著者
お問い合わせ

サインイン

このコンテンツを視聴するには、JoVE 購読が必要です。 サインイン又は無料トライアルを申し込む。

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

定量位相イメージングと機械学習アルゴリズムを用いたリンパ球サブタイプの無料のラベル識別のためのプロトコルについて述べる。リンパ球の 3 D の屈折断層の測定は、細胞の種類を識別するための機械学習アルゴリズムで分析します個々 のセル、3 D の形態学的および生化学的情報を提示します。

要約

我々 はここで定量的な位相画像と機械学習を用いたリンパ球サブタイプの無料のラベル識別のためのプロトコルについて説明します。リンパ球サブタイプの同定診断と同様に、免疫学の研究や様々 な疾患の治療が重要です。現在、リンパ球の種類を分類するための標準的な方法は、抗原抗体反応による特定の膜タンパク質をラベルに依存します。ただし、これらの分類の技術は、細胞機能の変更の潜在的なリスクを運ぶ。ここで説明されているプロトコルは、3 D の定量位相イメージングと機械学習アルゴリズムを用いて本質的な光のコントラストを利用してこれらの課題を克服します。リンパ球の三次元屈折率 (RI) 断層の測定は、3 D 形態、個々 のセルの表現型についての定量的な情報を提供します。測定 3 D RI 断層から抽出された生物物理パラメーターは、単一細胞レベルでリンパ球型のラベル フリーの識別を有効にする機械学習アルゴリズムを用いた定量的に分析しています。B、T cd4 および cd8 陽性 T リンパ球の 3 D RI 断層を測定し、80% 以上で、細胞の種類を識別精度。このプロトコルではリンパ球の隔離、3 D 定量位相イメージング、およびリンパ球の種類を識別するための機械学習のための詳細な手順をについて説明します。

概要

B、レギュラトリー T 細胞 (cd 8 +) T、(cd 4 +) T ヘルパーを含む様々 なサブタイプに分けられるリンパ球細胞。各リンパ球型適応免疫システムに異なった役割を持ってください。たとえば、B リンパ球は T リンパ球特異抗原を検出、異常な細胞を排除して B リンパ球を調節するのに対し、抗体を生成します。リンパ球機能と規制は密によって制御され癌1、自己免疫疾患2、ウイルス感染症3を含む様々 な疾患に関連。したがって、リンパ球の種類の同定はこのような疾患、免疫療法の診療所での病態生理学的役割を理解することが重要です。

現在、リンパ球の種類を分類するための方法は、特定の表面膜蛋白質または表面マーカー4対象に抗原抗体反応に依存します。表面のマーカーをターゲットはリンパ球の種類を決定する正確かつ正確な方法です。ただし、高価な試薬および時間のかかる手順が必要です。さらに、それは膜蛋白質の構造の変更や細胞機能の変化のリスクを運ぶ。

これらの課題を克服するためには、ここで説明されているプロトコルは、3 D 定量位相イメージング (QPI) と機械学習5を使用してリンパ球タイプのラベル フリー識別を紹介します。このメソッドは、個々 のリンパ球のラベル無料 3 D 画像から抽出した形態学的情報に基づく単一細胞レベルでリンパ球型の分類できます。従来の蛍光顕微鏡技術とは異なり QPI は光のコントラスト6,7として屈折率 (RI) 分布 (生きている細胞や組織の本質的な光学特性) を利用しています。個々 のリンパ球の RI 断層は、リンパ球のサブタイプに固有表現型情報を表します。この場合は、全身の個々 のリンパ球の 3 D の RI 断層を利用する教師つき機械学習アルゴリズムが利用されました。

