Quantifizierung der Fibrillar Collagen Organisation mit Curvelet Transform-Based Tools
Summary
Hier stellen wir ein Protokoll zur Verwendung eines curvelet transform-basierten Open-Source-Softwaretools MATLAB zur Quantifizierung der fibrillaren Kollagenorganisation in der extrazellulären Matrix von normalem und krankem Gewebe vor. Dieses Werkzeug kann auf Bilder mit Kollagenfasern oder anderen Arten von linienähnlichen Strukturen angewendet werden.
Abstract
Fibrillare Kollagene sind prominente komponenten der extrazellulären Matrix (ECM), und ihre topologischen Veränderungen haben sich gezeigt, dass sie mit dem Fortschreiten einer breiten Palette von Krankheiten wie Brust-, Eierstock-, Nieren- und Bauchspeicheldrüsenkrebs in Verbindung gebracht werden. Frei verfügbare Software-Tools zur Faserquantifizierung konzentrieren sich hauptsächlich auf die Berechnung der Faserausrichtung oder -ausrichtung und unterliegen Einschränkungen wie der Anforderung manueller Schritte, ungenauigkeiten bei der Erkennung der Faserkante im lauten Hintergrund oder dem Fehlen einer lokalisierten Feature-Charakterisierung. Das in diesem Protokoll beschriebene Kollagenfaserquantitierungstool zeichnet sich durch eine optimale multiskalierende Bilddarstellung aus, die durch Curvelet-Transformation (CT) ermöglicht wird. Dieser algorithmische Ansatz ermöglicht die Entfernung von Rauschen von fibrillaren Kollagenbildern und die Verbesserung von Faserkanten, um Positions- und Orientierungsinformationen direkt aus einer Faser bereitzustellen, anstatt die indirekten pixel- oder fensterweisen Informationen aus anderen Werkzeugen zu verwenden. Dieses CT-basierte Framework enthält zwei separate, aber verknüpfte Pakete mit den Namen “CT-FIRE” und “CurveAlign”, die die Faserorganisation auf globaler, Interessensgebiet-Basis (ROI) oder auf individueller Faserbasis quantifizieren können. Dieses Quantifizierungskonzept wurde seit mehr als zehn Jahren entwickelt und hat sich nun zu einer umfassenden und nutzergesteuerten Collagen-Quantifizierungsplattform entwickelt. Mit dieser Plattform kann man bis zu etwa dreißig Fasermerkmale messen, einschließlich einzelner Fasereigenschaften wie Länge, Winkel, Breite und Geradheit sowie Massenmessungen wie Dichte und Ausrichtung. Darüber hinaus kann der Benutzer den Faserwinkel relativ zu manuelloder automatisch segmentierten Grenzen messen. Diese Plattform bietet auch mehrere zusätzliche Module, einschließlich der Module für die ROI-Analyse, die automatische Grenzerstellung und die Nachbearbeitung. Die Verwendung dieser Plattform erfordert keine Vorkenntnisse in der Programmierung oder Bildverarbeitung und kann große Datensätze einschließlich Hunderter oder Tausender Bilder verarbeiten, was eine effiziente Quantifizierung der Kollagenfaserorganisation für biologische oder biomedizinische Anwendungen ermöglicht.
Introduction
Fibrillare Kollagene sind prominente, strukturelle ECM-Komponenten. Ihre Organisation ändert Auswirkungen Gewebefunktion und sind wahrscheinlich mit dem Fortschreiten vieler Krankheiten von Osteogenesis imperfecta1, Herzfunktionsstörung2, und Wundheilung3 zu verschiedenen Arten von Krebs einschließlich Brust4,5,6, Eierstock7,8, Niere9und Bauchspeicheldrüsenkrebs10 . Viele etablierte bildgebende Modalitäten können verwendet werden, um fibrillares Kollagen zu visualisieren, wie z. B. Mikroskopie der zweiten harmonischen Generation11, Flecken oder Farbstoffe in Verbindung mit Hellfeld- oder Fluoreszenzmikroskopie oder polarisierter Lichtmikroskopie12, flüssige kristallbasierte Polarisationsmikroskopie (LC-PolScope)13und Elektronenmikroskopie14. Mit der zunehmenden Bedeutung der fibrillaren Kollagenorganisation und der zunehmenden Anwendung dieser Methoden ist auch der Bedarf an verbesserten Ansätzen zur Kollagenfaseranalyse gestiegen.
