Quantification de l’organisation du collagène fibrillar avec des outils curvelet à base de transformation
Summary
Ici, nous présentons un protocole pour utiliser un outil logiciel MATLAB à base de transformation de courbes et open-source pour quantifier l’organisation du collagène fibrillar dans la matrice extracellulaire des tissus normaux et maladie. Cet outil peut être appliqué sur des images avec des fibres de collagène ou d’autres types de structures en ligne.
Abstract
Les collagènes fibrillaires sont des composants proéminents de matrice extracellulaire (ECM), et leurs changements de topologie se sont montrés associés à la progression d’un large éventail de maladies comprenant des cancers du sein, de l’ovaire, du rein, et du pancréas. Les outils logiciels de quantification des fibres librement disponibles sont principalement axés sur le calcul de l’alignement ou de l’orientation des fibres, et ils sont soumis à des limitations telles que l’exigence d’étapes manuelles, l’inexactitude dans la détection du bord de la fibre en arrière-plan bruyant, ou le manque de caractérisation localisée des fonctionnalités. L’outil de quantitation de fibre de collagène décrit dans ce protocole est caractérisé par l’utilisation d’une représentation optimale d’image multiscale permise par la transformation de courbe (CT). Cette approche algorithmique permet d’enlever le bruit des images de collagène fibrillaire et l’amélioration des bords de fibre pour fournir des informations d’emplacement et d’orientation directement à partir d’une fibre, plutôt que d’utiliser les informations indirectes pixel-sage ou fenêtre-sage obtenues à partir d’autres outils. Ce cadre basé sur le CT contient deux paquets distincts, mais liés, nommés « CT-FIRE » et « CurveAlign » qui peuvent quantifier l’organisation de la fibre sur une base globale, région d’intérêt (ROI), ou de fibre individuelle. Ce cadre de quantification a été développé depuis plus de dix ans et a maintenant évolué en une plate-forme complète et axée sur l’utilisateur quantification du collagène. En utilisant cette plate-forme, on peut mesurer jusqu’à une trentaine de caractéristiques de fibre, y compris les propriétés individuelles de fibre telles que la longueur, l’angle, la largeur et la droitité, ainsi que des mesures en vrac telles que la densité et l’alignement. En outre, l’utilisateur peut mesurer l’angle de fibre par rapport aux limites segmentées manuellement ou automatiquement. Cette plate-forme fournit également plusieurs modules supplémentaires, y compris ceux pour l’analyse du retour sur investissement, la création automatique des limites et le post-traitement. L’utilisation de cette plate-forme ne nécessite pas d’expérience préalable de la programmation ou du traitement d’image, et elle peut gérer de grands ensembles de données, y compris des centaines ou des milliers d’images, permettant une quantification efficace de l’organisation des fibres de collagène pour les applications biologiques ou biomédicales.
Introduction
Les collagènes fibrillaires sont des composants ECM structurels proéminents. Leur organisation modifie la fonction des tissus d’impact et sont probablement associés à la progression de nombreuses maladies allant de l’ostéogenèse imparfaite1, dysfonctioncardiaque 2, et la cicatrisationdes plaies 3 à différents types decancer,y compris lesein 4,5,6,7 ovarien,8, rein9, et les cancers du pancréas10. De nombreuses modalités d’imagerie établies peuvent être utilisées pour visualiser le collagène fibrillar tel que la microscopie de deuxième génération harmonique11,les taches ou les colorants en conjonction avec la microscopie à champ lumineux ou fluorescence ou la microscopie lumineuse polarisée12,la microscopie polarisation à base de cristaux liquides (LC-PolScope)13, et la microscopie électronique14. Comme l’importance de l’organisation du collagène fibrillaire est devenue plus claire, et l’utilisation de ces méthodes a augmenté, le besoin d’approches améliorées d’analyse des fibres de collagène a également augmenté.
Il y a eu beaucoup d’efforts pour développer des méthodes computationnelles pour la mesure automatisée du collagène fibrillar. Les outils logiciels librement disponibles sont principalement axés sur le calcul de l’alignement ou de l’orientation des fibres en adoptant soit le premier dérivé, soit le tenseur de structure pour les pixels15,16, ou l’analyse du spectre basé sur la transformation fourier pour les tuiles d’image17. Tous ces outils sont soumis à des limitations telles que l’exigence d’étapes manuelles, l’inexactitude dans la détection du bord de la fibre en arrière-plan bruyant, ou le manque de caractérisation localisée des fonctionnalités.
