Kvantifiera Fibrillar Collagen Organization med Curvelet Transform-baserade verktyg
Summary
Här presenterar vi ett protokoll för att använda ett curvelet transform-baserat MATLAB-mjukvaruverktyg med öppen källkod för kvantifiering av fibrillär kollagenorganisation i den extracellulära matrisen av både normala och sjuka vävnader. Detta verktyg kan appliceras på bilder med kollagenfibrer eller andra typer av linjeliknande strukturer.
Abstract
Fibrillar kollagener är framträdande extracellulära matris (ECM) komponenter, och deras topologi förändringar har visat sig vara associerade med utvecklingen av ett brett spektrum av sjukdomar inklusive bröst, äggstockscancer, njure och bukspottskörteln cancer. Fritt tillgängliga fiberk kvantifieringsprogramverktyg är främst inriktade på beräkning av fiberjustering eller orientering, och de är föremål för begränsningar som kravet på manuella steg, felaktighet vid upptäckt av fiberkanten i bullrig bakgrund eller brist på lokaliserad funktion karakterisering. Kollagenfiberk kvantifieringsverktyget som beskrivs i detta protokoll kännetecknas av att använda en optimal flerskalas bildrepresentation aktiverad av curvelet transform (CT). Detta algoritmiska tillvägagångssätt gör det möjligt att ta bort brus från fibrillära kollagenbilder och förbättring av fiberkanter för att ge plats- och orienteringsinformation direkt från en fiber, snarare än att använda indirekt pixel-klok eller fönstervis information som erhållits från andra verktyg. Detta CT-baserade ramverk innehåller två separata, men länkade, paket som heter “CT-FIRE” och “CurveAlign” som kan kvantifiera fiberorganisation på global, region av intresse (ROI) eller individuell fiberbas. Detta kvantifieringsramverk har utvecklats i mer än tio år och har nu utvecklats till en omfattande och användardriven kollagenk kvantifieringsplattform. Med hjälp av denna plattform kan man mäta upp till cirka trettio fiberfunktioner inklusive enskilda fiberegenskaper som längd, vinkel, bredd och rakhet, liksom bulkmätningar som densitet och justering. Dessutom kan användaren mäta fibervinkel i förhållande till manuellt eller automatiskt segmenterade gränser. Denna plattform tillhandahåller också flera ytterligare moduler, inklusive moduler för ROI-analys, automatisk gränsskapande och efterbearbetning. Att använda denna plattform kräver inte tidigare erfarenhet av programmering eller bildbehandling, och den kan hantera stora datamängder inklusive hundratals eller tusentals bilder, vilket möjliggör effektiv kvantifiering av kollagenfiberorganisationen för biologiska eller biomedicinska applikationer.
Introduction
Fibrillära kollagener är framträdande, strukturella ECM-komponenter. Deras organisation förändrar påverkan vävnad funktion och är sannolikt associerade med progressionen av många sjukdomar som sträcker sig från osteogenesis imperfecta1,hjärt dysfunktion2, ochsårläkning 3 till olika typer av cancer inklusive bröst4,5,6,äggstockscancer 7,8,njure9, och bukspottskörtelcancer10. Många etablerade bildframställningsmetoder kan användas för att visualisera fibrillärt kollagen såsom andra harmoniska generationensmikroskopi 11,fläckar eller färgämnen i samband med ljust fält eller fluorescensmikroskopi eller polariserad ljusmikroskopi12,flytande kristallbaserad polariseringsmikroskopi (LC-PolScope)13, och elektronmikroskopi14. I och med att vikten av fibrillar kollagenorganisation har blivit tydligare, och användningen av dessa metoder har ökat, har behovet av förbättrade kollagenfiberanalysmetoder också ökat.
Det har gjorts många ansträngningar för att utveckla beräkningsmetoder för automatiserad mätning av fibrillärt kollagen. Fritt tillgängliga programvaruverktyg är främst inriktade på beräkning av fiberjustering eller orientering genom att anta antingen första derivat eller struktur tensor för pixlar15,16, eller Fourier transform-baserad spektrumanalys för bildplattor17. Alla dessa verktyg är föremål för begränsningar som kravet på manuella steg, felaktig upptäckt av fiberkanten i bullrig bakgrund eller brist på lokaliserad funktionskaraktärisering.
Jämfört med andra fritt tillgängliga kostnadsfria programvaruverktyg med öppen källkod använder de metoder som beskrivs i detta protokoll CT – en optimal, mångsidig, riktad bildrepresentationsmetod – för att ta bort brus från fibrillära kollagenbilder och förbättra eller spåra fiberkanter. Information om plats och orientering kan tillhandahållas direkt från en fiber snarare än genom att använda indirekt pixel-klok eller fönstervis information för att härleda fiberorganisationens mätvärden. Detta CT-baserade ramverk18,19,20,21 kan kvantifiera fiberorganisation på global, ROI- eller fiberbasis, främst via två separata, men länkade, paket som heter “CT-FIRE”18,21 och “CurveAlign”19,21. När det gäller implementeringen av programvaran kan CT-KOEfficienter på flera skalor användas för att rekonstruera en bild som förbättrar kanterna och minskar bruset. Sedan tillämpas en individuell fiberutvinningsalgoritm på den CT-rekonstruerade bilden för att spåra fibrer för att hitta sina representativa centrumpunkter, förlänga fibergrenar från mittpunkterna och länka fibergrenar för att bilda ett fibernätverk. I CurveAlign kan CT-koefficienter på en användarspecificerad skala användas för att spåra lokal fiberorientering, där kurvernas orientering och placering extraheras och grupperas för att uppskatta fiberorienteringen på motsvarande platser. Detta resulterande kvantifieringsramverk har utvecklats i mer än tio år och har utvecklats mycket i många aspekter som funktionalitet, användargränssnitt och modularitet. Till exempel kan detta verktyg visualisera lokal fiberorientering och gör det möjligt för användaren att mäta upp till trettio fiberfunktioner inklusive enskilda fiberegenskaper som längd, vinkel, bredd och rakhet, liksom bulkmätningar som densitet och justering. Dessutom kan användaren mäta fibervinkel i förhållande till manuellt eller automatiskt segmenterade gränser, vilket till exempel spelar en viktig roll i bildbaserad biomarkörutveckling i bröstcancer22 och bukspottskörtelcancerstudier10. Den här plattformen tillhandahåller flera funktionsmoduler, inklusive moduler för ROI-analys, automatisk gränsskapande och efterbearbetning. ROI-modulen kan användas för att kommentera olika former av ROI och utföra motsvarande ROI-analys. Som ett applikationsexempel kan den automatiska gränsskapande modulen användas för att registrera hematoxylin- och eosinbilder (H&E) med andra harmoniska generationens (SHG) bilder och generera bildmasken för tumörgränser från de registrerade H&E-bilderna. Efterbehandlingsmodulen kan underlätta bearbetning och integrering av utdatafiler från enskilda bilder för eventuell statistisk analys.
Denna kvantifieringsplattform kräver inte tidigare erfarenhet av programmering eller bildbehandling och kan hantera stora datamängder inklusive hundratals eller tusentals bilder, vilket möjliggör effektiv kvantifiering av kollagenorganisationen för biologiska eller biomedicinska tillämpningar. Det har använts i stor utsträckning inom olika forskningsområden av många forskare över hela världen, inklusive oss själva. Det finns fyra huvudpublikationer på CT-FIRE och CurveAlign18,19,20,21, varav de tre första har citerats 272 gånger (från och med 2020-05-04 enligt Google Scholar). En genomgång av publikationerna som citerade denna plattform (CT-FIRE eller CurveAlign) indikerar att det finns cirka 110 tidskriftspapper som direkt använde den för sin analys, där cirka 35 publikationer samarbetade med vår grupp, och de andra (~ 75) skrevs av andra grupper. Till exempel, Denna plattform användes för följande studier: bröstcancer22, 23,24,bukspottskörtelcancer10,25, njurcancer9,26,sårläkning 3,27,28,29,30, äggstockscancer8,31,7, livmoderns ligament32, hypophosphatemic dentin33 , basalcellskarcinom34, hypoxisk sarkom35,broskvävnad36,hjärtdysfunktion37,nervceller38,glioblastom39,lymfatiska sammandragningar40,fibrösa cacffolds41,magcancer42,mikrotubule43, och urinblåsa fibros44. Figur 1 visar cancer imaging ansökan av CurveAlign för att hitta tumör-associerade kollagen signaturer av bröstcancer19 från SHG bilden. Figur 2 beskriver ett typiskt schematiskt arbetsflöde för den här plattformen. Även om dessa verktyg har granskats tekniskt18,19,21, och ett vanligt protokoll20 för justeringsanalys med CurveAlign är också tillgängligt, kan ett visuellt protokoll som visar alla väsentliga funktioner vara användbart. Ett visualiserat protokoll, som presenteras här, kommer att underlätta inlärningsprocessen för att använda denna plattform samt mer effektivt ta itu med problem och frågor som användare kan ha.
Protocol
Representative Results
Discussion
Detta protokoll beskriver användningen av CT-FIRE och CurveAlign för fibrillar kollagen kvantifiering och kan tillämpas på alla bilder med kollagen fibrer eller andra linjeliknande eller fiber-liknande långsträckta strukturer som är lämpliga för analys av CT-FIRE eller CurveAlign. Till exempel kan elastin eller elastiska fibrer bearbetas på ett liknande sätt på denna plattform. Vi har testat båda verktygen på beräkningsgenererade syntetiska fibrer21. Beroende på programmet bör anv…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Vi tackar många bidragsgivare och användare till CT-FIRE och CurveAlign genom åren, inklusive 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 och ytterligare tekniska bidrag från Swati Anand och Curtis Rueden. Detta arbete stöddes av finansiering från Semiconductor Research Corporation, Morgridge Institute for Research och NIH beviljar R01CA199996, R01CA181385 och U54CA210190 till 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).
