На основе морфология различие между здоровым и патологические клетки используя Фурье и самоорганизующихся карт

* These authors contributed equally
Cancer Research
 

Summary

Здесь мы предоставляем рабочий процесс, который позволяет идентифицировать здоровых и патологических клеток, основанный на их 3-мерной формы. Мы описываем процесс использования контуры 2D проекции, основанные на трехмерные поверхности обучить самоорганизующихся карту, которая будет предоставлять объективные кластеризации исследованных клеточных популяций.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Kriegel, F. L., Köhler, R., Bayat-Sarmadi, J., Bayerl, S., Hauser, A. E., Niesner, R., Luch, A., Cseresnyes, Z. Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps. J. Vis. Exp. (140), e58543, doi:10.3791/58543 (2018).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Внешний вид и движениями иммунных клеток обусловлен их окружающей среды. Как реакция на вторжение патогенов иммунные клетки набираются на сайт воспаления и активируются для предотвращения дальнейшего распространения вторжения. Это также отражено путем изменения поведения и морфологические вид иммунных клеток. В раковой ткани, наблюдались аналогичные morphokinetic изменения в поведении Микроглии клеток: интра опухолевой микроглии менее сложных 3-мерные фигуры, имеющие менее разветвленных клеточных процессов и двигаться более быстрыми темпами, чем в здоровых ткани. Изучение таких morphokinetic свойств требует сложных 3D микроскопии методы, которые могут быть чрезвычайно сложной задачей, при выполнении продольно. Таким образом запись статического 3D формы клетки намного проще, потому что это не требует прижизненной измерений и могут выполняться по подакцизным тканей, а также. Однако важно иметь инструменты анализа, которые позволяют быстро и точное описание 3D формы и позволяет диагностической классификации образцов здоровых и патогенных ткани, основанных исключительно на статический, связанные формы информации. Здесь мы представляем набор инструментов, который анализирует дискретного преобразования Фурье компонентов набросков набор 2D проекции 3D клеток поверхности через самоорганизующихся карт. Применение методов искусственного интеллекта позволяет нашим framework узнать о различных клеток фигур, как он применяется к все больше и больше образцов тканей, в то время как процесс остается простой.

Introduction

Своевременное, простое и точное определение патологического состояния биологической ткани имеет наибольший интерес в биомедицинских исследований. Мышь модели предоставляют средства для изучения ряда патологических состояний, например иммунных реакций или развития рака, в сочетании с сложные 3D и 4 D (3 пространственных измерений и время) методы микроскопии. Микроскопии исследования может быть осуществляется через прижизненные или вырезана ткани 2-Фотон микроскопии, свет лист микроскопии и - к ограниченной ткани глубиной примерно 100 мкм-на confocal микроскопии. Для того чтобы иметь время информацию о поведение клеток при физиологических и патологических условиях, необходимо контролировать ткани для длительного периода времени, который обычно требует прижизненной визуализации1,2 . Естественно применимость этой технологии ограничивается животных моделей из-за его инвазии. Неинвазивные методы доступны для человека приложений, включая различные методы томографии (MSOT, CT, и т.д.), но все эти методы не имеют необходимые пространственные - и часто временное разрешение для изучения поведения на клеточном уровне.

Статическая информация о появление клеток могут быть более легко доступны через различные методы визуализации 3D выполнен по подакцизным образцы тканей. Здесь кинетическое поведение клеток не измеряется, таким образом это необходимо принять Роман анализа методов, которые способны определить патогенных статус исследуемых клеток, исключительно на основе их морфология3. Такой подход использовался для связать ячейки формы и текстуры тканей патологическим поведением4,5,6.

В новой технике, описанные здесь клетки восстанавливаются как 3D поверхностей и их формы характеризуются через 3D и 2D прогнозы и последовательных периферии форму, на основе Фурье анализ7,8. Уменьшая размеры от 3 до 2, проблема упрощается. Это также можно охарактеризовать клеток поверхности в 3D, применяя сферических гармоник анализ, как это было сделано для медицинских изображений9. Однако сферических гармоник не обрабатывать острые и прочные формы, требующие многомасштабной сетки должен быть создан на единичной сфере. Кроме того, количество необходимых сферических гармоник компонентов может быть большой (50-70), с основной расчеты очень требовательных и результаты трудно интерпретировать,10,,1112.

