yeniden Adlandır, Yatırım Getirisini Sil, Yatırım Getirisi Metnini Kaydet , Yatırım Getirisini Metinden Yükle , Yatırım GetirisiMaskesini Kaydet , RoI'yi Maskeden Yükle ve ROI'leri Birleştirgibi temel yatırım getirisi işlemlerini yürütmek için yatırım getirisi listesinden yatırım getirisiniseçin.
      11. Orijinal görüntü klasörünün altındaki ROI_management adlı bir alt klasörde ".mat" dosyası olarak kaydedilen yatırım getirisi yöneticisinin çıktı dosyasını denetleyin.
      12. Açılan dosya listesindeki başka bir resme açıklama eklemek için, 3.2.1.2–3.2.1.11 adımlarını yineleyin.
      13. Ek açıklama yapıldıktan sonra, yatırım getirisi yöneticisi GUI'yi kapatın ve ana GUI'deki Sıfırla düğmesine tıklayarak ana GUI'yi sıfırlayın.
    2. Yatırım Getirisi Yöneticisi'nde tek bir görüntü için yatırım getirisi analizi
      1. Tam görüntü CT-FIRE analizi yapılırsa ve sonuçlar varsayılan dizine kaydedilirse, yatırım getirisi listesindeki bir veya daha fazla ROI'ye tıklayın, ardından yatırım getirisi sonrası analiz modülünü başlatmak için ctFIRE ROI Analyzer düğmesine tıklayın.
        NOT: Sonuçlar otomatik olarak \\[resim klasörü]\ CTF_ROI\Individual\ROI_post_analysis\ konumunda bulunan bir alt klasöre kaydedilir.
      2. Açılan pencerede, seçili ROI'ler içindeki lifleri görüntülemek için Lifleri Denetle düğmesine tıklayın (Şekil 4B).
      3. Her yatırım getirisinin histogramlarını görüntülemek için Çizim İstatistikleri'ne tıklayın ( Şekil4C). İlgili çıktı rakamları görüntülenir.
      4. Tam görüntü CT-FIRE analizi yapılmamışsa, yatırım getirisi listesindeki bir veya daha fazla ROI'ye tıklayın ve ct-FIRE analizini seçilen ROI'lere doğrudan uygulamak için YATıRıM GETIRISİnde CTFIRE uygula düğmesine tıklayın.
      5. Çözümlemeyi çalıştırmak için istem penceresindeki yönergeleri izleyin.
        NOT: CT-FIRE'ı çalıştırma parametreleri ana GUI'den geçirilir ve kullanıcı, 3.1.5 adımında açıklandığı gibi çalışan parametreleri gerektiği gibi güncelleştirebilir. Analiz tamamlandıktan sonra, lif ölçülerinin özet istatistikleri çıktı tablosunda görüntülenecektir. Sonuçlar otomatik olarak \\[resim klasörü]\ CTF_ROI\Individual\ROI_analysis\konumunda bulunan bir alt klasöre kaydedilecektir.
    3. RoI Analyzer kullanarak birden fazla görüntü için yatırım getirisi analizi
      1. Analiz edilecek görüntüler için ROI'lere açıklama eklemek için 3.2.1'deki adımları izleyin.
      2. Açık Dosyalar düğmesine tıklayarak bir veya daha fazla resim açın.
      3. Tam görüntü analizi sonuçları kullanılabilir olduğunda yatırım getirisi sonrası analizini çalıştırmak için, Çalışma Seçenekleri panelinde açılır menüye tıklayın ve YATıRıM GETIRISI sonrası çözümleyiciseçeneği belirleyin.
      4. Yüklenen tüm görüntüler için yatırım getirisi analizini çalıştırmak için ÇALıŞTıR düğmesine tıklayın.
      5. GUI'nin altındaki ileti penceresinde ve komut penceresinde görüntülenen ilerleme bilgilerini denetleyin.
      6. Analiz tamamlandıktan sonra, çıktı tablosunda görüntülenen her yatırım getirisinin özet istatistiklerini denetleyin.
        NOT: Ayrıntılı çıktı dosyaları otomatik olarak \\ [resim klasörü]\CTF_ROI\Batch\ROI_post_analysis\konumunda bulunan bir alt klasöre kaydedilir.
