JoVE Journal > Bioengineering
Summary
Abstract
Introduction
Protocol
Risultati
Discussion
Divulgazioni
Acknowledgements
Materials
Riferimenti
Traduzione automatica
Bioingegneria

Kvantificering af Fibrillar Kollagen organisation med Curvelet Transform-baserede værktøjer

Published: November 11, 2020
doi:
10.3791/61931
,
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

Summary

Her præsenterer vi en protokol til at bruge en curvelet transform-baseret, open source MATLAB software værktøj til kvantificering fibrillar kollagen organisation i den ekstracellulære matrix af både normale og syge væv. Dette værktøj kan anvendes på billeder med kollagenfibre eller andre typer linjelignende strukturer.

Abstract

Fibrillar kollagen er fremtrædende ekstracellulære matrix (ECM) komponenter, og deres topologi ændringer har vist sig at være forbundet med udviklingen af en bred vifte af sygdomme, herunder bryst-, æggestokkene, nyre-, og bugspytkirtelkræft. Frit tilgængelige fiberkvantificeringssoftwareværktøjer er hovedsageligt fokuseret på beregningen af fiberjustering eller orientering, og de er underlagt begrænsninger som krav om manuelle trin, unøjagtighed i påvisning af fiberkanten i støjende baggrund eller mangel på lokaliseret funktionskarakterisering. Det kollagenfiberkvantantitationsværktøj, der er beskrevet i denne protokol, er kendetegnet ved at bruge en optimal billedrepræsentation i flere målestok, der aktiveres af kurvetransformation (CT). Denne algoritmiske tilgang giver mulighed for fjernelse af støj fra fibrillar kollagen billeder og forbedring af fiber kanter til at give placering og orientering oplysninger direkte fra en fiber, snarere end at bruge den indirekte pixel-kloge eller vindue-kloge oplysninger fra andre værktøjer. Denne CT-baserede ramme indeholder to separate, men linkede pakker med navnet “CT-FIRE” og “CurveAlign”, der kan kvantificere fiberorganisation på globalt, interesseområde (ROI) eller individuel fiberbasis. Denne kvantificeringsramme er udviklet i mere end ti år og har nu udviklet sig til en omfattende og brugerdrevet kollagenkvantificeringsplatform. Ved hjælp af denne platform kan man måle op til omkring tredive fiberfunktioner, herunder individuelle fiberegenskaber som længde, vinkel, bredde og ligehed samt bulkmålinger som tæthed og justering. Derudover kan brugeren måle fibervinkel i forhold til manuelt eller automatisk segmenterede grænser. Denne platform giver også flere ekstra moduler, herunder dem til ROI-analyse, automatisk grænseoprettelse og efterbehandling. Brug af denne platform kræver ikke forudgående erfaring med programmering eller billedbehandling, og det kan håndtere store datasæt, herunder hundreder eller tusinder af billeder, hvilket muliggør effektiv kvantificering af kollagenfiberorganisation til biologiske eller biomedicinske applikationer.

Introduction

Fibrillar kollagen er fremtrædende, strukturelle ECM komponenter. Deres organisation ændringer indvirkning væv funktion og er sandsynligvis forbundet med udviklingen af mange sygdomme lige fra osteogenese imperfecta1, hjerte dysfunktion2, og sårheling3 til forskellige typer afkræft,herunder bryst4,5,6, æggestokkene7,8, nyre9, og kræft i bugspytkirtlen10. Mange etablerede billedbehandlingsmetoder kan bruges til at visualisere fibrillar kollagen såsom anden harmoniske generation mikroskopi11, pletter eller farvestoffer i forbindelse med lyse felt eller fluorescens mikroskopi eller polariseret lys mikroskopi12, flydende krystal-baseret polarisering mikroskopi (LC-PolScope)13, og elektron mikroskopi14. Efterhånden som betydningen af fibrillar kollagen organisation er blevet klarere, og brugen af disse metoder er steget, behovet for forbedret kollagen fiber analyse tilgange er også vokset.

Der har været mange bestræbelser på at udvikle beregningsmetoder til automatiseret måling af fibrillar kollagen. Frit tilgængelige softwareværktøjer er hovedsageligt fokuseret på beregning af fiberjustering eller -retning ved at anvende enten første afledte eller struktur tensor for pixel15,16eller Fourier transform-baseret spektrumanalyse for billedfliser17. Alle disse værktøjer er underlagt begrænsninger såsom kravet om manuelle trin, unøjagtighed i påvisning af fiberkanten i støjende baggrund eller mangel på lokaliseret funktionskarakterisering.

Sammenlignet med andre frit tilgængelige open source-fri softwareværktøjer bruger de metoder, der er beskrevet i denne protokol, CT – en optimal, multiskala, retningsbestemt billedrepræsentationsmetode – til at fjerne støj fra fibrillar kollagenbilleder og forbedre eller spore fiberkanter. Oplysninger om placering og orientering kan leveres direkte fra en fiber i stedet for ved at bruge de indirekte pixel-kloge eller vindue-kloge oplysninger til at udlede målinger af fiber organisation. Denne CT-baserede ramme18,19,20,21 kan kvantificere fiber organisation på globalt, ROI, eller fiber grundlag, primært via to separate, men forbundet, pakker med navnet “CT-FIRE”18,21 og “CurveAlign”19,21. Hvad angår implementeringen af softwaren, kan CT-FIRE-koefficienter på flere skalaer i CT-FIRE bruges til at rekonstruere et billede, der forbedrer kanterne og reducerer støj. Derefter anvendes en individuel fiberudvindingsalgoritme på det CT-rekonstruerede billede for at spore fibre til at finde deres repræsentative centerpunkter, udvide fibergrene fra midtpunkterne og forbinde fibergrene for at danne et fibernetværk. I CurveAlign kan CT-koefficienter på en brugerdefineret skala bruges til at spore lokal fiberretning, hvor kurvernes retning og placering udtrækkes og grupperes for at estimere fiberretningen på de tilsvarende steder. Denne resulterende kvantificeringsramme er blevet udviklet i mere end ti år og har udviklet sig meget på mange områder såsom funktionalitet, brugergrænseflade og modularitet. For eksempel kan dette værktøj visualisere lokal fiberorientering og giver brugeren mulighed for at måle op til tredive fiberfunktioner, herunder individuelle fiberegenskaber som længde, vinkel, bredde og ligehed samt bulkmålinger som tæthed og justering. Derudover kan brugeren måle fibervinkel i forhold til manuelt eller automatisk segmenterede grænser, som for eksempel spiller en vigtig rolle i billedbaseret biomarkørudvikling i brystkræft22 og kræft i bugspytkirtlen10. Denne platform indeholder flere funktionsmoduler, herunder moduler til ROI-analyse, automatisk grænseoprettelse og efterbehandling. ROI-modulet kan bruges til at kommentere forskellige former for INVESTERINGSAFKAST og udføre tilsvarende ROI-analyse. Som et programeksempel kan det automatiske grænseoprettelsesmodul bruges til at registrere hematoxylin og eosin (H&E) lyse feltbilleder med anden harmoniske generation (SHG) billeder og generere billedmasken af tumorgrænser fra de registrerede H&E-billeder. Efterbehandlingsmodulet kan hjælpe med at lette behandlingen og integrationen af outputdatafiler fra individuelle billeder til mulig statistisk analyse.

Denne kvantificeringsplatform kræver ikke forudgående erfaring med programmering eller billedbehandling og kan håndtere store datasæt, herunder hundreder eller tusinder af billeder, hvilket muliggør effektiv kvantificering af kollagenorganisation til biologiske eller biomedicinske applikationer. Det har været meget udbredt i forskellige forskningsområder af mange forskere over hele verden, herunder os selv. Der er fire hovedpublikationer om CT-FIRE og CurveAlign18,19,20,21, hvoraf de første tre er blevet citeret 272 gange (fra 2020-05-04 ifølge Google Scholar). En gennemgang af de publikationer, der citerede denne platform (CT-FIRE eller CurveAlign) viser, at der er omkring 110 tidsskriftspapirer, der direkte brugte det til deres analyse, hvor ca. 35 publikationer samarbejdede med vores gruppe, og de andre (~ 75) blev skrevet af andre grupper. F.eks. denne platform blev brugt til følgende undersøgelser: brystkræft22,23,24, kræft i bugspytkirtlen10,25, nyrekræft9,26, sårheling3,27,28,29,30, kræft i æggestokkene8,31,7, livmoderbånd32, hypophosfatmisk dentin33, basalcellekarcinom34, hypoxisk sarkom35, bruskvæv36, hjertedysfunktion37, neuroner38, glioblastoma39, lymfesammentrækninger40, fibrøse cacffolds41, mavekræft42, mikrotubule43og blærefibrose44. Figur 1 viser kræft imaging anvendelse af CurveAlign at finde tumor-associerede kollagen underskrifter af brystkræft19 fra SHG billedet. Figur 2 beskriver en typisk skematisk arbejdsproces for denne platform. Selvom disse værktøjer er blevet gennemgået tekniskset 18,19,21, og en almindelig protokol20 til justeringsanalyse med CurveAlign også er tilgængelig, kan en visuel protokol, der demonstrerer alle de væsentlige funktioner, være nyttig. En visualiseret protokol, som præsenteret her, vil lette læringsprocessen ved at bruge denne platform samt mere effektivt adressere bekymringer og spørgsmål, som brugerne måtte have.

Protocol

BEMÆRK: Denne protokol beskriver brugen af CT-FIRE og CurveAlign til kollagen kvantificering. Disse to værktøjer har komplementære, men forskellige hovedmål og er til en vis grad knyttet sammen. CT-FIRE kan lanceres fra CurveAlign-grænsefladen for at udføre de fleste operationer undtagen avanceret efterbehandling og ROI-analyse. For at CT-FIRE kan fungere fuldt ud, bør den lanceres separat. 1. Krav til billedsamling og billedsamling BEMÆRK: Værktøjet kan be…

Representative Results

Disse metoder er blevet anvendt med succes i adskillige undersøgelser. Nogle typiske applikationer omfatter: 1) Conklin et al.22 brugte CurveAlign til at beregne tumor-associerede kollagen signaturer, og fandt, at kollagen fibre var oftere justeret vinkelret på kanalen omkreds i ductal carcinoma in situ (DCIS) læsioner; 2) Drifka et al.10 brugte CT-FIRE mode i CurveAlign at kvantificere den stromale kollagen tilpasning til bugspytkirtelkanalen adenocarcinoma og normal / …

Discussion

Denne protokol beskriver brugen af CT-FIRE og CurveAlign til fibrillar kollagen kvantificering og kan anvendes på ethvert billede med kollagen fibre eller andre linje-lignende eller fiber-lignende aflange strukturer egnet til analyse af CT-FIRE eller CurveAlign. For eksempel kan elastin eller elastiske fibre behandles på samme måde på denne platform. Vi har testet begge værktøjer på beregningsmæssigt genererede syntetiske fibre21. Afhængigt af applikationen skal brugerne vælge den analys…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Vi takker mange bidragydere og brugere til CT-FIRE og CurveAlign gennem årene, herunder 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 yderligere tekniske bidrag fra Swati Anand og Curtis Rueden. Dette arbejde blev støttet af finansiering fra Semiconductor Research Corporation, Morgridge Institute for Research, og NIH tilskud 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/
DOWNLOAD MATERIALS LIST

Riferimenti

  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).

Tags

Keywords: Fibrillar CollagenCollagen OrganizationExtracellular MatrixCurvelet TransformCT-FIREImage AnalysisFiber ExtractionRegion Of InterestPost-processing
check_url/it/61931?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citazione di questo articolo
Liu, Y., Eliceiri, K. W. Quantifying Fibrillar Collagen Organization with Curvelet Transform-Based Tools. J. Vis. Exp. (165), e61931, doi:10.3791/61931 (2020).
Scarica citazione
Ristampe e autorizzazioni

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image