QPI のさまざまなテクニックを使用して、セルの 3 D RI 断層使用されている積極的に細胞病態学ラベル無料提供するため定量的イメージング機能8,9,10, 11,12,13。また、個々 のセルの 3 D RI 分布細胞形態学的、生化学的、および生体力学的情報を提供します。3 D の RI 断層は、以前血液14,15,16,17, 感染症18,19、の分野で利用されている20、免疫学21、細胞生物学22,23、炎症24、がん25, 神経科学26,27、発生生物学28, 毒物学29、および微生物学12,30,31,32。

3 D RI 断層は、細胞の形態学的および生化学的な詳細を提供する、リンパ球サブタイプの分類は単にイメージング 3 D RI 断層5で達成するために困難であります。体系的かつ定量的細胞型分類のため測定された 3 D RI 断層を悪用、機械学習アルゴリズムを利用しました。最近では、いくつかの作品報告されているどの定量細胞の画像を分析した様々 な機械学習アルゴリズム33、微生物34、35細菌属の分類の検出など,36, 炭疽菌胞子37, 迅速かつ無料のラベル検出は、精子細胞38の解析、マクロファージ活性化41の癌細胞39,40, の分析と検出を自動化しました。

このプロトコルは、3 D QPI と機械学習を用いた個々 の細胞レベルでのリンパ球型の無料のラベル識別を実行する詳細な手順を提供します。これが含まれます: 1) リンパ球分離マウス血、2) リンパ球が 3 D の RI 断層から流れ cytometry、3) 3 D QPI 4) 定量的特徴抽出による並べ替えおよび 5) リンパ球の種類を識別するための学習から。

プロトコル

動物介護施設使用 (KA2010 21, KA2014-01 と KA2015-03) 委員会の KAIST の承認の下で動物の世話と実験手順を行った。承認されたガイドラインに基づき本研究のすべての実験を行った。

1 マウスの血液からリンパ球の隔離

  1. C57bl/6 j マウスに CO2吸入による安楽死は一度マウスの心臓に 26 G 針を挿入し、血液の 0.3 mL を収集します。直接リン酸緩衝生理食塩水 (PBS) 1 mL で希釈 100 U/mL ヘパリン溶液をチューブ内に血液を置きます。
    注: また、脾臓からのリンパ球分離できます。
  2. 4 ° C で 5 分間 400 x g でチューブを遠心分離します。
  3. チューブに 0.5 mL のアンモニウム塩化カリウムの溶解バッファーを追加し、そっとそれのいくつかを反転ソリューションをミックスする回。
  4. 5 分間室温 (RT) で管を孵化させなさい。
  5. 4.5 mL の PBS を追加し、2 回の 4 ° C で 5 分間 400 × g で遠心分離によって細胞を洗浄します。
  6. 上澄みを除去し、新鮮な RPMI 1640 媒体 10% 牛胎児血清 (FBS) の 100 μ L で細胞ペレットを再懸濁します。
  7. CD16/32 (2.4G2) 抗体の 0.1 μ g をブロックするためチューブに追加します。
  8. 氷の上の管を保ちます。

2. 流れの Cytometry とリンパ球サブタイプの並べ替え

注意: リンパ球細胞の種類に応じて並べ替え地上真実 (すなわち、正しい) 細胞を確立するため重要ですトレーニングおよび学習の細胞型分類をテストするラベルを入力します。識別し、別のリンパ球42フローサイトメトリー、金標準の方法が使用されます。

  1. RPMI 1640 培の 100 μ L の抗体染色表面マーカーの混合物を作る [10 %fbs、CD3e の 0.1 μ g (17A2)、CD8a (53-6.7)、CD19 (1 D 3) CD45R (B220、RA3 6B2) と NK1.1 (PK136)] とターゲット B、cd 4 + T、および cd 8 + T に CD4 (GK1.5) 抗体の 0.25 μ gリンパ球。
  2. (1.8 の手順で得られた) 細胞懸濁液を 100 μ L の抗体の混合物を追加します。
  3. 氷の上の 25 分間インキュベートします。
  4. 5 mL の PBS を追加し、2 回の 4 ° C で 5 分間 400 × g で遠心分離によって細胞を洗います。
  5. 10 RPMI 1640 培の 5 mL の細胞ペレットを再懸濁します %fbs、DAPI (4', 6-diamidino-2-phenylindole) の 2.5 μ g。
  6. 上記マーカーの蛍光レベルを用いたフローサイトメトリーによるリンパ球の種類ごとを個別に収集します。DAPI 信号を使用して、同時にセル除外死んだ。
    注: フローサイトメトリーを用いた細胞選別されているフローに関する詳細なプロトコル42前述。

3. 3 D 定量位相イメージング

  1. 並べ替えられたリンパ球の細胞の損傷の生化学的変化を避けるために (マウスからリンパ球の隔離) 以来 5 時間内で完了する必要があります画像検査手順の中で氷の上を保ちます。
  2. (B、cd 4 + T、および cd8 陽性 T リンパ球) の間で並べ替えられた細胞タイプを選択し、最適な撮像条件 (すなわち、単一フィールドのビューごとに 1 つのセル) に RPMI 培地で 180 細胞/μ L (2.6 の手順で得られた)、サンプルを希釈します。
  3. 低速注入によるイメージング室に希釈サンプルの 120 μ L を読み込みます。サンプル画像処理室における気泡の存在を徹底的にチェックします。気泡が存在する場合は、測定値の品質を妥協すると、それらを削除慎重に。
  4. 商業 3 D の定量位相顕微鏡、または holotomography とそのイメージング ソフトウェアを使用して 3 D の RI 断層を取得します。
    注: 実験のセットアップの詳細については、5の元の原稿で見つけることが。
    1. 顕微鏡の対物レンズの上に水の滴を配置します。
    2. 顕微鏡の翻訳段階でイメージング チャンバー内に試料を置き、対物レンズとサンプルが揃うように、その位置を調整します。
    3. フォーカスと表面、それぞれタブをクリックして、「校正」イメージング ソフトウェアの「顕微鏡」視点の目標とコンデンサー レンズの軸の位置を調整します。
    4. 自動モードをクリックして目的とコンデンサー レンズを合わせます。また、スキャン モードを使用し、ビューのフィールドの中央領域に局在する照明パターンは、手動でレンズを調節します。
    5. 通常モードに戻るし、ビューのフィールドのセルを検索する翻訳段階を調整します。
    6. 対物レンズの軸方向の位置を調整することにより焦点面を見つけます。ほとんど目に見えない画面で視覚化されるサンプル境界を作る完璧な焦点します。
    7. セルなしの場所を見つけるに翻訳段階を調整します。
    8. さまざまな照明の角度で複数の 2 D ホログラムを測定するための調整をクリックします。
    9. ビューのフィールドの中央にセルを特定する翻訳段階を調整します。
    10. 「取得」タブに移動し、ステップ 3.4.8 で同一の照明角度を持つセルのホログラムを測定する3 D スナップショット] をクリックして。
    11. 取得したデータは、「データ管理」パネルに発表は、集録したデータを右クリックし、3.4.8 と 3.4.10, 回折トモグラフィ アルゴリズムを使用しての手順で測定したホログラムからの 3次元 RI 断層を再構築するプロセス] をクリックしてください9,10は、イメージング ソフトウェアで実装されています。
    12. 機械学習のための検定力を確保するため 100 以上のセルを測定する手順 3.4.5-3.4.11 を繰り返します。
    13. 3.4.11 ステップによって処理されるすべての画像。視覚化できます。「データ管理」パネル データを右クリックしてしデータを視覚化する開くをクリック。「データ マネージャー」パネルを RI 断層をクリックしてします。「プリセット」タブ ロードをクリックし、3 D の RI 分布よると断層像を可視化するイメージング ソフトウェアによって提供される定義済みの伝達関数である"lymphocyte.xml"をダブルクリックします。
  5. リンパ球サブタイプのすべての 3 D の RI 断層を測定する 3.2 3.4 の手順を繰り返します。