      7. Tam görüntü çözümleme sonuçları olmadığında doğrudan analiz çalıştırmak için, 3.2.3.3.3 adımında CTF ROI çözümlemer seçeneğini seçmeniz dışında, 3.2.3.1–3.2.3.6 adımlarını izleyin; 3.2.3.4. ÇALıŞTıR düğmesini tıklatıp tıklatıp, bir istem iletişim penceresinde, Dikdörtgen yatırım getirisi ve herhangi bir şeklin yatırım getirisi maskesiarasında seçim yapın.
        NOT: Açıklamalı tüm ROI'ler dikdörtgense, kullanıcı "Dikdörtgen Yatırım Getirisi"ni seçebilir. 3.2.3.6 adımında, yatırım getirisi çözümleme sonuçları \\[resim klasörü]\CTF_ROI\Batch\ROI_analysis\konumunda bulunan bir alt klasöre kaydedilir.
  3. CT-FIRE ile son işlem
    NOT: 3.1'de açıklanan normal CT-FIRE analizinden sonra, kullanıcı daha fazla işlem sonrası gerçekleştirebilir. Zaman alan fiber ekstraksiyonunu tekrar çalıştırmadan, 3.3.1'de açıklanan düzenli işlem sonrası işleme, bazı temel çıktı rakamı özelliklerini güncelleyebilirken, 3.3.2'de açıklanan gelişmiş işlem sonrası, tek tek lifleri ve özelliklerini görselleştirebilir, dört fiber özelliğinin tümü arasında karmaşık eşik oluşturma gerçekleştirebilir, seçilen liflerin özet istatistiklerini oluşturabilir ve seçilen lifleri özelleştirilmiş bir renk haritası kullanarak görselleştirebilir.
    1. CT-FIRE ile düzenli işlem sonrası
      1. CT-FIRE uygulamasını başlatın veya CT-FIRE ana GUI'yi başlatmak için diğer işlemlerden sonra Sıfırla düğmesine tıklayın (Şekil 3A).
      2. Ana GUI'nin üst kısmındaki .mat onay kutusunu işaretleyin.
      3. ctFIREout alt klasöründeki CT-FIRE çıkış .mat dosyasını seçmek için Dosyaları Aç düğmesini tıklatın.
        NOT: Birden çok dosya seçilirse, Toplu İş onay kutusu otomatik olarak denetlenecektir. İlgili görüntülerin dosya adı kutu listesinde görüntülenir.
      4. Çıktı Şekli Denetimi panelinde seçenekleri güncelleştirin.
      5. Varsayılan seçenekleri tutun Çıktı Seçenekleri, tüm çıktı dosyalarının 3.3.1.4'te ayarlanan yeni parametre kümesine göre güncelleştirilmesini sağlar.
      6. İşlem sonrası düğmesine tıklayın. Ana GUI'nin altındaki ileti penceresinde ve komut penceresinde ilerleme bilgilerini denetleyin.
      7. Analiz tamamlandıktan sonra, görüntünün uzunluk, genişlik, açı ve düzlük dahil olmak üzere lif ölçülerinin histogramını görmek için çıktı tablosundaki herhangi bir öğeye tıklayın.
        NOT: Yeni çıktı dosyaları ctFIREout alt klasöründeki eskilerin üzerine yazacaktır.
    2. CT-FIRE'ın gelişmiş işlem sonrası işlenmesi
      1. CT-FIRE uygulamasını başlatın veya CT-FIRE ana GUI'yi başlatmak için diğer işlemlerden sonra Sıfırla düğmesine tıklayın (Şekil 3A).
      2. Ana GUI'nin üst kısmındaki OUT.adv onay kutusunu kontrol edin (Şekil 3A).
      3. "Analiz Modülü" (Şekil 5A) adlı gelişmiş işlem sonrası GUI'yi başlatmak için İşlem sonrası düğmesine tıklayın.
      4. Resim seçmek için Dosya Seç düğmesini tıklatın.
      5. Sekme şekli Orijinal liflerdeki etiketlere göre fiber numarası girmek için Lifleri Görselleştir düğmesine tıklayın.
        NOT: Seçilen liflerin ölçümleri bir çıkış tablosunda görüntülenecektir (Şekil 5B) ve ölçülen lifler (Şekil 5C) adlı sekme şeklinde gösterilen orijinal görüntüde ilgili lifler kaplanacaktır.
      6. Eşikleme işlemine geçmek için Onayla/Güncelleştir düğmesini tıklatın.
      7. Eşik ayarlarını etkinleştirmek için eşik kutusunu işaretleyin.
      8. Açılır menüden dört eşik seçeneğinden birini seçin.
      9. Bir veya daha fazla fiber özelliği için Eşikler paneline istediğiniz eşikleri girin.
      10. Yukarıdaki eşik koşullarını uygulamak için Şimdi Eşik düğmesini tıklatın.
      11. Şekil 5E'degösterildiği gibi özelleştirilmiş renk haritalarıyla orijinal görüntülerdeki seçili lifleri görmek için, adı ölçüm görselleştirmesi ile biten istem rakamını denetleyin.
      12. İstenen eşikleri ayarlamak için 3.3.2.9–3.3.2.11 adımlarını yineleyin.
      13. Seçili fiber bilgilerini kaydetmek için Fiberleri Kaydet düğmesine tıklayın.
        NOT: İlgili seçili lifler, Eşik Sonrasıadlı sekme rakamında görüntülenir.
      14. İstatistik oluştur düğmesine tıklayın ve ardından özet istatistikleri oluşturmak için açılır penceredeki Tamam düğmesine tıklayın.
        NOT: Bir çıktı tablosu (Şekil 5D) seçilen liflerin ortalama değerini gösterecektir. Seçili liflerin diğer istatistikleri, konumu bu GUI'nin altındaki durum penceresinde görüntülenen bir excel dosyasına kaydedilir.
      15. Seçili fiber bilgilerini çıktı dosyasına eklemek için Tamam düğmesini tıklatmadan önce Ham veri sayfası oluştur kutusunu işaretleyin.
      16. Birden çok görüntüden elde edilen sonuçları birleştirmek için, 3.3.2.4 adımında Toplu İşlem Modu kutusunu veya Yığın Modu'nu işaretleyin ve analiz edilecek birden çok görüntü veya yığın seçin; 3.3.2.5–3.3.2.6 adımlarını atlayın. 3.3.2.8–3.3.2.9 adımlarında eşik koşullarını ayarlayın, ancak düğme eşiği şimdi ve Fiberleri Kaydet devre dışı bırakıldığından, 3.3.2.10–3.3.2.13 adımlarını atlayın; ve son olarak, seçilen liflerin özet istatistiklerini ve bireysel lif özelliklerini oluşturmak için 3.3.2.14 adımındaki yönergeleri izleyin.

4. CurveAlign ile lif analizi

NOT: CurveAlign başlangıçta kullanıcı tanımlı sınırlara göre liflerin açılarını otomatik olarak ölçmek için geliştirilmiştir. CurveAlign'in mevcut sürümü, CT-FIRE tarafından çıkarılan bireysel fiber bilgilerini yükleyerek veya eğrilerin yerel yönünü doğrudan kullanarak göreli açı ölçümüne ek olarak yoğunluk ve hizalama tabanlı özelliklerin toplu olarak değerlendirilmesi için kullanılabilir. CurveAlign, CT-FIRE fiber izleme yöntemi olarak benimsendiğinde, yoğunluk ve hizalamanın yanı sıra bireysel fiber özellikleri de dahil olmak üzere küresel veya yerel özelliklerle ilgili otuza kadar özelliği hesaplar.

  1. Kavisli lif analizi
    1. 2.3'te açıklandığı gibi APP'i başlatın.
    2. Başka işlemler yapıldıysa APP'yi başlangıç durumuna sıfırlamak için Sıfırla düğmesine tıklayın.
    3. Ana GUI'de (Şekil 6A), CT'nin seçili olduğundan emin olmak için Fiber analiz yöntemi seçeneğini işaretleyin (varsayılan seçenek).
      NOT: Bu modda, görüntü üzerinde CT gerçekleştirilir ve her eğrinin yönü, ilgili konumdaki bir fiberin yönünü temsil eder.
    4. Sınır yöntemi açılır menüsünü tıklatın ve aşağıdaki açılır menü seçeneklerinden sınır işleme modunu seçin: Sınır Yok, CSV Sınırı ve TIFF Sınırı.
      NOT: Sınıra gerek yoksa, bu adımı atlayın. Bir sınıra göre lif açılarının nasıl hesaplanacağı için 4.3'e bakın.
    5. Ana GUI'deki Görüntü Al düğmesine tıklayın (Şekil 6A) ve ardından istem penceresinden bir veya daha fazla resim/veya görüntü yığını seçin. İletişim kutusunda birden çok görüntü seçmek için işletim sisteminize uygun tekniği kullanın (örneğin, Windows'ta birden çok dosya seçerken CTRL tuşunu basılı tutun).
      NOT: İki veya daha fazla görüntü dosyası seçiliyse, tüm görüntüler analiz için aynı çalışan parametreleri kullanmalıdır. Tüm görüntülerin aynı veya benzer koşullar altında elde edildiğine emin olun.
    6. Görüntü yığını için, çözümlenecek dilimi seçmek üzere dilim kaydırıcısını dosya liste kutusunun altına taşıyın.
    7. Tutmak için coefs Kesir girin. Bu değer, lif analizinde kullanılacak en büyük BT katsayılarının fraksiyonudur.
      NOT: Görüntünün lif yoğunluğunda veya kontrastında büyük bir varyasyon varsa, bu mod yalnızca görüntüdeki en parlak lifleri algıladığı için lif analizi için bile kontrastla ilgi çekici bölgelere açıklama yapın. Ayrıca, görüntü boyutu ne kadar büyükse, bu kesir için daha küçük bir değer ayarlayın.
    8. Çıktı Seçenekleri'ndeki tüm parametreleri ve diğerlerini varsayılan olarak Gelişmiş seçeneğinde tutun; çıktı dosyaları gelecekteki diğer işlemlerde gerekli olabilir.
    9. Ana GUI'nin altındaki Çalıştır düğmesine tıklayın (Şekil 6A).
      NOT: İlerleme bilgileri, altta yeşil renkle vurgulanmış bir ileti penceresinde görüntülenir. İşlem tamamlandıktan sonra, her görüntü için bazı özet istatistikleri çıktı tablosunda görüntülenir (Şekil 6B) ve tüm çıktı dosyaları otomatik olarak orijinal görüntülerin dizininde CA_Out adlı bir alt klasöre kaydedilir.
    10. Lif açılarının histogramını (Şekil 6E) veya pusula grafiğini (Şekil 6F) görmek için çıktı tablosundaki herhangi bir öğeye tıklayın (Şekil 6B).
      NOT: Hizalama veya açının kaplama görüntüsü (Şekil 6C) ve ısı haritası (Şekil 6D) da görüntülenecektir.
    11. Diğer işlemleri çalıştırmak için Sıfırla düğmesine tıklayın veya APP'den çıkmak için ana GUI'yi kapatın.
  2. CT-FIRE ile bireysel lif analizi
    NOT: Yordam, bölüm 4.1'de açıklananla aynıdır, ancak adım 4.1.3'te CT-FIRE ile ilgili fiber analiz modunuseçin ve 4.1.7 adımını uygulanabilir olmadığı ve CT-FIRE modunda devre dışı bırakıldığı için atlayın. Özellikle, adım 4.1.3'te, aşağıdaki üç CT-FIRE tabanlı bireysel lif analiz yönteminden birini seçin:
    1. Fiberi temsil etmek için fiber merkez noktasını ve lif açısını kullanmak için CT-FIRE Fiberleri seçin.
      NOT: Bu seçenek, lif uzunluğu boyunca lif yönelimindeki değişiklikleri dikkate almaz.
