JoVE Journal > Bioengineering
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
자동 번역
Please note that all translations are automatically generated. Click here for the English version.
생체공학

Количественная оценка организации фибриллярского коллагена с помощью инструментов на основе преобразования curvelet

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

Здесь мы представляем протокол об использовании программного средства MATLAB на основе кривильной платформы с открытым исходным кодом для количественной оценки организации фибриллярского коллагена во внеклеточной матрице как нормальных, так и больных тканей. Этот инструмент может быть применен к изображениям с коллагеновыми волокнами или другими типами линейных структур.

Abstract

Фибриллярные коллагены являются видными внеклеточными компонентами матрицы (ЭКМ), и их топологические изменения, как было показано, связаны с прогрессированием широкого спектра заболеваний, включая рак молочной железы, яичников, почек и поджелудочной железы. Свободно доступные программные средства количественной оценки волокон в основном ориентированы на расчет выравнивания волокон или ориентации, и они подвержены ограничениям, таким как требование ручных шагов, неточность в обнаружении края волокна в шумном фоне или отсутствие локализованной характеристики функции. Инструмент количественной оценки коллагенового волокна, описанный в этом протоколе, характеризуется использованием оптимального многомасштабного представления изображения, включенного преобразованием кривой (КТ). Этот алгоритмический подход позволяет удалить шум от изображений фибриллярского коллагена и улучшение краев волокна, чтобы обеспечить расположение и ориентацию информации непосредственно из волокна, а не с помощью косвенных пикселей мудрый или окна мудрый информацию, полученную из других инструментов. Эта КТ-основная структура содержит два отдельных, но связанных пакета под названием “CT-FIRE” и “CurveAlign”, которые могут количественно структурировать волокна на глобальной, области интересов (ROI), или индивидуальной основе волокна. Эта квантификация была разработана в течение более десяти лет и в настоящее время превратилась в всеобъемлющую и управляемой пользователем платформу количественной оценки коллагена. Используя эту платформу, можно измерить до тридцати волоконных объектов, включая индивидуальные свойства волокна, такие как длина, угол, ширина и прямота, а также объемные измерения, такие как плотность и выравнивание. Кроме того, пользователь может измерить угол волокна по отношению к вручную или автоматически сегментированных границ. Эта платформа также предоставляет несколько дополнительных модулей, включая модули для анализа рентабельности инвестиций, автоматического создания границ и постобработки. Использование этой платформы не требует предварительного опыта программирования или обработки изображений, и она может обрабатывать большие наборы данных, включая сотни или тысячи изображений, что позволяет эффективно количественной оценки организации коллагенового волокна для биологических или биомедицинских приложений.

Introduction

Фибриллярные коллагены являются заметными, структурные компоненты ECM. Их изменения организации влияют на функцию тканей и, вероятно, связаны с прогрессированием многих заболеваний, начиная от остеогенеза imperfecta1,сердечной дисфункции 2,и заживление ран 3 различных видоврака,включая грудь 4,5,6,яичников 7,8, почки9, и ракподжелудочной железы 10. Многие установленные условия визуализации могут быть использованы для визуализации фибриллярскогоколлагена, таких как микроскопия второго гармонического поколения 11, пятна или красители в сочетании с яркой полевой или флуоресцентноймикроскопией или поляризованной световой микроскопией 12, жидкокристаллическая поляризационная микроскопия (LC-PolScope)13, иэлектронная микроскопия 14. По мере того как важность организации фибриллярского коллагена стала яснее, и использование этих методов увеличивало, потребность для улучшенных подходов анализа волокна коллагена также росла.

Было приложить много усилий для разработки вычислительных методов автоматизированного измерения фибриллярского коллагена. Свободно доступные программные средства в основном сосредоточены на расчете выравнивания волокон или ориентации, приняв либо первый производный или структурный тенсордля пикселей 15,16, или Fourier трансформировать на основе анализа спектра для изображения плитки17. Все эти инструменты подвержены ограничениям, таким как требование ручных шагов, неточность в обнаружении края волокна в шумном фоне или отсутствие локализованной характеристики функции.