С нашим недавно предложенного метода задача сводится к серии 2D формы описания, где количество 2D прогнозов до аналитик и может корректироваться в зависимости от сложности формы 3D. Автоматически создаются прогнозы через Python скрипт, который выполняется внутри инструмент 3D-анимации. 2D прогнозы характеризуются дискретные компоненты Фурье преобразование (DFT) их периферии, рассчитанные на Фиджи13 плагин, который предоставляется здесь как часть нашего пакета программного обеспечения. DFT применяется здесь для того, чтобы разложить сложный контур ячейки на серию функций sin и cos. Таким образом мы можем описать наброски с относительно небольшим числом компонентов ДПФ, тем самым уменьшая сложность проблемы (для Подробнее см. раздел уравнений). DFT компоненты помещаются в подготовленных самоорганизующихся карта (SOM14), где существование формы кластеры могут быть объективно проверены8. Сомов обеспечивают конкурентные и неконтролируемых обучения инструмент из области искусственного интеллекта. Они состоят из связанного массива искусственных нейронов, которые взаимодействуют друг с другом через функцию расстояния взвешенной окрестности. Нейрональных система реагирует на первый элемент входного набора данных и нейронов, ответ которого является сильнейшим «сгруппированы» ближе друг к другу. Как нервной системы, получает больше и больше ввода, данных нейронов, которые неоднократно решительно реагировать начинают формироваться четко кластера в рамках системы. После надлежащей подготовки на большого набора данных, содержащего 2D фигуры информацию в виде набора компонентов ДПФ, любой отдельной ячейки DFT компоненты могут быть введены в подготовленных сом и выявить, принадлежит ли вероятно клетки здоровых или группе болезнетворные клетки. Мы ожидаем такой инструмент, чтобы стать отличным дополнением к методам научной и клинической диагностики.

Protocol

1. протокол требования

  1. Получение данных с высоким разрешением deconvolved трехмерных (3D) микроскопия, deconvolved соответствии с критерий Найквиста с интервала выборки по крайней мере дважды высокая пространственная частота образца для получения изображения высокого разрешения.
  2. Использование 3D-рендеринга программного обеспечения для поверхности реконструкции и экспорта.
  3. Использовать 3D-анимации программного обеспечения может работать Python скриптов (сценарий Python могут быть загружены с хранилище github: https://github.com/zcseresn/ShapeAnalysis) для создания 2D проекций.
  4. Для анализа 2D прогнозы и извлеките компоненты DFT используйте Фиджи13 .
    1. Используете текущее распределение Фиджи. Если уже существует установленная версия Фиджи, убедитесь, что установленная версия является последней. Это может быть легко достигнуто путем запуска помочь | Параметр обновления .
    2. Используйте активный контур плагин15, который может быть загружен с http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start и должен быть скопирован в папку плагинов.
    3. Скачайте плагин Фиджи тени от хранилище github и скопировать в папку плагинов.
  5. Использование программного обеспечения вычислительной математики, способного расчета самоорганизующихся карт.

2. реконструировать трехмерное изображение.

Примечание: Для целей тестирования, например dataset предоставляется в хранилище github (см. выше).