    2. Bir fiberin iki uç noktasını ve fiberi temsil etmek için ilgili fiber açısını kullanmak için CT-FIRE Uç Noktalarını seçin.
      NOT: 4.2.1 ile karşılaştırıldığında, bu seçenek bir yerine bir fiberi temsil etmek için iki konum kullanır (fiberin merkez noktası).
    3. Fiberi temsil etmek üzere bir fiberin segmentlerini kullanmak için CT-FIRE Segmentleri'ni seçin.
      NOT: Her segment eşit uzunluğa (CT-FIRE'da varsayılan olarak 5 piksele ayarlanmıştır) ve fiberin tüm uzunluğu boyunca yönlendirmedeki değişikliği yansıtan yönüne ve konumuna sahiptir. Bu seçenek en çok zaman alan seçenek olacaktır, ancak kıvrımlı bir elyafın yerel yönelimslerindeki değişiklikleri izlemek için üç CT-FIRE tabanlı lif analiz yöntemi arasında en iyi seçenek olacaktır.
  3. Sınırla göreli hizalama analizi
    NOT: Bölüm 4.2 ve 4.3'te açıklanan sınır koşulları olmayan normal analizle karşılaştırıldığında, sınır koşullarıyla göreli hizalama analizi aşağıdakilere ihtiyaç duyar:
    1. Adım 4.1.3'te tiff sınır koşulunun işaretini seçin.
      NOT: Kullanıcının her görüntü veya her yığın için karşılık gelen bir sınır dosyasına ihtiyacı olacaktır. CSV (virgülle ayrılmış değerler biçimi tabanlı, x-y koordinatları) sınır dosyasına veya Tiff sınır dosyasına el ile açıklama eklemek için ekrandaki yönergeleri izleyin. CurveAlign'de oluşturulan sınır dosyaları, kılavuzda açıklanan dosya dizinine ve dosya adlandırma kurallarına göre otomatik olarak kaydedilir. Bir çift H&E parlak alan ve SHG görüntüsü sağlanmışsa, sınır dosyasını oluşturmak için bölüm 4.4'te açıklanan otomatik sınır oluşturma modülünü kullanın.
    2. Birincil Parametreler panelinde, yalnızca bu mesafe aralığındaki lifleri değerlendirmek için en yakın sınırdan uzaklığı girin.
    3. Çıktı Seçenekleri panelinde, fiber, fiber segmenti veya eğrilet ile ilişkili sınırdaki noktayı görselleştirmek için Bdry Assoc sınır ilişkilendirme kutusunu işaretleyin.
  4. Otomatik sınır oluşturma
    1. 2.3'te açıklandığı gibi APP'i başlatın.
    2. Diğer işlemler zaten yapılmışsa APP'yi başlangıç durumuna sıfırlamak için Sıfırla düğmesine tıklayın.
    3. Otomatik sınır oluşturma modülini başlatmak için BD Oluşturma düğmesine tıklayın.
    4. Bir çift H&E parlak alan ve SHG görüntüsüne dayalı bir veya daha fazla görüntü için sınır dosyası oluşturmak üzere ekrandaki yönergeleri/ipuçlarını izleyin.
    5. Modül penceresini kapatın veya bu modülden çıkmak için ana GUI'deki Sıfırla düğmesine tıklayın (Şekil 6A).
  5. CurveAlign faiz analizi bölgesi
    1. Yatırım Getirisi Yöneticisi'ne kullanarak yatırım getirisi ek açıklaması
      1. Bir veya daha fazla resim yüklemek için ana GUI'deki Görüntü Al düğmesine tıklayın (Şekil 6A).
      2. Dosya listesinde açıklama eklenecek görüntüyü seçin.
      3. Yatırım Getiri Yöneticisi modülünü başlatmak için yatırım getirisi yöneticisine tıklayın (Şekil 7A).
      4. Bölüm 3.2.1'deki 3.2.1.5–3.2.1.13 adımlarını izleyin.
    2. Yatırım Getirisi Yöneticisi'nde tek bir görüntü için yatırım getirisi analizi
      1. Tam görüntü CurveAlign analizi yapıldıysa ve sonuçlar varsayılan dizine kaydedildiyse, yatırım getirisi listesindeki bir veya daha fazla ROI'yi tıklatın ve sonra YATıRıM Getirisi Sonrası çözümlemeyi çalıştırmak için CA ROI Çözümleyicisi düğmesini tıklatın.
        NOT: Analiz tamamlandıktan sonra, özet istatistikler bir çıktı tablosunda (Şekil 7C) ve açı dağılımını gösteren bir histogram figüründe (Şekil 7D) görüntülenecektir.
      2. Lif açılarının histogramının yanı sıra belirli bir yatırım getirisinde (Şekil 7B) lifleri görselleştirmek için çıktı tablosundaki herhangi bir öğeye tıklayın.
      3. \\[image klasörü]\ CA_ROI\Individual\ROI_post_analysis\konumunda bulunan bir alt klasöre kaydedilen çıktı dosyalarını denetleyin.
      4. Tam görüntü CA analizi yapılmamışsa, yatırım getirisi listesindeki bir veya daha fazla ROI'yi tıklatın ve CA çözümlemeyi seçilen ROI'lere doğrudan uygulamak için YATıRıM GETIRISİnde CA Uygula düğmesini tıklatın. Çözümlemeyi çalıştırmak için istem penceresindeki yönergeleri izleyin.
        NOT: CA çözümlemesi çalıştırma parametreleri ana GUI'den geçirilir; adım 4.1.7'de açıklanan çalışma parametrelerini gerektiği gibi güncelleştirin. Analiz tamamlandıktan sonra, lif ölçülerinin özet istatistiklerinin sonuçları çıktı tablosunda görüntülenecektir. Sonuçlar otomatik olarak \\[resim klasörü]\ CA_ROI\Bireysel\ROI_analysis \konumundabulunan bir alt klasöre kaydedilecektir.
    3. RoI Analyzer kullanarak birden fazla görüntü için yatırım getirisi analizi
      1. Analiz edilecek görüntüler için ROI'lere açıklama eklemek için 4.5.1'deki adımları izleyin.
      2. Görüntü Al düğmesine tıklayarak bir veya daha fazla resim açın.
      3. Tam görüntü analizi sonuçları mevcut olduğunda yatırım getirisi sonrası analizini çalıştırmak için, yatırım getirisi analizi düğmesine tıklayın ve işlem sonrası yatırım getirisiseçeneğini belirleyin.
      4. GUI'nin altındaki ileti penceresinde ve komut penceresinde görüntülenen ilerleme bilgilerini denetleyin.
      5. Analiz tamamlandıktan sonra, çıktı tablosunda görüntülenen her yatırım getirisinin özet istatistiklerini denetleyin.
        NOT: Ayrıntılı çıktı dosyaları otomatik olarak \\ [resim klasörü]\CA_ROI\Batch\ROI_post_analysis\konumunda bulunan bir alt klasöre kaydedilir.
      6. Tam görüntü çözümleme sonuçları olmadığında CT moduyla doğrudan çözümleme yapmak için, aşağıdaki değişiklikler dışında 4.5.3.1–4.5.3.5 adımlarını izleyin: herhangi bir şekilde yatırım getirisi olan maskede kırpılmış dikdörtgen yatırım getirisi veya CA'dakiseçenek CA'sını seçerek 4.5.3.3 adımını değiştirin. Açıklamalı roilerin tümü dikdörtgen şekilliyse, Dikdörtgen yatırım getirisi seçeneğini belirleyin. 4.5.3.2 adımından sonra, 4.1.7'de açıklandığı gibi çalışan parametreleri güncelleştirin.
        NOT: Yatırım getirisi çözümleme sonuçları \\ [resim klasörü]\CA_ROI\Batch\ROI_analysis\ konumunda bulunan bir alt klasöre kaydedilecek.