4 3 D RI 断層から定量的形態学的および生化学的特徴抽出

  1. 単一のフォルダーに上記の測定すべての断層データを配置します。このフォルダーのサブフォルダー内のセル型を分割します。各断層を単一.matファイルを準備します。
  2. 補足ファイル 1 - 特徴抽出 (画像処理ソフトウェアの書かれた) を開きます。
  3. 4.1 準備した断層フォルダーを指定の 14 行目を編集します。
  4. 特徴データを保存するフォルダーを指定するのには 15 行目を編集します。
  5. 必要に応じて、特徴抽出のための RI のしきい値パラメーターを調整する 17 行目を編集します。既定のオプションは 1.340 1.378、0.002、5を前述のインクリメントでから 20 里しきい値です。
  6. コードを実行します。データセット内のすべての断層画像のコードは、5 つの機能を計算します: RI しきい値あたり表面積 (SA)、細胞容積 (CV)、真球度 (SI)、蛋白質密度 (PD) と乾燥質量 (DM)。詳細な特徴抽出アルゴリズムの場所で述べる5。
  7. 特徴抽出を監視するためを実行中に RI 閾値に基づくセル分割を可視化画面に確認します。
  8. 4.4 の手順で指定したフォルダーに保存されている断層あたり.matファイルとして抽出した特徴データを確認します。

5. 監修の学習と識別

  1. ランダムに別々 のフォルダーに手順 4.8 トレーニング (70%) とテスト (30%) のセットで得られたフィーチャ データを分割します。
  2. オープン補助ファイル 2 - 鉄道 (画像処理ソフトウェアの書かれた)。
  3. 5.1 準備したトレーニング セットを指定する 14 行目を編集します。
  4. 訓練された分類器を保存するフォルダーを指定するのには 16 行目を編集します。
  5. 分類子のファイル名を設定するのには 17 行目を編集します。
  6. 必要に応じて、トレーニングの機能を選択する 19 行目を編集します。5、以前に指定された既定のオプション以下の代表的な結果を取得する使用だった。
  7. コードを実行します。トレーニング セットの選択機能を使用して、コード列車kである分類子-最近傍アルゴリズム (k -NN; k = 4) し、5.4 の手順で指定したフォルダーで分類 (手順 5.5 で名前) としてを保存します。
  8. 識別性能とクロス検証の精度を可視化画面上を確認します。
  9. 必要に応じて、手順 5.5 5.7 を繰り返すことによってさまざまな機能の組み合わせで複数の識別器を学習します。クロス検証精度の高い分類子を選択します。
  10. 補足ファイル 3 - テストを開く (画像処理ソフトウェアの書かれた)。
  11. 14-15 テストする訓練された分類器を指定するための行を編集します。
  12. 5.1 準備したテスト セットを指定するのには 17 行目を編集します。
  13. コードを実行します。上記分類は、テスト セット内の個々 のリンパ球の細胞の種類を識別します。
  14. 話者識別の性能と試験精度可視化画面上を確認します。

結果

図1は、プロトコル全体のプロセスの概略を示しています。ここに示す手順を使用して、我々 は B を分離した (n = 149)、cd 4 + T (n = 95)、および cd 8 + の T (n = 112) リンパ球。照明の様々 な角度での位相および振幅情報を取得するには、(-60 ° ~ 60 °) からの照明の角度を変更することによって各リンパ球の複数の 2 D ホログラムを測定しました。通?...

ディスカッション

3 D 定量位相イメージングと機械学習を利用したリンパ球の種類の無料のラベル識別を可能にするプロトコルを提案します。このプロトコルの重要なステップは、定量的な位相画像と機能の選択です。最適なホログラフィック画像上記のように細胞の密度を制御する必要があります。細胞の機械的安定性も浮動または振動の細胞挙動は照明角度変更時にホログラム測定を妨げるので正確な 3次?...

開示事項

・ S ・ リー、Y. S. キム Y. チョ教授 Y の公園 Tomocube 株式会社、光回折トモグラフィと定量位相イメージング機器を製品化、作業のスポンサーの 1 つは、会社の金銭的な利益があります。

謝辞

この作品は、KAIST bk 21 + プログラム、Tomocube、株式会社と、国立研究財団 (2015R1A3A2066550, 2017M3C1A3013923, 2018 K 000396) によって支えられました。Y. ジョーは、KAIST 大統領交わりからアサン財団生物医学科学奨学金サポートを認めています。

資料

NameCompanyCatalog NumberComments
MouseDaehan BiolinkC57BL/6J mice gender and age-matched, 6 – 8 weeks
Falcon conical centrifuge tubeThermoFisher Scientific14-959-53A15 mL
Phosphate-buffered saline Sigma-Aldrich806544-500ML
Ammonium-chloride-potassium lysing buffer ThermoFisher ScientificA1049201
RPMI-1640 mediumSigma-AldrichR8758
Fetal bovine serumThermoFisher Scientific10438018
AntibodyBD Biosciences553140 (RRID:AB_394655)CD16/32 (clone 2.4G2)
AntibodyBD Biosciences555275 (RRID:AB_395699)CD3ε (clone 17A2)
AntibodyBiolegnd100734 (RRID:AB_2075238)CD8α (clone 53-6.7)
AntibodyBD Biosciences557655 (RRID:AB_396770)CD19 (clone 1D3)
AntibodyBD Biosciences557683 (RRID:AB_396793)CD45R/B220 (clone RA3-6B2)
AntibodyBD Biosciences552878 (RRID:AB_394507)NK1.1 (clone PK136)
AntibodyeBioscience11-0041-85 (RRID:AB_464893)CD4 (clone GK1.5)
DAPI Roche102362760014,6-diamidino-2-phenylindole
Flow cytometry BD BiosciencesAria II or III 
Imaging chamberTomocube, Inc.TomoDish
HolotomographyTomocube, Inc.HT-1H
Holotomography imaging softwareTomocube, Inc.TomoStudio
Image professing softwareMathWorksMatlab R2017b

参考文献

  1. Alizadeh, A. A., et al. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature. 403 (6769), 503 (2000).
  2. Von Boehmer, H., Melchers, F. Checkpoints in lymphocyte development and autoimmune disease. Nature Immunology. 11 (1), 14 (2010).
  3. Sáez-Cirión, A., et al. HIV controllers exhibit potent CD8 T cell capacity to suppress HIV infection ex vivo and peculiar cytotoxic T lymphocyte activation phenotype. Proceedings of the National Academy of Sciences. 104 (16), 6776-6781 (2007).
  4. Fischer, K., et al. Isolation and characterization of human antigen-specific TCRαβ+ CD4-CD8-double-negative regulatory T cells. Blood. 105 (7), 2828-2835 (2005).
  5. Yoon, J., et al. Identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning. Scientific Reports. 7 (1), 6654 (2017).
  6. Popescu, G. . Quantitative phase imaging of cells and tissues. , (2011).
  7. Lee, K., et al. Quantitative phase imaging techniques for the study of cell pathophysiology: from principles to applications. Sensors. 13 (4), 4170-4191 (2013).
  8. Kim, D., et al. Refractive index as an intrinsic imaging contrast for 3-D label-free live cell imaging. bioRxiv. , 106328 (2017).
  9. Kim, K., et al. Optical diffraction tomography techniques for the study of cell pathophysiology. Journal of Biomedical Photonics & Engineering. 2 (2), (2016).
  10. Wolf, E. Three-dimensional structure determination of semi-transparent objects from holographic data. Optics Communications. 1 (4), 153-156 (1969).
  11. Kus, A., Dudek, M., Kemper, B., Kujawinska, M., Vollmer, A. Tomographic phase microscopy of living three-dimensional cell cultures. Journal of Biomedical Optics. 19 (4), 046009 (2014).
  12. Kim, T., et al. White-light diffraction tomography of unlabelled live cells. Nature Photonics. 8 (3), 256 (2014).
  13. Simon, B., et al. Tomographic diffractive microscopy with isotropic resolution. Optica. 4 (4), 460-463 (2017).
  14. Kim, Y., et al. Profiling individual human red blood cells using common-path diffraction optical tomography. Scientific Reports. 4, (2014).
  15. Park, H., et al. Measuring cell surface area and deformability of individual human red blood cells over blood storage using quantitative phase imaging. Scientific Reports. 6, (2016).
  16. Lee, S., et al. Refractive index tomograms and dynamic membrane fluctuations of red blood cells from patients with diabetes mellitus. Scientific Reports. 7, (2017).
  17. Merola, F., et al. Tomographic flow cytometry by digital holography. Light-Science & Applications. 6, (2017).
  18. Park, Y., et al. Refractive index maps and membrane dynamics of human red blood cells parasitized by Plasmodium falciparum. Proceedings of the National Academy of Sciences. 105, 13730-13735 (2008).
  19. Park, H., et al. Characterizations of individual mouse red blood cells parasitized by Babesia microti using 3-D holographic microscopy. Scientific Reports. 5, 10827 (2015).
  20. Chandramohanadas, R., et al. Biophysics of malarial parasite exit from infected erythrocytes. Public Library of Science ONE. 6 (6), 20869 (2011).
  21. Yoon, J., et al. Label-free characterization of white blood cells by measuring 3D refractive index maps. Biomedical Optics Express. 6 (10), 3865-3875 (2015).
  22. Kim, K., et al. Three-dimensional label-free imaging and quantification of lipid droplets in live hepatocytes. Scientific Reports. 6, 36815 (2016).
  23. Kim, D., et al. Label-free high-resolution 3-D imaging of gold nanoparticles inside live cells using optical diffraction tomography. Methods. , (2017).
  24. Lenz, P., et al. Multimodal Quantitative Phase Imaging with Digital Holographic Microscopy Accurately Assesses Intestinal Inflammation and Epithelial Wound Healing. Journal of Visualized Experiments. (115), (2016).
  25. Huang, J., Guo, P., Moses, M. A. A Time-lapse, Label-free, Quantitative Phase Imaging Study of Dormant and Active Human Cancer Cells. Journal of Visualized Experiments. (132), (2018).
  26. Yang, S. A., Yoon, J., Kim, K., Park, Y. Measurements of morphological and biochemical alterations in individual neuron cells associated with early neurotoxic effects in Parkinson's disease. Cytometry Part A. 91 (5), 510-518 (2017).
  27. Cotte, Y., et al. Marker-free phase nanoscopy. Nature Photonics. 7 (2), 113-117 (2013).
  28. Nguyen, T. H., Kandel, M. E., Rubessa, M., Wheeler, M. B., Popescu, G. Gradient light interference microscopy for 3D imaging of unlabeled specimens. Nature Communications. 8 (1), 210 (2017).
  29. Kwon, S., et al. Mitochondria-targeting indolizino [3, 2-c] quinolines as novel class of photosensitizers for photodynamic anticancer activity. European Journal of Medicinal Chemistry. 148, 116-127 (2018).
  30. Bennet, M., Gur, D., Yoon, J., Park, Y., Faivre, D. A Bacteria-Based Remotely Tunable Photonic Device. Advanced Optical Materials. , (2016).
  31. Kim, T. I., et al. Antibacterial Activities of Graphene Oxide-Molybdenum Disulfide Nanocomposite Films. ACS Applied Materials & Interfaces. 9 (9), 7908-7917 (2017).
  32. Bedrossian, M., Barr, C., Lindensmith, C. A., Nealson, K., Nadeau, J. L. Quantifying Microorganisms at Low Concentrations Using Digital Holographic Microscopy (DHM). Journal of Visualized Experiments. (129), (2017).
  33. Jo, Y., et al. Quantitative Phase Imaging and Artificial Intelligence: A Review. arXiv preprint. , (2018).
  34. Javidi, B., Moon, I., Yeom, S., Carapezza, E. Three-dimensional imaging and recognition of microorganism using single-exposure on-line (SEOL) digital holography. Optics Express. 13 (12), 4492-4506 (2005).
  35. Jo, Y., et al. Label-free identification of individual bacteria using Fourier transform light scattering. Optics Express. 23 (12), 15792-15805 (2015).
  36. Jo, Y., et al. Angle-resolved light scattering of individual rod-shaped bacteria based on Fourier transform light scattering. Scientific Reports. 4, 5090 (2014).
  37. Jo, Y., et al. Holographic deep learning for rapid optical screening of anthrax spores. Science Advances. 3 (8), 1700606 (2017).
  38. Mirsky, S. K., Barnea, I., Levi, M., Greenspan, H., Shaked, N. T. Automated analysis of individual sperm cells using stain-free interferometric phase microscopy and machine learning. Cytometry Part A. 91 (9), 893-900 (2017).
  39. Roitshtain, D., et al. Quantitative phase microscopy spatial signatures of cancer cells. Cytometry Part A. 91 (5), 482-493 (2017).
  40. Lam, V. K., Nguyen, T. C., Chung, B. M., Nehmetallah, G., Raub, C. B. Quantitative assessment of cancer cell morphology and motility using telecentric digital holographic microscopy and machine learning. Cytometry Part A. , (2017).
  41. Pavillon, N., Hobro, A. J., Akira, S., Smith, N. I. Noninvasive detection of macrophage activation with single-cell resolution through machine learning. Proceedings of the National Academy of Sciences. , (2018).
  42. Basu, S., Campbell, H. M., Dittel, B. N., Ray, A. Purification of Specific Cell Population by Fluorescence Activated Cell Sorting (FACS). Journal of Visualized Experiments. (41), e1546 (2010).
  43. Takeda, M., Ina, H., Kobayashi, S. Fourier-transform method of fringe-pattern analysis for computer-based topography and interferometry. Journal of the Optical Society of America. 72 (1), 156-160 (1982).
  44. Debnath, S. K., Park, Y. Real-time quantitative phase imaging with a spatial phase-shifting algorithm. Optics Letters. 36 (23), 4677-4679 (2011).
  45. Kim, K., et al. High-resolution three-dimensional imaging of red blood cells parasitized by Plasmodium falciparum and in situ hemozoin crystals using optical diffraction tomography. Journal of Biomedical Optics. 19 (1), 011005 (2013).
  46. Vercruysse, D., et al. Three-part differential of unlabeled leukocytes with a compact lens-free imaging flow cytometer. Lab on a Chip. 15 (4), 1123-1132 (2015).
  47. Kim, K., et al. Correlative three-dimensional fluorescence and refractive index tomography: bridging the gap between molecular specificity and quantitative bioimaging. Biomedical Optics Express. 8 (12), 5688-5697 (2017).
  48. Shin, S., Kim, D., Kim, K., Park, Y. Super-resolution three-dimensional fluorescence and optical diffraction tomography of live cells using structured illumination generated by a digital micromirror device. arXiv preprint. , (2018).
  49. Chowdhury, S., Eldridge, W. J., Wax, A., Izatt, J. A. Structured illumination multimodal 3D-resolved quantitative phase and fluorescence sub-diffraction microscopy. Biomedical Optics Express. 8 (5), 2496-2518 (2017).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

141 holotomography

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

お問い合わせ

図書館への推薦

JoVE ニュースレター

研究

教育

著者

図書館員

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved