Curvelet Transform Tabanlı Araçlarla Fibrillar Kollajen Organizasyonunu Ölçme
Summary
Burada, hem normal hem de hastalıklı dokuların hücre dışı matrisinde fibriller kollajen organizasyonunu ölçmek için kavisli dönüşüm tabanlı, açık kaynaklı matlab yazılım aracını kullanmak için bir protokol sunuyoruz. Bu araç kollajen lifleri veya diğer çizgi benzeri yapı türlerine sahip görüntülere uygulanabilir.
Abstract
Fibriller kollajenler belirgin hücre dışı matris (ECM) bileşenleridir ve topoloji değişikliklerinin meme, yumurtalık, böbrek ve pankreas kanserleri de dahil olmak üzere çok çeşitli hastalıkların ilerlemesi ile ilişkili olduğu gösterilmiştir. Serbestçe kullanılabilen fiber niceleme yazılım araçları esas olarak fiber hizalama veya oryantasyon hesaplamasına odaklanır ve manuel adımların gerekliliği, gürültülü arka planda fiber kenarın algılanmasında yanlışlık veya yerelleştirilmiş özellik karakterizasyonu eksikliği gibi sınırlamalara tabidir. Bu protokolde açıklanan kollajen lif nicelasyon aracı, eğri dönüşümü (BT) tarafından etkinleştirilen en uygun çok ölçekli görüntü gösterimi kullanılarak karakterize edilir. Bu algoritmik yaklaşım, diğer araçlardan elde edilen dolaylı piksel veya pencere açısından bilgileri kullanmak yerine, konum ve yönlendirme bilgilerini doğrudan bir fiberden sağlamak için fibriller kollajen görüntülerinden gürültünün giderilmesine ve fiber kenarlarının geliştirilmesine izin verir. Bu CT tabanlı çerçeve, fiber organizasyonuni küresel, ilgi alanı (ROI) veya bireysel fiber bazında ölçebilen “CT-FIRE” ve “CurveAlign” adlı iki ayrı, ancak bağlantılı paket içerir. Bu nicelik çerçevesi on yıldan fazla bir süredir geliştirilmiştir ve şimdi kapsamlı ve kullanıcı odaklı bir kollajen nicelik platformuna dönüşmüştür. Bu platformu kullanarak, uzunluk, açı, genişlik ve düzlük gibi bireysel lif özelliklerinin yanı sıra yoğunluk ve hizalama gibi toplu ölçümler de dahil olmak üzere yaklaşık otuz fiber özelliğini ölçebilirsiniz. Ayrıca, kullanıcı fiber açısını manuel veya otomatik olarak parçalanmış sınırlara göre ölçebilir. Bu platform ayrıca yatırım getirisi analizi, otomatik sınır oluşturma ve işlem sonrası modüller de dahil olmak üzere çeşitli ek modüller sağlar. Bu platformu kullanmak, önceden programlama veya görüntü işleme deneyimi gerektirmez ve yüzlerce veya binlerce görüntü dahil olmak üzere büyük veri kümelerini işleyebilir ve biyolojik veya biyomedikal uygulamalar için kollajen lif organizasyonunun verimli bir şekilde ölçülmesini sağlar.
Introduction
Fibriller kollajenler belirgin, yapısal ECM bileşenleridir. Organizasyonları etki dokusu fonksiyonunu değiştirir ve muhtemelen osteogenez kusurlu 1 , kardiyak disfonksiyon 2 ve yara iyileşmesi3’tenmeme 4 , 5 ,6 , yumurtalık 7,8,böbrek9ve pankreas kanserleri10dahil olmak üzere farklı kanser türlerine kadar birçok hastalığın ilerlemesi ile ilişkilidir. İkinci harmonik nesil mikroskopi11,parlak alan veya floresan mikroskopisi veya polarize ışık mikroskopisi 12, sıvı kristal bazlı polarizasyon mikroskopisi (LC-PolScope)13ve elektron mikroskopisi14ilebirlikte lekeler veya boyalar gibi fibriller kollajenleri görselleştirmek için birçok yerleşik görüntüleme yöntemi kullanılabilir. Fibriller kollajen organizasyonunun önemi netleştikçe ve bu yöntemlerin kullanımı arttıkça, geliştirilmiş kollajen lif analizi yaklaşımları ihtiyacı da artmıştır.
Fibriller kollajenin otomatik ölçümü için hesaplama yöntemleri geliştirmek için birçok çaba olmuştur. Serbestçe kullanılabilen yazılım araçları esas olarak, görüntü karoları için15, 16veya Fourier dönüşüm tabanlı spektrum analizi için ilk türev veya yapı tensörünü benimseyerek fiber hizalama veya oryantasyon hesaplamasına odaklanmıştır17. Tüm bu araçlar, manuel adımların gerekliliği, gürültülü arka planda fiber kenarın algılanmasındaki yanlışlık veya yerelleştirilmiş özellik karakterizasyonu eksikliği gibi sınırlamalara tabidir.
Serbestçe kullanılabilen diğer açık kaynaklı özgür yazılım araçlarıyla karşılaştırıldığında, bu protokolde açıklanan yöntemler, fibriller kollajen görüntülerindeki gürültüyü gidermek ve fiber kenarlarını geliştirmek veya izlemek için en uygun, çok ölçekli, yönlü görüntü gösterimi yöntemi olan CT’yi kullanır. Konum ve yönlendirme hakkındaki bilgiler, fiber organizasyon ölçümlerini çıkarmak için dolaylı piksel veya pencere açısından bilgileri kullanmak yerine doğrudan bir fiberden sağlanabilir. Bu CT tabanlı çerçeve18,19,20,21, fiber organizasyonuni küresel, yatırım getirisi veya fiber bazında ölçebilir, esas olarak iki ayrı, ancak bağlantılı, “CT-FIRE” 18,21ve “CurveAlign”19,21adlı paketler aracılığıyla. Yazılımın uygulanması söz konusu olduğunda, CT-FIRE’da, kenarları geliştiren ve gürültüyü azaltan bir görüntüyü yeniden oluşturmak için birden fazla ölçekte CT katsayıları kullanılabilir. Daha sonra, temsili merkez noktalarını bulmak, fiber dalları merkez noktalarından uzatmak ve fiber dalları fiber ağ oluşturmak için bağlamak için lifleri izlemek için BT tarafından yeniden oluşturulan görüntüye ayrı bir fiber ekstraksiyon algoritması uygulanır. CurveAlign’de, kullanıcı tarafından belirtilen ölçekteki CT katsayıları, eğrilerin yönünün ve konumlarının çıkarıldığı ve ilgili konumlardaki fiber yönünü tahmin etmek için gruplandığı yerel fiber yönünü izlemek için kullanılabilir. Ortaya çıkan bu nicelik çerçevesi on yıldan fazla bir süredir geliştirilmiştir ve işlevsellik, kullanıcı arayüzü ve modülerlik gibi birçok açıdan büyük ölçüde gelişmiştir. Örneğin, bu araç yerel fiber yönünü görselleştirebilir ve kullanıcının uzunluk, açı, genişlik ve düzlük gibi bireysel fiber özelliklerinin yanı sıra yoğunluk ve hizalama gibi toplu ölçümler de dahil olmak üzere otuz fiber özelliğini ölçmesine olanak tanır. Ek olarak, kullanıcı lif açısını manuel veya otomatik olarak bölünmüş sınırlara göre ölçebilir, bu da örneğin meme kanseri22 ve pankreas kanseri çalışmalarında görüntü tabanlı biyobelirteç gelişiminde önemli bir rol oynar10. Bu platform, yatırım getirisi analizi, otomatik sınır oluşturma ve işlem sonrası modüller de dahil olmak üzere çeşitli özellik modülleri sağlar. Yatırım getirisi modülü, farklı yatırım getirisi şekillerine açıklama eklemek ve karşılık gelen yatırım getirisi analizi yapmak için kullanılabilir. Uygulama örneği olarak, otomatik sınır oluşturma modülü, hematoksilin ve eosin (H&E) parlak alan görüntülerini ikinci harmonik nesil (SHG) görüntülerle kaydetmek ve kayıtlı H&E görüntülerinden tümör sınırlarının görüntü maskesini oluşturmak için kullanılabilir. İşlem sonrası modül, olası istatistiksel analizler için tek tek görüntülerden çıktı veri dosyalarının işlenmesini ve entegrasyonunu kolaylaştırmaya yardımcı olabilir.
Bu niceleme platformu, önceden programlama veya görüntü işleme deneyimi gerektirmez ve yüzlerce veya binlerce görüntü de dahil olmak üzere büyük veri kümelerini işleyebilir ve biyolojik veya biyomedikal uygulamalar için kollajen organizasyonunun verimli bir şekilde ölçülmesini sağlar. Biz de dahil olmak üzere tüm dünyada birçok araştırmacı tarafından farklı araştırma alanlarında yaygın olarak kullanılmaktadır. CT-FIRE ve CurveAlign18,19,20,21‘ de dört ana yayın vardırvebunlardan ilk üçü 272 kez alıntılanmıştır (Google Scholar’a göre 2020-05-04 itibarıyla). Bu platforma (CT-FIRE veya CurveAlign) atıfta bulunan yayınların gözden geçirilmesi, yaklaşık 35 yayının grubumuzla işbirliği içinde olduğu ve diğerlerinin (~ 75) diğer gruplar tarafından yazıldığı analizleri için doğrudan kullanan yaklaşık 110 dergi makalesi olduğunu göstermektedir. Örneğin, bu platform aşağıdaki çalışmalar için kullanılmıştır: meme kanseri22,23,24, pankreas kanseri10,25, böbrek kanseri9,26, yara iyileşmesi3,27,28,29,30, yumurtalık kanseri8,31,7, uterosacral ligament 32 , hipofosfatemik dentin3233, bazal hücreli karsinom34, hipoksik sarkom35, kıkırdak doku36, kardiyak disfonksiyon37, nöronlar38, glioblastoma39, lenfatik kasılmalar40, lifli cacffolds41, mide kanseri42, mikrotübül43ve mesane fibrozis44. Şekil 1, SHG görüntüsünden meme kanseri19’un tümörle ilişkili kollajen imzalarını bulmak için CurveAlign’in kanser görüntüleme uygulamasını göstermektedir. Şekil 2, bu platformun tipik bir şematik iş akışını açıklar. Bu araçlar teknik olarak18,19,21ve CurveAlign ile hizalama analizi için normal bir protokol20 gözden geçirilmiş olsa da, tüm temel özellikleri gösteren görsel bir protokol yararlı olabilir. Burada sunulan görselleştirilmiş bir protokol, bu platformu kullanmanın öğrenme sürecini kolaylaştıracak ve kullanıcıların sahip olabileceği endişeleri ve soruları daha verimli bir şekilde ele alacaktır.
Protocol
Representative Results
Discussion
Bu protokol, fibriller kollajen nicelemesi için CT-FIRE ve CurveAlign kullanımını açıklar ve kollajen lifleri veya CT-FIRE veya CurveAlign tarafından analize uygun diğer çizgi benzeri veya fiber benzeri uzun yapılarla herhangi bir görüntüye uygulanabilir. Örneğin, elastin veya elastik lifler bu platformda benzer şekilde işlenebilir. Her iki aracı da hesaplamalı olarak üretilen sentetik lifler üzerinde test ettik21. Uygulamaya bağlı olarak, kullanıcılar verileri için en uy…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Yıllar boyunca CT-FIRE ve CurveAlign’e katkıda bulunanlara ve kullanıcılara teşekkür ederiz, 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 ve Swati Anand ve Curtis Rueden’in ek teknik katkıları. Bu çalışma, Semiconductor Research Corporation, Morgridge Araştırma Enstitüsü ve NIH’nin R01CA19996, R01CA181385 ve U54CA210190’ı K.W.E.’ye hibe etmesiyle desteklendi.
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).