  6. CurveAlign'in son işlenmesi
    1. Bölüm 2.3'te açıklandığı gibi APP'i başlatın.
    2. Diğer işlemler zaten gerçekleşmişse APP'yi başlangıç durumuna sıfırlamak için Sıfırla düğmesine tıklayın.
    3. İşlem sonrası modülü başlatmak için İşlem Sonrası düğmesine tıklayın.
    4. Farklı görüntülerdeki çıktı özelliklerini veya değerlerini birleştirmek için ekrandaki yönergeleri/ipuçlarını izleyin.
    5. Modül penceresini kapatın veya bu modülden çıkmak için ana GUI'deki Sıfırla düğmesine tıklayın (Şekil 6A).

5. Tahmini çalışma süresi

  1. Orta derecede fiber yoğunluğuna sahip 1024 piksel x 1024 piksel boyutunda bir görüntüyü işlemek için tahmini çalışma süresini bekleyin. Gerçek hesaplama süresi genellikle dosyanın boyutu, çözümleme modu, dağıtılacak özellikler, merkezi işlem birimi (CPU) türü ve kullanılabilir rasgele erişimli bellek (veya RAM) miktarı gibi birden çok faktöre bağlıdır. CT-FIRE bireysel lif ekstraksiyonu birkaç dakika sürer. Sınır tanımayan CurveAlign CT modu birkaç saniye sürer. CurveAlign CT-FIRE fiber veya fiber uç modu sınır olmadan onlarca saniye sürer. CurveAlign CT-FIRE sınır tanımayan fiber modu yüzlerce saniye sürer. Sınıra sahip CurveAlign analizi, sınırların karmaşıklığına bağlı olarak onlarca saniye ila birkaç dakika sürer.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu yöntemler çok sayıda çalışmada başarıyla uygulanmıştır. Bazı tipik uygulamalar şunlardır: 1) Conklin ve ark.22, tümörle ilişkili kollajen imzalarını hesaplamak için CurveAlign'i kullandı ve kollajen liflerinin duktal karsinom in situ (DCIS) lezyonlarında kanal çevresine daha sık dik olarak hizalandığını buldu; 2) Drifka ve ark.10, pankreas düktal adenokarsinom ve normal / kronik pankreatit dokuları için stromal kollajen hizalamasını ölçmek için CurveAlign'deki CT-FIRE mo...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, fibriller kollajen nicelemesi için CT-FIRE ve CurveAlign kullanımını açıklar ve kollajen lifleri veya CT-FIRE veya CurveAlign tarafından analize uygun diğer çizgi benzeri veya fiber benzeri uzun yapılarla herhangi bir görüntüye uygulanabilir. Örneğin, elastin veya elastik lifler bu platformda benzer şekilde işlenebilir. Her iki aracı da hesaplamalı olarak üretilen sentetik lifler üzerinde test ettik21. Uygulamaya bağlı olarak, kullanıcılar verileri için en uygun çözümleme modunu seçme...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların açıklayacak bir şeyi yok.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yıllar boyunca CT-FIRE ve CurveAlign'e katkıda bulunanlara ve kullanıcılara teşekkür ederiz, 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 ve Swati Anand ve Curtis Rueden'in ek teknik katkıları. Bu çalışma, Semiconductor Research Corporation, Morgridge Araştırma Enstitüsü ve NIH'nin R01CA19996, R01CA181385 ve U54CA210190'ı K.W.E.'ye hibe etmesiyle desteklendi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
CT-FIREUniverity of Wisconsin-MadisonN/Aaçık kaynaklı yazılım https://eliceirilab.org/software/ctfire/
CurveAlignUniversity of Wisconsin-MadisonN/Aaçık kaynaklı yazılım https://eliceirilab.org/software/curvealign/

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

CT FIRECurveAlignFiber KantifikasyonuG r nt Analizilgi B lgesiFiber zellikleriS n r li kilendirmesi

İlgili makaleler