По сравнению с другими свободно доступными программными инструментами с открытым исходным кодом, методы, описанные в этом протоколе, используют КТ – оптимальный, многомасштабный, направленный метод представления изображений – для удаления шума с изображений фибриллярского коллагена и улучшения или отслеживания краев волокна. Информация о местоположении и ориентации может быть предоставлена непосредственно из волокна, а не с помощью косвенных пикселей мудрый или окно-мудрый информации, чтобы сделать вывод метрик оптоволоконные организации. Эта КТ-основерамки 18,19,20,21 может количественно волокна организации на глобальной, рентабельности инвестиций, или волокна основе, в основном через два отдельных, но связаны, пакеты под названием “CT-FIRE”18,21 и “CurveAlign”19,21. Что касается реализации программного обеспечения, то в CT-FIRE коэффициенты КТ в нескольких масштабах могут быть использованы для реконструкции изображения, которое улучшает края и уменьшает шум. Затем индивидуальный алгоритм извлечения волокон применяется к КТ-реконструированное изображение для отслеживания волокон для поиска их репрезентативных точек центра, расширения волоконных ветвей от центральных точек и соединения волоконных ветвей для формирования волоконной сети. В CurveAlign коэффициенты КТ в заданной пользователем шкале могут использоваться для отслеживания локальной ориентации волокон, где извлекаются и группированы ориентация и расположение кривых для оценки ориентации волокон в соответствующих местах. Полученная в результате этого система количественной оценки разрабатывалась более десяти лет и значительно изменилась во многих аспектах, таких как функциональность, пользовательский интерфейс и модульность. Например, этот инструмент может визуализировать местную ориентацию волокна и позволяет пользователю измерять до тридцати функций волокна, включая индивидуальные свойства волокна, такие как длина, угол, ширина и прямота, а также объемные измерения, такие как плотность и выравнивание. Кроме того, пользователь может измерить угол волокна по отношению к вручную или автоматически сегментированных границ, которые, например, играет важную роль в развитии биомаркера на основе изображенияв исследованиях рака молочной железы 22 и рака поджелудочнойжелезы 10. Эта платформа предоставляет несколько модулей функций, включая модули для анализа рентабельности инвестиций, автоматического создания границ и постобработки. Модуль рентабельности инвестиций может быть использован для аннотации различных форм рентабельности инвестиций и проведения соответствующего анализа рентабельности инвестиций. В качестве примера приложения модуль автоматического создания границ может быть использован для регистрации ярких полевых изображений гематоксилина и эозин (Н И Э) с изображениями второго гармонического поколения (SHG) и создания изображения маски границ опухоли с зарегистрированных изображений Н И Э. Модуль после обработки может способствовать обработке и интеграции выходных файлов данных из отдельных изображений для возможного статистического анализа.

Эта платформа количественной оценки не требует предварительного опыта программирования или обработки изображений и может обрабатывать большие наборы данных, включая сотни или тысячи изображений, что позволяет эффективно количественной оценки организации коллагена для биологических или биомедицинских приложений. Он широко используется в различных областях исследований многими исследователями во всем мире, включая нас самих. Есть четыре основные публикации на CT-FIRE и CurveAlign18,19,20,21, из которых первые три были приведены 272 раз (по данным 2020-05-04 в соответствии с Google Scholar). Обзор публикаций, в которых приводилась эта платформа (CT-FIRE или CurveAlign), показывает, что существует около 110 журнальных статей, которые непосредственно использовали ее для своего анализа, в которых приблизительно 35 публикаций сотрудничали с нашей группой, а остальные (No 75) были написаны другими группами. Например, эта платформа была использована для следующих исследований:рак молочной железы 22,23,24, ракподжелудочной железы 10,25, рак почек9,26,заживление ран 3,27,28,29,30, ракяичников 8,31,7, uterosacralсвязки 32, гипофосфатемный дентин33, базально-клеточнаякарцинома 34, гипоксическаясаркома 35,хрящевая ткань 36,сердечная дисфункция 37,нейроны 38, глиобластома39,лимфатические сокращения 40, волокнистые cacffolds41, рак желудка42, микротрубочка43, имочевого пузыря фиброз 44. Рисунок 1 демонстрирует применение визуализации рака CurveAlign, чтобы найти связанные с опухолью коллагеновые сигнатырака молочной железы 19 с изображения SHG. На рисунке 2 описывается типичный схематический рабочий процесс этой платформы. Хотя эти инструменты былирассмотрены технически 18,19,21, ирегулярный протокол 20 для выравнивания анализа с CurveAlign также доступна, визуальный протокол, который демонстрирует все основные функции могут быть полезны. Представленный здесь визуализированый протокол облегчит процесс обучения использованию этой платформы, а также более эффективно решает проблемы и вопросы, которые могут возникнуть у пользователей.

Protocol

ПРИМЕЧАНИЕ: Этот протокол описывает использование CT-FIRE и CurveAlign для количественной оценки коллагена. Эти два инструмента имеют взаимодополняющие, но разные основные цели и в определенной степени взаимосвязаны. CT-FIRE может быть запущен с интерфейса CurveAlign для проведения большинства опера…

Representative Results

Эти методы были успешно применены в многочисленных исследованиях. Некоторые типичные применения включают в себя: 1) Conklin et al.22 использовали CurveAlign для расчета связанных с опухолью сигнаций коллагена, и обнаружили, что коллагеновые волокна чаще выравнивались перпендикулярно…

Discussion

Этот протокол описывает использование CT-FIRE и CurveAlign для фибрилляционной количественной оценки коллагена и может быть применен к любому изображению с коллагеновыми волокнами или другими линейными или оптоволоконными удлиненными структурами, пригодными для анализа CT-FIRE или CurveAlign. Напр?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Мы благодарим многих участников и пользователей CT-FIRE и CurveAlign на протяжении многих лет, в том числе д-р Роб Новак, д-р Каролин Pehlke, д-р Джереми Bredfeldt, Guneet Мехта, Эндрю Лейхт, д-р Адиб Keikhosravi, д-р Мэтт Конклин, д-р Джейн Белкель, д-р Паоло Провенцано, д-р Бренда Огле, д-р Патрисия Кили, д-р Джозеф Szulczewski, д-р Джозеф Szulczewski, д-р Сюзанна Эта работа была поддержана финансированием от Полупроводниковой исследовательской корпорации, Института исследований Моргриджа и грантов NIH R01CA199996, R01CA181385 и U54CA2190 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

References

  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/kr/61931?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Liu, Y., Eliceiri, K. W. Quantifying Fibrillar Collagen Organization with Curvelet Transform-Based Tools. J. Vis. Exp. (165), e61931, doi:10.3791/61931 (2020).
Download Citation
Reprints and Permissions

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image