  1. Запустите программное обеспечение 3D реконструкции и открыть данные 3D изображения.
  2. Создание 3D поверхности (все) объекты.
    1. Выберите 3D-просмотра и нажмите на поверхностях. Нажмите на кнопку Далее (синий кружок с белым треугольником), чтобы продолжить работу мастера создания поверхности.
    2. Выберите канал изображения поверхности реконструкции.
    3. Применить функцию сглаживания, чтобы избежать пористых поверхностей.
      1. Выберите значение сглаживания, которая не скрывает детали поверхности, но избегает пористых поверхностей.
    4. Выберите порог метод, чтобы найти на поверхности.
      1. Использование порога абсолютной интенсивности, когда объекты хорошо отделены от фона и имеют примерно равномерное яркости.
      2. Применять пороговое значение локальный контраст, когда объекты различаются по их интенсивности, но все еще может отделяться от местных фона и от других объектов, окружающих их. Задайте область поиска местных порога согласно значение ожидаемого диаметра восстановленных объектов.
    5. Фильтр реконструированный поверхности по данным морфологических параметров интерес, например, объем, сферичность, отношение поверхности к объему и т.д.и отделка поверхности реконструкции.
  3. Сохранение и экспорт сгенерированный поверхностей в формате, который совместим с программным обеспечением 3D анимации, которая будет использоваться в следующем шаге.

3. Преобразование 3D реконструкции поверхностей в 2D прогнозы

  1. Запустить блендер и перейдите на вкладку Вывод в окне справа. Выберите формат TIFF из раскрывающегося меню и задайте глубину цвета 8 бит RGBA.
  2. Переключение в режим сценариев и откройте файл предоставленный сценарий «GUI_AutoRotate.py» из репозитория с этой работы (https://github.com/zcseresn/ShapeAnalysis).
  3. Нажмите запустить сценарий. Выберите папку wrl файлов при появлении запроса на ввод данных.
  4. При необходимости, создать более оборотов при работе с более сложными поверхностями: перейти к GUI и установить значение выше 6 поле вращений .
    Примечание: Вращение 6 различных углов может быть достаточно, чтобы различать разные клеточных популяций. Не рекомендуется создавать меньше шести вращений на поверхности, из-за потенциальной потери информации.
  5. Запустите сценарий, нажав на кнопку вращать в GUI. Сохраните проекции отдельных поверхностей в той же папке, которая была использована в качестве входной папки (шаг 2.3). По умолчанию изображения сохраняются в 8 бит Tiff формате (см. шаг 2.1), который является формат, требуемый модуль Фиджи тени.

4. Найдите периферии и расчета Фурье-элементов с помощью Фиджи.

  1. Откройте Фиджи и выберите оттенок в меню плагинов. Начать со значения по умолчанию и настроить параметры позже. Нажмите OK когда вы будете готовы для запуска программы.
    1. Выберите Градиент пороговое значение для порога входного изображения.
    2. Выберите количество итераций. Чем выше значение Число итераций , тем точнее реконструкция периферии. Для более простых фигур меньшее число обычно достаточно.
    3. Используйте параметр Число Диатермический определить сколько больше, начиная маска сравнивается с фактическим ячейки. Обычно более сложные фигуры нужно больше дилатация шаги для нахождения надлежащего периферии.
    4. Установите флажок Темный фон , если предполагаемые формы ярче, чем фон.
    5. Установите флажок Показать промежуточные результаты только при использовании набора небольшой тест для определения производительности тени. Активировать этот параметр для больших наборов данных снижает вычислительной эффективностью и может возможно остановить систему с низкой видео памяти.
    6. Флажок Сохранить результат таблицы , чтобы использовать результаты тени в качестве входных данных для шага 5. Если флажок установлен, все результаты сохраняются в отдельных CSV-файлов. Краткий отчет о выходных данных всегда создается в файле под названием «Result_collection_of_all_DFT_calculations.csv».
  2. Выбор входных данных папку, содержащую файлы TIFF, которые были созданы на шаге 3.
  3. Укажите папку вывода данных.
  4. Нажмите кнопку OK , чтобы начать плагин.