Es wurden viele Anstrengungen unternommen, um Berechnungsmethoden zur automatisierten Messung von fibrillarem Kollagen zu entwickeln. Frei verfügbare Software-Tools konzentrieren sich hauptsächlich auf die Berechnung der Faserausrichtung oder -ausrichtung, indem entweder der erste Derivat oder der Strukturtensor für die Pixel15,16oder Fourier transform-based spectrum analysis für Bildkacheln17übernommen wird. Alle diese Tools unterliegen Einschränkungen, wie z. B. der Anforderung manueller Schritte, der Ungenauigkeit bei der Erkennung der Faserkante im lauten Hintergrund oder dem Fehlen einer lokalisierten Feature-Charakterisierung.
Im Vergleich zu anderen frei verfügbaren Open-Source-Software-Tools verwenden die in diesem Protokoll beschriebenen Methoden CT – eine optimale, multiskale, gerichtete Bilddarstellungsmethode –, um Rauschen von fibrillaren Kollagenbildern zu entfernen und Faserkanten zu verbessern oder zu verfolgen. Informationen über Standort und Ausrichtung können direkt aus einer Faser bereitgestellt werden, anstatt die indirekten pixel- oder fensterweisen Informationen zu verwenden, um die Metriken der Faserorganisation abzuleiten. Dieses CT-basierte Framework18,19,20,21 kann die Faserorganisation auf globaler, ROI- oder Faserbasis quantifizieren, hauptsächlich über zwei separate, aber verknüpfte Pakete mit den Namen “CT-FIRE”18,21 und “CurveAlign”19,21. Was die Implementierung der Software betrifft, können in CT-FIRE CT-Koeffizienten auf mehreren Skalen verwendet werden, um ein Bild zu rekonstruieren, das Kanten verbessert und Rauschen reduziert. Anschließend wird ein individueller Faserextraktionsalgorithmus auf das CT-rekonstruierte Bild angewendet, um Fasern zu verfolgen, um ihre repräsentativen Mittelpunkte zu finden, Faserzweige von den Mittelpunkten zu erweitern und Faserzweige zu einem Glasfasernetz zu verbinden. In CurveAlign können CT-Koeffizienten auf einer benutzerdefinierten Skala verwendet werden, um die lokale Faserausrichtung zu verfolgen, wobei die Ausrichtung und die Positionen von Kurvengezurteilen extrahiert und gruppiert werden, um die Faserausrichtung an den entsprechenden Positionen zu schätzen. Dieses daraus resultierende Quantifizierungsframework wurde seit mehr als zehn Jahren entwickelt und hat sich in vielen Aspekten wie Funktionalität, Benutzeroberfläche und Modularität stark weiterentwickelt. Dieses Tool kann beispielsweise die lokale Faserausrichtung visualisieren und ermöglicht es dem Benutzer, bis zu dreißig Fasermerkmale einschließlich einzelner Fasereigenschaften wie Länge, Winkel, Breite und Geradheit sowie Massenmessungen wie Dichte und Ausrichtung zu messen. Zusätzlich kann der Anwender den Faserwinkel relativ zu manuell oder automatisch segmentierten Grenzen messen, was beispielsweise eine wichtige Rolle bei der bildbasierten Biomarkerentwicklung beiBrustkrebs-22- und Bauchspeicheldrüsenkrebsstudien10spielt. Diese Plattform bietet mehrere Feature-Module, darunter module für die ROI-Analyse, die automatische Grenzerstellung und die Nachbearbeitung. Das ROI-Modul kann verwendet werden, um verschiedene ROI-Formen zu kommentieren und entsprechende ROI-Analysen durchzuführen. Als Anwendungsbeispiel kann das automatische Boundary Creation Modul verwendet werden, um Hämatoxylin und Eosin (H&E) Helle Feldbilder mit SHG-Bildern der zweiten harmonischen Generation zu registrieren und die Bildmaske von Tumorgrenzen aus den registrierten H&E-Bildern zu erzeugen. Das Nachbearbeitungsmodul kann die Verarbeitung und Integration von Ausgabedatendateien aus einzelnen Bildern für eine mögliche statistische Auswertung erleichtern.
