この方法は、心臓の電気生理学的分野における重要な質問、細胞外空間の構造および細胞通信機構に関する回答を助けることができる。この手法の主な利点は、高スループット機能と、空間サンプリング周波数の向上です。基本的に、以前よりも迅速かつ高い信頼を得ることができます。
ペリネクサスは比較的新しく定義された構造であるため、Perinexusの識別とプログラムのトラブルシューティングは視覚的なデモンストレーションなしでは学習が困難であり、MATLABに慣れていない研究者にとってトラブルシューティングは直感的ではない可能性があります。グレースケール画像の場合は、数値計算ソフトウェアを使用して、ピクセルの強度が 255 を超えないようにします。次に、画像処理ソフトウェアでペア画像を開き、ペリネクサスを拡大します。
ペリネクサスを正しく識別することが重要です。最初のステップは、縞模様の外観を持つギャップジャンクションプラークを識別することです。その後、2つの対向膜を平面で、約200ナノメートルまで探します。
ペンチルアミン構造からギャップ接合プラークを特定します。ペリネクサスの始まりは、2つの対向する細胞膜二重層が発散する点である。スケールバーをナノメートルで表示します。
ペリネクサスの輪郭の始まりと終点は、ペリネクサスの始まりから200ナノメートルになります。次に、フリーハンド選択ツールを選択します。クリックしてドラッグするか、スタイラスを使用して、1つの細胞の内膜に沿って、ペリネクサスの始まりまで、そして第2細胞の内膜に沿って慎重にトレースします。
マウス ボタンを離すか、スタイラスを持ち上げて、選択した領域を閉じます。次に、線幅を 1 ピクセルに設定し、前景色をイメージ タイプの最大輝度値に設定します。白など、グレースケール画像用。
選択範囲からトレースされたアウトラインを作成し、JPEG や TIFF などの解析ソフトウェアと互換性のあるファイルタイプとして、作成したイメージを保存します。必要に応じて、膜分離距離解析ソフトウェアを開き、生成するデータと図形の保存場所を変更します。ファイルを保存して閉じます。
次に、プログラムを実行します。中心線の識別に適した空間微分勾配しきい値を設定します。単位の長さあたりのスケールとピクセルを設定します。
ギャップジャンクションのエッジに対して、対象領域の空間下限と上限を設定します。自動または手動の始点検出を選択します。不規則な形状のペリネキシには手動で開始点検出が必要な場合があります。
次に、輪郭を描いたペリネクサスで画像を開きます。クリックしてドラッグすると、閉じた端を除いてペリネクサスの周りにボックスを描画します。トレースされたペリネクサスのアウトライン内をダブルクリックして、画像をトリミングし、中心線を識別します。
始点を手動で選択する場合は、クロスヘアカーソルと中心線が元のイメージの上に表示されます。プロセスを続行するには、目的の開始点に近いペリネクサスの外側の点を選択します。プロセスが完了したら、中心線がペリネクサス内に留まり、始点と正しく交差していることを確認します。
生成されたデータを確認し、過性幅をプロットします。中心線が正しく識別されず、分離されていない場合は、g-mag イメージ配列を開いて適切な勾配しきい値を決定します。インデックスツールを使用して中心線の周りをクリックし、g-mag配列を使用して、中心線検索アルゴリズムで選択したいピクセルを確認します。
グラデーションのしきい値は、これらのピクセルの強度値のすぐ上に設定する必要があります。インデックス ツールを選択し、中心線とその周辺をクリックして、選択するピクセルのインデックス値を表示します。空間的な微分勾配のしきい値をインデックス値のすぐ上に設定し、プロセスを再実行します。
自動プロセスで開始点が正しく検出されなかった場合は、手動で開始点を検出してプログラムを再実行してください。このプロセスでは、手動アウトラインは、2 つのエッジ間のピクセル数をカウントするために 1 ピクセルずつ拡張されます。各増分は、空間微分を生成するために作業イメージに追加されます。
元のアウトラインと中心線は、その大きさの不連続です。中心線を分離した後、拡張、侵食、およびパスファインディングアルゴリズムによって精製されます。ペリネキス幅は、ペリネクサスの開始から、または対象領域内の距離の関数として、およびそれらの関数の両方の平均として提示されます。
ペリネクサスの向きが変化するにつれて、拡張パターンに応じて、ペリネクサス幅の過大評価または過少推定が観察された。三角法による補正は、ペリネクサスを水平方向に向けるために回転した画像と強く相関する結果を生み出した。このアルゴリズムは、さまざまな空間解像度、参照単位、画像サイズについて検証されました。
経験豊富なユーザーと経験の浅いユーザーの両方が、手動で画像をセグメント化するよりも速くアウトラインをトレースしました。そして、自動化されたプロセスは、空間分解能が大幅に大きくなりました。経験豊富で経験の浅い観察者は、既存の心房細動の有無にかかわらず、患者間の会前体幅の有意な違いを正確に同定した。
これらの観測者はまた、同じ母集団における絶対ギャップ接合部幅の間に有意差がないことを正確に特定した。接合部幅とギャップジャンクション幅は、以前のレポートと一致していました。この手順を試みている間、膜からのわずかな偏差でさえ、このスケールでかなりの誤差を生じさせる可能性がありますので、アウトラインであなたの時間を取ることを忘れないでください。
一般的に、この方法に慣れていない人は、測定している構造に慣れていないか、ポイント識別や中心線の偏差を開始するために問題をトラブルシューティングする方法がわからないため、苦労します。この画像処理方法を見ることは非常に重要です。ペリネクサスの識別とアルゴリズムのトラブルシューティングはそれなしで学ぶのが難しいので。
そして、私たちが測定していると言うことを定量化したいと考えています。この技術は、心臓の健康の分野の研究者のための道を開きます, 心臓機能の多くのレベルのより高い解像度定量を探求します.ナノスケールから、細胞外空間から心室効率または機能低下の臨床的決定まで。
この方法は、電気顕微鏡画像で実証されたが、心臓心エコー検査のような他の画像技術にも適用して、心臓の機械的機能をより正確に定量することができる。この方法では、スケールが適切に設定され、エッジがほぼ平行である場合、プログラムは2つの定義されたエッジ間のスペースを測定できるため、任意のイメージングフィールドでアプリケーションを見つけることができます。