5. самоорганизующиеся карты

Примечание: Сом сети способны только классифицировать данные, когда они проходят подготовку на большой набор данных, который содержит входные данные от всех условий и типов ожидаемые клеток. Для демонстрационных целей такой набор данных предоставляются и могут быть найдены в нашем репозитории («AllCells_summary_normalised.csv» от https://github.com/zcseresn/ShapeAnalysis

  1. Следуйте этим рекомендациям, если есть нет подготовленных сом пока для входных данных; в противном случае перейдите к шагу 5.2.
    1. Начните вычислительных математических программное обеспечение, способных выполнять нейронной сети классификаций.
    2. Выберите файл данных, который будет использоваться для подготовки сом сети. Этот набор данных должен содержать все экспериментальные условия для подготовки СОМ на конкретной ячейке типов и экспериментальных условиях.
      Примечание: Это также можно использовать предоставленный AllCells_summary_normalised.csv для тестирования системы.
    3. Начать подготовку и дождитесь завершения подготовки перед продолжением. По умолчанию сценарий установлен для запуска 2000 итераций («эпохи»).
      Примечание: Количество итераций зависит от курса обучения модели SOM. В зависимости от входных данных рекомендуется проверить выше и ниже количество эпох и соблюдать стабильность структуры модели SOM. При использовании сценария условии, количество итераций можно изменить по разделу 32. Сети размер может быть изменен в строке 34 (по умолчанию он имеет значение 12, 12).
    4. После завершения подготовки, изучить топологию сети (сосед расстояния, ввода самолетов, образец хитов и т.д.). Сеть в настоящее время обучение и могут быть сохранены для использования в будущем.
  2. Загрузить в СОМ, при использовании уже подготовленные карты, (это может быть из шаг 5.1 или из других источников) для кластера набора данных.
    1. Импорт CSV-файла, который должен быть проверен с предварительно подготовленных сом. Выберите csv выходной тени плагина из шага 4 при использовании данных, подготовленный тени плагин.
      Примечание: Это также можно использовать файлы данных, например «InteractingCells_summary_normalised.csv», «MobileCells_summary_normalised.csv» или «PhagocytosingCells_summary_normalised.csv» которые предоставляются через github.
    2. После завершения классификации, оцените результаты SOM как шаг 5.1.5.
      1. Изучение hitmap, полученные из csv-файла. Каждой ячейки карты показывает, сколько раз dataset «бьет» этой конкретной ячейке подготовленных сом. Когда группы клеток группируются в небольшом районе этой карты, это указывает, что набор данных достаточно однородной. Несколько кластеров будет указано, что подгруппы скорее всего существует в наборе данных.
      2. Изучите окрестности веса расстояния. Области этой карты, которые хорошо отделены соответствуют группы объектов, которые ведут себя очень по-разному с точки зрения сом. С DFT компоненты как входные данные это означает, что эти группы ячейки имеют весьма разнородных формы соответствующих 3D поверхностей.
      3. Изучение веса самолёты для получения информации о вкладе каждым элементом компонента вектора. В случае использования 20 DFT компонентов, как описано ранее, 19 карт появится здесь. При использовании набора данных предоставленный пример, первые 5 или 6 веса самолёты будут отличаться, но остальные из них будет выглядеть довольно. В этом случае можно сделать вывод о том, что было бы достаточно, чтобы использовать приблизительно 7 DFT компоненты.

Representative Results

Мы применили DFT рассчитать основные компоненты формы, соответствующие прогнозам ячейки. Фурье дескрипторы были получены путем применения алгоритма DFT с парами координат xy установлены периферии клетки прогнозы, полученные на выходе AbSnake частью нашего рабочего процесса. Эти xycoordinate пары могут быть обработаны как комплекснозначных 2D векторный «g»:
Equation 1

Из вектора «g» мы используем DFT для вычисления комплекснозначных Фурье спектра:
Equation 2
На основании известных формул дискретного преобразования Фурье спектра, и использования маркировки комплекс номер «g» как:
Equation 3
Мы получаем:
Equation 4(1)
Мы можем вычислить в реальном («A») и мнимой компоненты («B») Equation 5 :
Equation 6(2)
Equation 7(3)
Здесь, первый компонент G DFT0 соответствует m = 0, что дает:
Equation 8(4)
Equation 9(5)
Следовательно этот компонент описывает геометрический центр исходного объекта.
Второй элемент DFT вперед спектра, G1, соответствует m = 1:
Equation 10
Equation 11(6)