Diese Quantifizierungsplattform erfordert keine Vorkenntnisse in der Programmierung oder Bildverarbeitung und kann große Datensätze einschließlich Hunderter oder Tausender Bilder verarbeiten, was eine effiziente Quantifizierung der Kollagenorganisation für biologische oder biomedizinische Anwendungen ermöglicht. Es wurde in verschiedenen Forschungsbereichen von vielen Forschern auf der ganzen Welt, einschließlich uns selbst, weit verbreitet. Es gibt vier Hauptpublikationen zu CT-FIRE und CurveAlign18,19,20,21, von denen die ersten drei 272 Mal zitiert wurden (Stand 2020-05-04 laut Google Scholar). Eine Überprüfung der Publikationen, die diese Plattform zitierten (CT-FIRE oder CurveAlign), zeigt, dass es ungefähr 110 Zeitschriftenpapiere gibt, die sie direkt für ihre Analyse verwendet haben, in denen etwa 35 Publikationen mit unserer Gruppe kollaboriert wurden, und die anderen (ca. 75) wurden von anderen Gruppen geschrieben. Zum Beispiel, Diese Plattform wurde für die folgenden Studien verwendet: Brustkrebs22,23,24, Bauchspeicheldrüsenkrebs10,25, Nierenkrebs9,26, Wundheilung3,27,28,29,30, Eierstockkrebs8,31,7, uterosacral ligament32, hypophosphatemic dentin33, bas Zellkarzinom34, hypoxisches Sarkom35, Knorpelgewebe36, Herzfunktionsstörungen37, Neuronen38, Glioblastom39, lymphatische Kontraktionen40, faserige Cacffolds41, Magenkrebs42, Mikrotubuli43und Blasenfibrose44. Abbildung 1 zeigt die krebsbildende Anwendung von CurveAlign, um die tumorassoziierten Kollagensignaturen von Brustkrebs19 aus dem SHG-Bild zu finden. Abbildung 2 beschreibt einen typischen schematischen Workflow dieser Plattform. Obwohl diese Tools technisch überprüft wurden18,19,21, und ein reguläres Protokoll20 für die Ausrichtungsanalyse mit CurveAlign ist auch verfügbar, ein visuelles Protokoll, das alle wesentlichen Funktionen demonstriert, könnte nützlich sein. Ein visualisiertes Protokoll, wie hier vorgestellt, wird den Lernprozess der Nutzung dieser Plattform erleichtern und Probleme und Fragen, die Benutzer haben könnten, effizienter behandeln.
Protocol
Representative Results
Discussion
Dieses Protokoll beschreibt die Verwendung von CT-FIRE und CurveAlign für die fibrillare Kollagenquantifizierung und kann auf jedes Bild mit Kollagenfasern oder anderen linienartigen oder faserähnlichen, länglichen Strukturen angewendet werden, die für die Analyse durch CT-FIRE oder CurveAlign geeignet sind. Beispielsweise könnten Elastin oder elastische Fasern auf dieser Plattform auf ähnliche Weise verarbeitet werden. Wir haben beide Werkzeuge auf rechnerisch erzeugten synthetischen Fasern getestet<sup class="xre…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Wir danken vielen Mitwirkenden und Anwendern von CT-FIRE und CurveAlign im Laufe der Jahre, 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 und weitere technische Beiträge von Swati Diese Arbeit wurde durch Fördermittel der Semiconductor Research Corporation, des Morgridge Institute for Research und der NIH-Stipendien R01CA19996, R01CA181385 und U54CA210190 an K.W.E. unterstützt.
