Anmelden

Zum Anzeigen dieser Inhalte ist ein JoVE-Abonnement erforderlich. Melden Sie sich an oder starten Sie Ihre kostenlose Testversion.

In diesem Artikel

  • Zusammenfassung
  • Zusammenfassung
  • Einleitung
  • Protokoll
  • Ergebnisse
  • Diskussion
  • Offenlegungen
  • Danksagungen
  • Materialien
  • Referenzen
  • Nachdrucke und Genehmigungen

Zusammenfassung

We present an image registration approach for 3-dimensional (3D) histology volume reconstruction, which facilitates the study of the changes of an organ at the level of macrostructures made up of cells . Using this approach, we studied the 3D changes between wild-type and Igfbp7-null mammary glands.

Zusammenfassung

Histologie Volumenrekonstruktion erleichtert die Untersuchung von 3D-Form-und Volumenänderung eines Organs auf der Ebene der Makrostrukturen aus Zellen aufgebaut. Es kann auch verwendet werden, um zu untersuchen und Validierung neuer Techniken und Algorithmen, die in volumetrischen medizinischen Bildgebung und Therapie werden. Erstellen von 3D-High-Resolution-Atlanten von verschiedenen Organen, 1,2,3 ist eine weitere Anwendung der Histologie Volumenrekonstruktion. Dies stellt eine Ressource für die Untersuchung von Gewebestrukturen und die räumliche Beziehung zwischen verschiedenen zellulären Funktionen. Wir präsentieren eine Bildregistrierung Ansatz für die Histologie Volumenrekonstruktion, die eine Reihe von optischen blockface Bilder verwendet. Das rekonstruierte Histologie Volumen stellt eine zuverlässige Form der verarbeiteten Probe ohne breiteten Post-Processing-Registrierungsfehler. Die Hämatoxylin und Eosin (H & E) gefärbten Schnitten von zwei Maus-Brustdrüsen wurden zu den entsprechenden Bildern mit blockface Grenzpunkte von der ed extrahiert registriertges der Probe in der Histologie und blockface Bilder. Die Genauigkeit der Registrierung wurde visuell bewertet. Die Ausrichtung der Makrostrukturen der Brustdrüsen wurde visuell mit hoher Auflösung untersucht.

Diese Studie umreißt die verschiedenen Schritte des Bildregistrierungs Pipeline, von Entfernung der Brustdrüse durch den 3D-Volumenrekonstruktion Histologie. Während 2D-Histologie Bilder zeigen die strukturellen Unterschiede zwischen Paaren von Abschnitten, bietet 3D-Histologie Volumen die Möglichkeit, die Unterschiede in der Form und Volumen der Brustdrüsen zu visualisieren.

Einleitung

IGFBP7 (Insulin-like growth factor binding protein 7) ist ein Mitglied der IGF-bindende Proteinfamilie, und es wurde gezeigt, um die IGF-1-Rezeptor-4 zu binden. Herabregulierung von IGFBP7 ist bekannt, mit einer schlechten Prognose bei Brustkrebs 5 korreliert werden, während die Wiedereinführung von IGFBP7 in Xenograft-Tumormodellen hemmt stark die Tumorwachstums 6 durch Induktion von Apoptose und Zellalterung 7. Um die Auswirkungen der IGFPB7 zu untersuchen, wurde ein IGFBP7 null Maus 5 (unveröffentlichte Daten) erstellt. Während diese Mäuse keine Tumore entwickeln, Veränderungen in der Histologie des Eierstock-, Muskel-und Leber sowie Mängel in der Brustdrüse Entwicklungs Strukturierung (unveröffentlichte Daten) zeigen sie. Das defekte Phänotyp wurde angegeben als die null-Mäuse haben kleinere Wurfgrößen und sind unfähig, mehrere große Würfe (unveröffentlichte Daten) zu erhalten.

3D-Histologie Bände haben das Potenzial, um nützliche Informat bietenIonen für quantitative und vergleichende Analysen und Bewertung der pathologischen Befunde in Volumen medizinische Bilder. Dreidimensionales konfokales können zwei-Photonen-Mikroskopie hoher Auflösung Zelle morphologische Information der Drüse an lokalen Speicherbereich 14 zu schaffen, aber eine begrenzte Sichtfeld und Tiefe hat. Histologie Volumenrekonstruktion liefert mehr Informationen über einen viel größeren räumlichen Ausdehnung. Verwendung traditioneller Ansätze gewisse Verzerrung während der Herstellung histologischer Schnitte, wie z. B. Schrumpfung, Expansion, Risse und Falten erwartet. Diese Verzerrungen machen es schwierig, seriellen histologischen Bilder in ein 3D-Stapel Register, um ein 3D-Volumen zu rekonstruieren. Da die Anzahl von aufeinanderfolgenden Abschnitten mit Defekten erhöht die Ähnlichkeiten zwischen intakten Abschnitte reduziert und folglich ist der Registrierungsprozess komplizierter.

Verschiedene Methoden wurden vorgeschlagen, um histologische Schnitte zu registrieren und eine kontinuierliche Histologie vo erstellenlume. Einige Techniken sind abhängig von Intensitätsvariationen 8, und andere werden von der Form der Abschnitte 9 basiert. Bei einigen Proben können die anatomischen Strukturen als Landmarken 10,11 zusammen mit Wahrzeichen-basierte Registrierungsverfahren 12,13 verwendet werden. Aber diese inneren Strukturen möglicherweise nicht nachweisbar sein in der gesamten Menge und für einige Proben keine zuverlässigen anatomischen Strukturen identifiziert werden können. Einige Gruppen haben eine paarweise Anmeldung Ansatz verwendet und registriert in Folge Histologie Bilder einem zum anderen mit Konturen oder anatomischen Strukturen 16-18. Registrieren von Serien Histologie Abschnitte miteinander, ohne die Verwendung von Referenzbildern kann die Registrierung Fehler zu propagieren und ändern Sie die tatsächliche Form der Histologie Lautstärke. Paarweise Anmeldung Ansatz beruht auf der Konsistenz der Form der Histologie Abschnitten und den inneren Strukturen im gesamten Stapel der Bilder; daher dichter Abtastung der Probe, es erfordert dienicht immer möglich ist, z. B. für klinische Proben.

In dieser Pipeline verwenden wir blockface Bilder als eine Reihe von Referenzbildern für die Histologie 19 Volumenrekonstruktion. Blockface Bilder der Paraffingewebeblöcke nach der Montage am Mikrotom genommen und vor jeder Abschnitt wird abgeschnitten. Somit muss Beschädigungen einzelner Serienschnitte Schnitt nicht mit der Registrierung der Serienschnitte 8,11,15 stören. Wir erfassen die blockface Bilder in einer anderen Weise von den anderen Gruppen. Die optischen Block Gesichtsbilder werden von einem telezentrischen Objektiv zu beseitigen oder zu minimieren, den Lauf und perspektivische Verzerrung, die in der Regel tritt auf, wenn mit regulären Linsen in der Optik erhalten. Dies ist einer der Vorteile der vorgeschlagenen Vorgehensweise gegenüber den anderen Methoden veröffentlicht, die blockface Bildgebung durchführen mit regulären Linsen. Die Bilder werden in einem geringen spitzen Winkel getroffen werden, um die Reflexion von der Oberfläche des Blocks zur Kontrastverstärkung zwischen dem TISS verwendenue und Paraffinoberfläche und den Schatten des Gewebes in der Tiefe unter der Oberfläche zu beseitigen Paraffin. Photographische Filter wird auch verwendet, um das Licht, das von der Blockoberfläche und dem Gewebe, um den Kontrast 19 ausgleichen zu polarisieren. Um die Verschiebung des Blocks auf der Rotationsmikrotom korrigieren, zwei bis drei Löcher in den Ecken des Blocks, die in den blockface Bilder leicht nachweisbar sind gebohrt. Die Schwerpunkte dieser Löcher werden zusammen mit Wahrzeichen-basierten starren Anmeldung benutzt, um die Bilder blockface auszurichten.

Protokoll

1. Proben

  1. Verbrauchsteuern die Brustdrüsen chirurgisch aus Wildtyp-CDH1 sowie IGFBP7-null-Mäusen 3 Tage nach dem Einsetzen der Laktation.
  2. Verbreiten Sie die Drüsen auf Glasobjektträger zu helfen, wieder Muttermilchdrüsenmorphologie.

2. Fixierung und Gewebeverarbeitung

  1. Befestigen Sie die Milchdrüsen in neutral gepuffertem 4% PFA O / N bei 4 ° C.
  2. Bewahren Sie die Drüsen in 70% Ethanol vor der Gewebeverarbeitung.
  3. Übertragen Sie die Drüsen, kleine Gewebeverarbeitung Kassetten.
  4. Verarbeiten Sie die Gewebe mit Hilfe eines automatisierten Gewebeprozessor
    1. Dehydratisierung der Gewebe in zunehmenden Ethanol und Xylol Bäder von 70% Ethanol für 45 min, 2 mal in 95% Ethanol für 45 Minuten, 3 mal in 100% Ethanol für 1 Stunde und 2 mal in Xylol für 45 min.
    2. Dringen das Gewebe mit Paraffin 3 Mal für jeweils 1 h in einem Vakuum mit Druckvorgabe.
  5. Betten Sie das Gewebe in Paraffin zu Blöcken, Für das Schneiden.

3. Histologie und Blockface Imaging

  1. Schneiden Sie die Paraffinblöcke mit Hilfe eines Rotationsmikrotoms, bis das überschüssige Paraffin wird entfernt.
  2. Verwenden eine Vertikalfräsmaschine 1 mm Bohrungen in mindestens zwei Ecken der Paraffinblock senkrecht zu der Kassette.
  3. Montieren Sie den Gewebeblock auf der Rotationsmikrotoms.
  4. Richten Sie die blockface Abbildungssystem 19 vor dem Mikrotom.
  5. Optischen Bild blockface Erfassen vor dem Schneiden.
  6. Schneiden Bänder aus vier Abschnitten bei 5 um Dicke am Mikrotom.
    1. Übertragen Sie die Bänder an den kalten Wasserbad.
    2. Trennen Sie die zweiten und vierten Abschnitt des Bandes und montieren sie auf Objektträgern. Wahl der zweiten und vierten Abschnitt eine Lücke zwischen 5 &mgr; m Abschnitte.
    3. Erweitern Sie jeden Abschnitt in einem warmen Wasserbad (48 ° C), um sie unwrinkle, dann wieder montieren auf dem Objektträger.
      HINWEIS: CUtting, Montage, Glättungs die Abschnitte führen, dass einige Verzerrungen auf dem Abschnitt, wie Reiß, falten, Schrumpfung und Expansion. Diese Artefakte erschweren die Registrierung der Histologieschnitten.
    4. Färben der Schnitte mit H & E mit einem automatischen stainer.
    5. Deckglas die Folien mit einem automatischen Eindeckautomat.
    6. Digitalisieren Sie die Folien mit einem digitalen Histologie Dia-Scanner mit einer Auflösung von Interesse. Aus diesem Protokoll ist die Vergrößerung 20x und die Auflösung ist 0,47 um.
    7. Down probieren Sie die Histologie Bilder an die Auflösung des blockface Bilder, 18 um.

4. Bildregistrierung

  1. Bildsegmentierung und Punktauswahl
    1. In blockface Bilder messen die Pixelwerte der Ausrichtungslöcher und benutzen den Durchschnittswert als eine feste Schwelle zu segmentieren die Ausrichtungslöcher in den Ecken des Paraffinblocks.
    2. Da einige Zusatzteile kann auch durch segmentiert werdenmit dem festgelegten Schwellenwert, verwenden Sie die Rundheit und den Bereich der segmentierten Objekte, um die Löcher zu finden und entsorgen Sie die zusätzlichen Objekten. Um dies zu tun, schreibe einen kleinen Code und finden Sie das Verhältnis von (4π x Fläche) / (Perimeter) 2 für die segmentierten Objekte. Dieses Verhältnis für runde Objekte 1 ist.
    3. Für jede Brustdrüse, wählen Sie eine blockface Bild als Referenz, und richten Sie den Rest der blockface Bilder zum Referenz, indem die Mitte der Anmeldung Löcher und Wahrzeichen-basierte Registrierungstechniken.
    4. Für die ausgerichteten blockface Bilder manuell Segment oder extrahieren Sie die Gewebe aus dem Hintergrund. Nutzen die meisten großen Objekt durch in der Maske für den Rest des Protokolls.
    5. Für H & E Abschnitte die folgenden Schritte für die automatische Segmentierung.
      1. Verwenden Otsu Schwellwerttechnik 20 bis Segment Bilder aus dem Hintergrund und erstellen binäre Masken der Histologie Bilder.
      2. Identifizieren und wählen Sie die ansehnliche Objekt in jeder Maske mit dem histogram der markierten Objekte.
      3. Extrahieren Sie die ein Pixel breite Grenzpunkte von beiden Histologie und blockface Masken.
      4. Verwenden Chain-Code-Algorithmus 21, um die Grenzpunkte durch eine Folge von stückweise linearen darstellen passt.
  2. Initial Starre Registrierung
    1. Verwenden Fourier Deskriptoren Algorithmus 22, zu finden, die erste starre Transformation zwischen den Grenzpunkten der Histologie und ihre entsprechenden blockface Bilder. Diese erste transformieren umfasst die Translation, Rotation und Skalierungsfaktoren.
    2. Verwandeln Sie jedes Bild mit der Histologie aus dem vorherigen Schritt die Anfangs Transformation erhalten.
  3. Verfeinerung der Starre Registrierung
    1. Entfernen Sie die hohe Krümmung Randabschnitte von der Histologie Kontur mit einem rollenden Ball Filter 23.
    2. Wählen Sie 500 Punkte aus den verbleibenden Histologie Grenzpunkte zufällig mit gleichmäßigen Verteilung.
    3. Transformieren Sie die dieHistologie Zufallsgrenzpunkte mit der aus der Fourier-Deskriptoren erhalten anfänglichen Transformation.
    4. Wählen Sie die ganze Reihe von blockface Grenzpunkte und benutzen Iterative Closest Point (ICP) Algorithmus 24, um die starre Transformation zwischen den blockface Grenzpunkte, Ziel und Histologie Zufallsgrenzpunkte zu finden.
    5. Transformation der ausgerichteten Histologie Bilder aus dem vorhergehenden Schritt erhalten, und der Stapel ausgerichtet Histologie Bilder erstellt die Histologie Volumen.
    6. Verwenden Sie ein 3D-Visualisierungs-Software, um eine visuelle Bild der Histologie Volume zu erstellen.
  4. Stack anzeigen der Bilder bei 5-facher Vergrößerung
    1. Down probieren Sie die Original Histologie Bilder, um die Vergrößerung 5x.
    2. Crop die Region von Interesse in einer der Histologie Bilder.
    3. Berechnen der Position dieser Region in anderen 5x Histologie Bilder unter Verwendung der Kombination der starren Transformationen aus den zwei Schritten der Registrierung.
    4. Schneiden Sie das regions von Interesse für die gleichen Größenbereich in allen anderen histologischen Bilder.
    5. Schließlich verfeinern die Ausrichtung zwischen den Regionen manuell. Ein Programm zu schreiben, die zwei Bilder überlagert, und ermöglicht die Auswahl der Werte für Rotation und Translation eines der Bilder gegenüber dem anderen ein und speichert dann das transformierte Bild, wenn die Ausrichtung angenommen wird.
    6. Sehen Sie sich die Stapel der ausgerichteten 5x Histologie Regionen mit einem 3D-Visualisierungssoftware.

Ergebnisse

Ein Fallstrick der traditionellen Mikroskopie-Techniken ist, dass das Verständnis von einem Organ auf der mikroskopischen Ebene wird auf einem Feld-of-view in einer Zeit beschränkt. Auch "total Offenlegung" Dias, die gesamte Folie Abschnitte bieten, scheitern, um dreidimensionale Informationen. Mit der Entwicklung des gesamten Objektträger, dynamische Scan-Technologien, unsere Fähigkeit, einen Abschnitt in seiner Gesamtheit zu sehen gestiegen ist, aber die Extrapolation Strukturen erfordert 3D-Histologie V...

Diskussion

In dieser Studie haben wir eine Bildregistrierung Workflow, um ein 3D-Histologie Volumen aus 2D-Serien Histologie Bilder, die nicht internen zufällig ausgewählten Landmarken oder implantiert Bezugsmarker im Gewebe, die das Gewebe verzerren könnten erfordert rekonstruieren entwickelt. Durch das beschriebene Verfahren werden optische Bilder blockface sich als die Referenzbilder vor dem Schneiden verwendet. Wir verwenden externe Löcher in dem Paraffinblock gebohrt, um beim Ausrichten der Bilder blockface unterstützen ...

Offenlegungen

The authors have nothing to disclose

Danksagungen

The authors would like to thank the Biomarker Imaging Research Laboratory (BIRL) at Sunnybrook Research Institute for their histology services. Support for this work was provided by the Terry Fox Foundation, the Canadian Breast Cancer Foundation‐the Prairie‐NWT as well as a CIHR grant, #MOP-97996.

Materialien

NameCompanyCatalog NumberComments
16% PFAVWR International1571016% Paraformaldehyde solution
Small tissue processing cassettesVWR InternationalCA95029-956
Leica ASP300 Automated Tissue processorLeica14047643515
100% ethanolFisher ScientificS25307B
XyleneVWR International CA95057-822
Paraffin Thermo Fisher39501006Paraplast Tissue Embedding Medium
Leica EG 1160 Embedding CentreLeica
Leica rotary microtomeLeica
Milling machineArgo
Microscope slidesVWR International CA48312-015
H&E stainVWR International
Automatic stainer
Coverslips VWR International 48404-452
MEDITE RCM 7000 Glass CoverslipperMEDITE
Leica SCN400 slide scannerLeica
MATLABMathWorks IncMATLAB 2007bDevelopment software
MeVisLabMeVis Medical Solutions AGMeVisLab 2.13D visualization software

Referenzen

  1. Sunkin, S. M., et al. Brain Atlas: An integrated spatiotemporal port for exploring the central nervous system. Nucleic Acids Research. 41, 996-1008 (2012).
  2. Shen, E. H., Overly, C. C., Jones, A. R. The Allen Human Brain Atlas: Comprehensive gene expression mapping of the human brain. Trends in Neurosciences. 35 (12), 711-714 (2012).
  3. Trifunović, D., Karali, M., Camposampiero, D., Ponzin, D., Banfi, S., Marigo, V. A high-resolution RNA expression atlas of retinitis pigmentosa genes in human and mouse retinas. Invest. Ophthalmol. Vis. Sci. 49 (6), 2330-2336 (2008).
  4. Evdokimova, V., et al. IGFBP7 binds to the IGF-1 receptor and blocks its activation by insulin-like growth factors. Science Signaling. 5 (255), 92 (2012).
  5. Burger, A., Leyland-Jones, B., Banerjee, K., Spyropoulos, D., Seth, A. Essential roles for IGFBP-3 and IGFBP-rP1 in breast cancer. European J. Cancer. 41 (11), 1515-1527 (2005).
  6. Amemiya, Y., et al. Insulin like growth factor binding protein-7 reduces growth of human breast cancer cells and xenografted tumors. Breast Cancer Res Treat. 126 (2), 373-384 (2011).
  7. Benatar, T., et al. IGFBP7 reduces breast tumor growth by induction of senescence and apoptosis pathways. Breast Cancer Res Treat. 133 (2), 563-573 (2012).
  8. Bardinet, E., et al. Co-registration of histological, optical and MR data of the human brain. Medical Image Computing and Computer-Assisted Intervention-Part I. , 548-555 (2002).
  9. Jacobs, M. A., Windham, J. P., Soltanian-Zadeh, H., Peck, D. J., Knight, R. A. Registration and warping of magnetic resonance images to histological sections. Medical Physics. 26 (8), 1568-1578 (1999).
  10. Zhan, Y., Ou, Y., Feldman, M., Tomaszeweski, J., Davatzikos, C., Shen, D. Registering histologic and MR images of prostate for image-based cancer detection. Academic radiology. 14 (11), 1367-1381 (2007).
  11. Dauguet, J., et al. Three-dimensional reconstruction of stained histological slices and 3D non-linear registration with in vivo MRI for whole baboon brain. Journal of Neuroscience Methods. 164 (1), 191-204 (2007).
  12. Lazebnik, R. S., Lancaster, T. L., Breen, M. S., Lewin, J. S., Wilson, D. L. Volume registration using needle paths and point landmarks for evaluation of interventional MRI treatments. IEEE Transactions on Medical Imaging. 22 (5), 653-660 (2003).
  13. Breen, M. S., Lazebnik, R. S., Wilson, D. L. Three-dimensional registration of magnetic resonance image data to histological sections with model-based evaluation. Annals of Biomedical Engineering. 33 (8), 1100-1112 (2005).
  14. Mori, H., Borowsky, A. D., Bhat, R., Ghajar, C. M., Seiki, M., Bissell, M. J. . The American Journal of Pathology. 180 (6), 2249-2256 (2012).
  15. Gibb, M., Gilbert, D., Heiner, M., et al. Resolving the three-dimensional histology of the heart. Computational Methods in Systems Biology. , 2-16 (2012).
  16. Wu, M. L., et al. Three-dimensional virtual microscopy of colorectal biopsies. Archives of Pathology & Laboratory Medicine. 129 (4), 507-510 (2005).
  17. Arganda-Carreras, I., et al. 3D Reconstruction of histological sections: Application to mammary gland tissue. Microscopy Research and Technique. 73 (11), 1019-1029 (2010).
  18. Song, Y., Treanor, D., Bulpitt, A. J., Magee, D. R. 3D reconstruction of multiple stained histology images. Journal of Pathology Informatics. 4 (2), 7 (2013).
  19. Shojaii, R., Karavardanyan, T., Yaffe, M., Martel, A. L. Validation of histology image registration. SPIE Medical Imaging. 7962, 79621E, doi:10.1117/12.878762. 7962 (7962E), (2011).
  20. Ridler, T. W., Calvard, S. Picture thresholding using an iterative selection method. IEEE Transactions on Systems, Man, and Cybernetics. 8 (8), 630-632 (1978).
  21. Freeman, H. Computer processing of line-drawing images. ACM Computing Surveys (CSUR. 6 (1), 57-97 (1974).
  22. Giardina, C. Accuracy of curve approximation by harmonically related vectors with elliptical loci). Computer Graphics and Image Processing. 6 (3), 277-285 (1977).
  23. Shojaii, R., Martel, A. L. A novel edge point selection method for registration of histology images. Optical Tissue Image analysis in Microscopy, Histopathology and Endoscopy. (OPTIMHisE) Workshop, MICCAI. , (2009).
  24. Besl, P., McKay, N. A method for registration of 3-D shapes. IEEE Transactions on Pattern Analysis and Machine Intelligence. 14 (2), 239-256 (1992).
  25. Chatterjee, S., et al. Loss of Igfbp7 causes precocious involution in lactating mouse mammary gland. PLoS ONE. 9 (2), e87858 (2013).
  26. Manjunath, B. S., Chellappa, R. Unsupervised texture segmentation using Markov random field models. IEEE Transactions on Pattern Analysis and Machine Intelligence. 13 (5), 478-482 (1991).
  27. Krishnamachari, S., Chellappa, R. Multiresolution Gauss-Markov random field models for texture segmentation. IEEE Transactions on Image Processing: a publication of the IEEE Signal Processing Society. 6 (2), 251-267 (1997).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Weitere Artikel entdecken

BioengineeringHistologie Volume Wiederaufbautransgenen MausmodellBildregistrierungDigital HistologieBildverarbeitungMaus Milchdr se

This article has been published

Video Coming Soon

JoVE Logo

Datenschutz

Nutzungsbedingungen

Richtlinien

Forschung

Lehre

ÜBER JoVE

Copyright © 2025 MyJoVE Corporation. Alle Rechte vorbehalten