Из Eq.6 мы заключаем, что эти точки образуют круг с радиусом Equation 12 и начальный угол Equation 13 , где круг описывает один полный оборот, в то время как форма трассируется один раз. Центр круга находится в начале координат (0, 0), радиус | G1| и отправной точкой является:

Equation 14Equation 15(7)

В общем, для одного Фурье коэффициент Equation 16 , координаты описываются как:

Equation 17
Equation 18(8)

Аналогично для Eq.6, Eq.8 также описывает круг, но с радиусом Rm= | Gm|, начальный угол Equation 19 и отправной точкой в Equation 20 , где контур трассируется один раз в то время как круг проходит через «m» полной орбиты16,17.

Параметры формы, как сом ввода
Рабочий процесс, как описано в Рисунок 1, был применен к deconvolved (используя измеренные точки распространения функция) прижизненной микроскопии мульти Фотон dataset Микроглии клеток характеризовать их морфологические изменения в здоровых или раковая корковых ткани18. Двадцать DFT компоненты были рассчитаны для каждого 2D проекцию реконструированный 3D поверхностей, и результаты были использованы в качестве входных данных для подготовки сом. В физиологических условиях, микроглии представил довольно сложную форму с несколькими сильно разветвленных процессы (рис. 2a). При помещении в раковой среде (опухоль коркового модель), микроглии, изменено на более простой, более шпинделя как форму (Рисунок 2Б).

Обученные сом был протестирован для того, чтобы оценить свою способность отличать здоровые и раковые клетки. Здоровых клеток населения был проецируется на одной области сом (рис. 2 c). SOM ответил на раковые микроглии dataset с гантелями образный активной области (Рисунок 2d). Слепо смешанных входного набора данных, который состоял из ДПФ форму компонентов как здоровых, так и группе раковых проектировал СОМ на две отдельные группы, в то время как сохраняя форму их отдельных контуров аналогичны разделенных групп ( Рисунок 2e; Сравните с и 2d). Можно сделать вывод о том, что смешанного набора данных успешно сгруппированы по модели SOM.

Мы протестировали производительность SOM, сравнивая его прогнозы с ручной анализ тех же данных, медицинский эксперт, который классифицируется набор данных, основанный на их пространственно временных поведение. Эксперт определила четыре группы различных клеток (клетки отдых, phagocytosing клетки, взаимодействующих клеток и мобильных клетки18), которые были реконструированы и используется для обучения 12 x 12 сом. Обученной сети (Рисунок 3А) показывает группы высокой хит значение искусственных нейронов, особенно в нижней левой и средней области модели SOM. Ответ обученной сети также была протестирована с четырьмя случайно выбранных подмножеств (которые не являются частью набора данных учебных) изображения из четырех различных групп, определенных экспертов18. Эти подмножества изображения в результате четыре четко определенных ответов сом, как показано на рисунке 3b. Отдых клетки демонстрируют наиболее сложной формы и показали высокий уровень разделения в нейронной сети (рис. 3b «отдыхает» группа). Три другие типы определенных клеток разделяет общие области сом в левом нижнем углу, но в противном случае были отделены от модели SOM. В нижнем левом углу области сом таким образом соответствует значениям DFT нижний индекс.

Надежность SOM подход был протестирован с помощью подготовленных сом с тремя случайных подмножеств же - для отдыха - ячейки типа (не является частью подготовки набора данных). Ответ СОМ на этот ввод экспонаты очень подобный ответ (рис. 3 c, подмножества 1-3), продемонстрировав устойчивость нашего подхода.

Время зависимых клеток изменения формы характеризуются точно DFT
Для того, чтобы изучить эффект зависящих от времени изменений по форме ячеек на компоненты ДПФ, одного-трех ячеек на подгруппы (см. Рисунок 3b) были отслежены для моментов времени 13-28. Рисунок 4 показывает первые десять DFT компонентов мобильного клеток (рис. 4a) и взаимодействующих клеток (рис. 4b), которые были построены как функцию от времени. Мобильные сотовые экспонаты постоянно изменения формы (см. дополнительный видео 4 8), которая отражается на шероховатой поверхности ДПФ. Всплесков DFT амплитуды в первой трети времени курс для взаимодействующих клеток совпадают с изменения формы клеток быстрые и обширные, как показано в дополнительных 5 видео в 8.