Materials
| CT-FIRE | Univerity of Wisconsin-Madison | N/A | open source software available from https://eliceirilab.org/software/ctfire/ |
| CurveAlign | University of Wisconsin-Madison | N/A | open source software available from https://eliceirilab.org/software/curvealign/ |
References
- Nadiarnykh, O., et al. Second harmonic generation imaging microscopy studies of osteogenesis imperfecta. Journal of Biomedical Optics. 12 (5), 051805 (2007).
- Kouris, N. A., et al. A nondenatured, noncrosslinked collagen matrix to deliver stem cells to the heart. Regenerative Medicine. 6 (5), 569-582 (2011).
- LeBert, D. C., et al. Matrix metalloproteinase 9 modulates collagen matrices and wound repair. Development. 142 (12), 2136-2146 (2015).
- Provenzano, P. P., et al. Collagen reorganization at the tumor-stromal interface facilitates local invasion. BMC Medicine. 4 (1), 38 (2006).
- Provenzano, P. P., et al. Collagen density promotes mammary tumor initiation and progression. BMC Medicine. 6 (1), 1 (2008).
- 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).
- 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).
- 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).
- Best, S. L., et al. Collagen organization of renal cell carcinoma differs between low and high grade tumors. BMC Cancer. 19 (1), 490 (2019).
- 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).
- 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).
- 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).
- 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).
- Quan, B. D., Sone, E. D. Cryo-TEM analysis of collagen fibrillar structure. Methods in Enzymology. 532, 189-205 (2013).
- Boudaoud, A., et al. FibrilTool, an ImageJ plug-in to quantify fibrillar structures in raw microscopy images. Nature Protocols. 9 (2), 457-463 (2014).
- 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).
- Kartasalo, K., et al. CytoSpectre: a tool for spectral analysis of oriented structures on cellular and subcellular levels. BMC Bioinformatics. 16 (1), 1 (2015).
- 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).
- Bredfeldt, J. S., et al. Automated quantification of aligned collagen for human breast carcinoma prognosis. Journal of Pathology Informatics. 5 (1), 28 (2014).
- 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).
- Liu, Y., et al. Fibrillar collagen quantification with curvelet transform based computational methods. Frontiers in Bioengineering and Biotechnology. 8, 198 (2020).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Israel, J. S., et al. Quantification of collagen organization after nerve repair. Plastic and Reconstructive Surgery Global Open. 5 (12), (2017).
- 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).
- 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).
- 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).
- 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).
- Lewis, D. M., et al. Collagen fiber architecture regulates hypoxic sarcoma cell migration. ACS Biomaterials Science & Engineering. 4 (2), 400-409 (2018).
- 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).
- 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).
- 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).
- Pointer, K. B., et al. Association of collagen architecture with glioblastoma patient survival. Journal of Neurosurgery. 126 (6), 1812-1821 (2016).
- 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).
- Xue, Y., et al. Valve leaflet-inspired elastomeric scaffolds with tunable and anisotropic mechanical properties. Polymers for Advanced Technologies. 31 (1), 94-106 (2020).
- 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).
- Zinn, A., et al. The small GTPase RhoG regulates microtubule-mediated focal adhesion disassembly. Scientific Reports. 9 (1), 1-15 (2019).
- 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).
- 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).
- Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
- Zeitoune, A. A., et al. Epithelial ovarian cancer diagnosis of second-harmonic generation images: A semiautomatic collagen fibers quantification protocol. Cancer Informatics. 16, (2017).
- Wershof, E., et al. Matrix feedback enables diverse higher-order patterning of the extracellular matrix. PLoS Computational Biology. 15 (10), 1007251 (2019).
- 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).
- 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).