Par rapport à d’autres outils logiciels libres open source librement disponibles, les méthodes décrites dans ce protocole utilisent la Tomodensive — une méthode optimale, multiscale et directionnelle de représentation de l’image — pour éliminer le bruit des images de collagène fibrillaire et améliorer ou suivre les bords des fibres. Les informations sur l’emplacement et l’orientation peuvent être fournies directement à partir d’une fibre plutôt qu’en utilisant les informations indirectes pixel-sage ou fenêtre-sage pour déduire les mesures de l’organisation de fibre. Ce cadre basé sur la CT18,19,20,21 peut quantifier l’organisation de la fibre sur une base globale, roi, ou fibre, principalement via deux ensembles distincts, mais liés, nommés « CT-FIRE »18,21 et « CurveAlign »19,21. En ce qui concerne la mise en œuvre du logiciel, dans CT-FIRE, des coefficients de CT sur plusieurs échelles peuvent être utilisés pour reconstruire une image qui améliore les bords et réduit le bruit. Ensuite, un algorithme individuel d’extraction de fibres est appliqué à l’image reconstruite par CT pour suivre les fibres pour trouver leurs points de centre représentatifs, étendre les branches de fibre des points du centre, et relier les branches de fibre pour former un réseau de fibres. Dans CurveAlign, les coefficients de CT sur une échelle spécifiée par l’utilisateur peuvent être utilisés pour suivre l’orientation des fibres locales, où l’orientation et l’emplacement des courbes sont extraits et regroupés pour estimer l’orientation de la fibre aux emplacements correspondants. Ce cadre de quantification qui en résulte est développé depuis plus de dix ans et a beaucoup évolué dans de nombreux aspects tels que la fonctionnalité, l’interface utilisateur et la modularité. Par exemple, cet outil peut visualiser l’orientation locale de fibre et permet à l’utilisateur de mesurer jusqu’à trente dispositifs de fibre comprenant des propriétés individuelles de fibre telles que la longueur, l’angle, la largeur, et la droitivité, aussi bien que des mesures en vrac telles que la densité et l’alignement. En outre, l’utilisateur peut mesurer l’angle de fibre par rapport aux limites segmentées manuellement ou automatiquement, qui, par exemple, joue un rôle important dans le développement de biomarqueurs basés sur l’image dans le cancer dusein 22 et les études sur le cancer du pancréas10. Cette plate-forme fournit plusieurs modules de fonctionnalités, y compris ceux pour l’analyse du retour sur investissement, la création automatique des limites et le post-traitement. Le module roi peut être utilisé pour annoter différentes formes de retour sur investissement et effectuer une analyse de retour sur investissement correspondante. À titre d’exemple d’application, le module automatique de création de limites peut être utilisé pour enregistrer des images en champ lumineux d’hématoxyline et d’éosine (H&E) avec des images de deuxième génération harmonique (SHG) et générer le masque d’image des limites tumorales à partir des images H&E enregistrées. Le module de post-traitement peut faciliter le traitement et l’intégration des fichiers de données de sortie à partir d’images individuelles pour une analyse statistique possible.
Cette plate-forme de quantification ne nécessite pas d’expérience préalable de la programmation ou du traitement d’images et peut gérer de grands ensembles de données, y compris des centaines ou des milliers d’images, permettant une quantification efficace de l’organisation du collagène pour les applications biologiques ou biomédicales. Il a été largement utilisé dans différents domaines de recherche par de nombreux chercheurs du monde entier, y compris nous-mêmes. Il existe quatre publications principales sur CT-FIRE et CurveAlign18,19,20,21, dont les trois premières ont été citées 272 fois (en 2020-05-04 selon Google Scholar). Un examen des publications qui ont cité cette plate-forme (CT-FIRE ou CurveAlign) indique qu’environ 110 articles de revues l’ont directement utilisé pour leur analyse, dans lesquels environ 35 publications ont été en collaboration avec notre groupe, et les autres (~ 75) ont été écrites par d’autres groupes. Par exemple, cette plate-forme a été utilisée pour les études suivantes: cancer dusein 22,23,24, cancer du pancréas10,25, cancer du rein9,26, cicatrisation desplaies 3,27,28,29,30, cancer del’ovaire 8,31,7, ligament utérinacral32, dentine hypophosphatemique33, carcinome basocellulaire34, sarcome hypoxique35, tissu cartilagineux36, dysfonction cardiaque37, neurones38, glioblastome39, contractions lymphatiques40, cacffolds fibreux41, cancer gastrique42, microtubule43, et fibrose de la vessie44. La figure 1 démontre l’application d’imagerie cancéreuse de CurveAlign pour trouver les signatures de collagène associées à la tumeur du cancer dusein 19 à partir de l’image SHG. La figure 2 décrit un flux de travail schématique typique de cette plate-forme. Bien que ces outils aient été examinéstechniquement 18,19,21, et un protocole régulier20 pour l’analyse d’alignement avec CurveAlign est également disponible, un protocole visuel qui démontre toutes les caractéristiques essentielles pourrait être utile. Un protocole visualisé, tel que présenté ici, facilitera le processus d’apprentissage de l’utilisation de cette plate-forme ainsi que de répondre plus efficacement aux préoccupations et aux questions que les utilisateurs pourraient avoir.
Protocol
Representative Results
Discussion
Ce protocole décrit l’utilisation de CT-FIRE et CurveAlign pour la quantification du collagène fibrillar et peut être appliqué à n’importe quelle image avec des fibres de collagène ou d’autres structures allongées en forme de ligne ou de fibre adaptées à l’analyse par CT-FIRE ou CurveAlign. Par exemple, l’élastine ou les fibres élastiques peuvent être traitées de la même manière sur cette plate-forme. Nous avons testé les deux outils sur des fibres synthétiques générées par calcul<sup class=…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Nous remercions de nombreux contributeurs et utilisateurs à CT-FIRE et CurveAlign au fil des ans, dont le Dr Rob Nowak, le Dr Carolyn Pehlke, le Dr Jeremy Bredfeldt, Guneet Mehta, Andrew Leicht, le Dr Adib Keikhosravi, le Dr Matt Conklin, le Dr Jayne Squirrell, le Dr Paolo Provenzano, la Dre Brenda Ogle, la Dre Patricia Keely, le Dr Joseph Szulczewski, la Dre Suzanne Ponik et d’autres contributions techniques de Swati Anand et Curtis Rueden. Ces travaux ont été soutenus par le financement de Semiconductor Research Corporation, Morgridge Institute for Research et NIH subventions R01CA199996, R01CA181385 et U54CA210190 à K.W.E.
Materials
| CT-FIRE | Univerity of Wisconsin-Madison | N/A | open source software available from https://eliceirilab.org/software/ctfire/ |
| CurveAlign | University of Wisconsin-Madison | N/A | open source software available from https://eliceirilab.org/software/curvealign/ |
References
- 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).