Время курса всех 19 DFT компонентов также характеризовался для этих двух ячеек в трех точках отдельных время во время отслеживания мобильных ячейки (Рисунок 5a) и взаимодействующих клеток (Рисунок 5b). Перпендикулярных осей настоящим представляют шесть углами и указывают, что все прогнозы одинаково важны для характеристики формы для обоих типов клеток.

Figure 1
Рисунок 1. Шаг за шагом процесса обработки данных для идентификации ячейки кластеризации на основе формы клеток. Реконструирован в 3D поверхности были использованы в качестве вклада в блендер для автоматизированной 3D и 2D прогнозов. Находилась на периферии каждого проекции и DFT компоненты были рассчитаны. Компоненты, служил в качестве входных данных либо подготовленных сом в Matlab, или для обучения новой модели SOM. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 2
Рисунок 2. Типичный вид мыши корковых Микроглии клеток в условиях управления (а) и в раковой ткани (b) скриншоты реконструированный микроглии поверхностей. SOM прогнозы были созданы из трех групп микроглии образцов из коры мыши: управления (неопухолевых) клетки (c), (d) опухолевых клеток и смешанная популяция клеток (e). Эта цифра была изменена с разрешением8. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 3
Рис. 3. (, слева) Самоорганизующаяся карта набора микроглии мыши, состоящий из 768 функция ввода векторов. Набор данных был использован для обучения 12 x 12 искусственных нейронных сетей, используя гексагональной окрестности геометрии, случайные инициализации и 2000 эпох. (, справа) Соответствующие сом ввода самолетов первых 10 компонентов ДПФ (b) ответы SOM изображены в (а), один случайный VRML файл подмножество каждый из типов четырех клеток, «мобильный», «взаимодействие,» «покоя» и «фагоцитарной» как описано в Рисунок 5 первый Смеян и др. 18. (c) ответ же СОМ как (, слева) на три случайных подмножество всего набора данных (которые были таким образом не частью подготовки набора данных) клеток «отдых»-тип 3D поверхности. Примечательна схожесть среди трех ответов. Эта цифра была изменена с разрешением8. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 4
Рисунок 4. () время зависимость первых 10 компонентов DFT во время эксперимента прижизненной визуализации микроглии мыши. Эта панель показывает данные для ячейки типа «Mobile клетки». Оси x соответствует времени точки эксперимента с разрешением 60 s время, оси y показывает амплитуду DFT компонентов в произвольных единицах (а.е.), в то время как оси z соответствует компоненту DFT от 1 до 10. (b) как в (a) но для ячейки «Взаимодействующих клеток» типа. Эта цифра была изменена с разрешением8. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 5
Рисунок 5. (a) поведение всех 19 DFT компонентов клетки типа «Mobile клетки» в начале, в середине и в конце эксперимента. Чисел на оси x соответствуют идентификатор компонента DFT от 1 до 19. Ось y показывает DFT амплитуды компонента в произвольных единицах (а.е.), то время как z-оси знаменует шесть случайными углами. (b) как (a) но для ячейки «Взаимодействующих клеток» типа. Эта цифра была изменена с разрешением8. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Discussion

Выявление потенциально патологических состояний, используя образцы маленькие, неповрежденной ткани имеет большое значение. Такие методы обеспечит своевременное реагирование на инфекционные заболевания и агрессивных видов рака. Кинетические и морфологических ответов различных иммунных клеток, например, Микроглия и макрофагов, характерны иммунного ответа организма. Хотя в большинстве случаев это не практических или даже можно контролировать кинетическое поведение этих клеток, это довольно просто получить 3-мерного изображения для извлечения их форму. Как правило иммунные клетки себя сложную форму в здоровой ткани и намного проще формы под воспаленной или раковая условий18. Время зависимых характеристики такого изменения формы будет добавить в наше понимание развития иммунного ответа, используя только 3D формы представительной группы клеток может также быть достаточно определить здоровым или патологический характер ткани.

Характеризуя 3-мерной поверхности клетки является не простой задачей. Применение сферических гармоник является способ представления 3D поверхности с относительно большое количество компонентов11,12(50-70). Кроме того определение сферических гармоник затратными; Проецирование очень сложные фигуры на единичной сфере невозможно или очень трудно из-за необходимости применять несколько сетки различных проба на единичной сфере; Наконец смысл интерпретации спектров сферических гармоник компонентов является далеко не тривиальная.

В нашей работе, представленные здесь мы заменить сложную задачу по прямым 3D анализа поверхности гораздо более простой подход с использованием 2D проекции исходной поверхности для получения достаточной морфологической информации для выявления патологических условий. Мы продемонстрировали каждый шаг этого рабочего процесса с помощью 3D микроскопии данных от миелоидных клеток, хотя четко указывая, что все шаги были простыми для завершения, и результирующая 2-мерной карты были легко интерпретировать.

Естественно 3D и 2D проекцию приведет к потере информации о структуре поверхности. Наш пример набора данных микроглии в мышиной модели корковых опухоли было достаточно, чтобы использовать шесть углов при создании 2D прогнозов. Однако более сложные фигуры, или менее известных морфологические изменения могут потребовать, что большее количество прогнозов создаются таким образом, чтобы иметь возможность надежно определить ячейки подгруппы с моделью SOM. По этой причине наш подход предназначен для быть в состоянии создавать и анализировать любое количество прогнозов. Просто выбирая большее количество прогнозов для более сложных фигур, можно масштабировать потери информации до допустимого минимума. В качестве примера взаимодействующих тип ячейки в рисунке 4a и 4b потребует большего числа прогнозов для того, чтобы должным образом представляют собой сложные поверхности.

Как любой приближенный метод настоящим предлагаемого рабочего процесса было нужно сравнить результаты процесса ручной классификации микроглии18. Ранее представленные результаты подтвердили надежность автоматизированных рабочих процессов. Кроме того рабочий процесс является больше времени эффективным по сравнению с обычными анализа. Медицинский эксперт, который классифицируется Микроглии клеток вручную требуется около 4 недель для его анализа набора данных, тогда как рабочий процесс необходимо лишь около 1 день. Надежность нашего подхода также четко подтверждается воспроизводимость подготовленных СОМ к подмножеству данных, который принадлежал один и тот же тип ячейки, но не использовался для обучения сом, как показано на рис. 3 c.

Даже несмотря на то, что наш подход не считает кинетическая информацию, мы изучили влияние времени на анализ на основе DFT формы. Наиболее типичным примером для зависящих от времени был найден среди населения мобильных сотовых, где вклад от выше индексированных DFT компонентов был явно наблюдаемых, как показано на рисунке 4a. Это обращает внимание на важность использования достаточно большое количество DFT компонентов при работе с типами клеток, которые могут вести себя очень зависят от времени. Благодаря автоматизированной характер и скорость высокая выполнения наших программных средств увеличение числа DFT компонентов и прогнозов повысит точность и достоверность результатов, пока они не будут существенно препятствовать вычислительной производительности.

Disclosures

Авторы заявляют, что они не имеют никаких финансовых интересов.

Acknowledgments

Авторы благодарят Бенджамин Краузе за плодотворную дискуссию и его поддержки. Далее авторы поблагодарить Роберта Günther за его помощь в микроскопия живой клетки.

Работа была поддержана финансовой поддержки DFG NI1167/3-1 (Джими) для р.н. и з, DFG финансовой поддержки CRC 1278 PolyTarget проекта Z01 з, C01 в TRR130 р.н. и SFB633, TRR130, Exc257 A.E.H. и J.B.S. BfR оказал поддержку SFP1322-642 интрамуральных для F.L.K и а.л.

Materials

Name Company Catalog Number Comments
Imaris 9.1.2, software Bitplane, Zürich, Switzerland v.9.1.2 3D image reconstruction and surface generation; this was used by us!
Blender 2.75a, software https://www.blender.org/ v.2.75a 3D and 4D open source animation software; 2.75a is the required version for this Python
Fiji /ImageJ, software https://fiji.sc/ ImageJ v.1.52b Open source multi-D image analysis toolkit
MATLAB MathWorks, www.mathworks.com R2017b General computational mathematical software
MATLAB Machine Learning kit MathWorks, www.mathworks.com R2017b Can only be used together with MATLAB
Fiji plugins: SHADE https://github.com/zcseresn/ShapeAnalysis v.1.0
Fiji plugins: ActiveContour http://imagejdocu.tudor.lu/doku.php?
id=plugin:segmentation:active_contour:start
absnake2
Computer Any NA See Imaris instructions for minimum computer requirements

DOWNLOAD MATERIALS LIST

References

  1. Masedunskas, A., et al. Intravital microscopy: a practical guide on imaging intracellular structures in live animals. Bioarchitecture. 2, (5), 143-157 (2012).
  2. Niesner, R. A., Hauser, A. E. Recent advances in dynamic intravital multi-photon microscopy. Cytometry A. 79, (10), 789-798 (2011).
  3. Ho, S. Y., et al. NeurphologyJ: an automatic neuronal morphology quantification method and its application in pharmacological discovery. BMC Bioinformatics. 12, 230 (2011).
  4. Yin, Z., et al. A screen for morphological complexity identifies regulators of switch-like transitions between discrete cell shapes. Nature Cell Biology. 15, (7), 860 (2013).
  5. Yu, H. Y., Lim, K. P., Xiong, S. J., Tan, L. P., Shim, W. Functional Morphometric Analysis in Cellular Behaviors: Shape and Size Matter. Advanced Healthcare Materials. 2, (9), (2013).
  6. Johnson, G. R., Buck, T. E., Sullivan, D. P., Rohde, G. K., Murphy, R. F. Joint modeling of cell and nuclear shape variation. Molecular Biology of the Cell. 26, (22), 4046-4056 (2015).
  7. Wang, S. -H., Cheng, H., Phillips, P., Zhang, Y. -D. Multiple Sclerosis Identification Based on Fractional Fourier Entropy and a Modified Jaya Algorithm. Entropy. 20, (4), 254 (2018).
  8. Kriegel, F. L., et al. Cell shape characterization and classification with discrete Fourier transforms and self-organizing maps. Cytometry Part A. 93, (3), 323-333 (2017).
  9. Styner, M., et al. Framework for the Statistical Shape Analysis of Brain Structures using SPHARM-PDM. Insight Journal. (1071), 242-250 (2006).
  10. El-Baz, A., et al. 3D shape analysis for early diagnosis of malignant lung nodules. Medical Image Computing and Computer Assisted Intervention. 14, (Pt 3), 175-182 (2011).
  11. Williams, E. L., El-Baz, A., Nitzken, M., Switala, A. E., Casanova, M. F. Spherical harmonic analysis of cortical complexity in autism and dyslexia. Translational Neuroscience. 3, (1), 36-40 (2012).
  12. Kruggel, F. Robust parametrization of brain surface meshes. Medical Image Analysis. 12, (3), 291-299 (2008).
  13. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9, (7), 676-682 (2012).
  14. Kohonen, T. Essentials of the self-organizing map. Neural Networks. 37, 52-65 (2013).
  15. Andrey, P., Boudier, T. Adaptive Active Contours. ImageJ user and developer conference. Luxembourg. (2006).
  16. Burger, W., Burge, M. J. Principles of Digital Image Processing. Springer-Verlag. (2013).
  17. Lestrel, P. E. Fourier Descriptors and their Applications in Biology. Cambridge University Press. (2008).
  18. Bayerl, S. H., et al. Time lapse in vivo microscopy reveals distinct dynamics of microglia-tumor environment interactions-a new role for the tumor perivascular space as highway for trafficking microglia. Glia. 64, (7), 1210-1226 (2016).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics