6.1K Views
•
07:45 min
•
September 28th, 2018
DOI :
September 28th, 2018
•0:04
Title
0:42
Pre-Processing Images and Outlining the Perinexus
2:17
Algorithm Setup and Selection of Perinexus of Interest
4:40
Results: Perinexus Quantification
6:30
Conclusion
Transcript
Denne metoden kan bidra til å svare på viktige spørsmål i hjerteelektrofysiologiske feltet, om strukturen i ekstracellulære rom- og cellulære kommunikasjonsmekanismer. Denne teknikkens viktigste fordeler er at den har høy gjennomstrømning evner, og en forbedret romlig samplingsfrekvens. I hovedsak kan vi få målinger raskere og med høyere tillit enn før.
Perinexus identifikasjon og feilsøking av programmet er vanskelig å lære uten visuell demonstrasjon, fordi perinexus er en relativt nylig definert struktur, og feilsøking kan ikke være intuitivt for etterforskere som ikke er kjent med MATLAB. For gråtonebilder bruker du numerisk databehandlingsprogramvare for å sikre at ingen piksel har en intensitet som er større enn 255. Deretter åpner du opp vårt sammen parede bilde i bildebehandlingsprogramvare, og zoomer inn på perinexus.
Det er viktig å identifisere perinexusen riktig. Det første trinnet er å identifisere et gap veikryss plakett, som har et stripete utseende. Deretter ser vi etter to motstridende membraner, i flyet, ut til ca 200 nanometer.
Identifiser gapet krysset plakett fra det er pentylaminer struktur. Begynnelsen av perinexus, er punktet der de to motstridende cellemembran bilayers divergerer. Vis en skaleringslinje i nanometer.
Start- og sluttpunktene til perinexus-omrisset vil være 200 nanometer fra begynnelsen av perinexus. Deretter velger du frihåndsvalgverktøyet. Klikk og dra, eller bruk en pekepenn til å forsiktig spore opp langs den indre membranen i en celle, til begynnelsen av perinexus, og tilbake langs den indre membranen i den andre cellen.
Lukk det valgte området ved å slippe museknappen eller løfte pekepennen. Deretter angir du linjebredden til én piksel, og forgrunnsfargen til den høyeste intensitetsverdien for bildetypen. For eksempel hvitt, for gråtonebilde.
Opprett en sporet disposisjon fra valget, og lagre det resulterende bildet som en filtype som er kompatibel med analyseprogramvaren, for eksempel JPEG eller TIFF. Åpne om nødvendig programvaren for separasjonsanalyse av membranavstand og endre lagringsstedene for dataene og tallene som skal genereres. Lagre filen og lukk den.
Deretter kjører du programmet. Angi terskelen for avstandsderivatgradient på riktig måte for midtlinjeidentifikasjon. Angi skalaen og pikslene per enhetslengde.
Sett de romlige nedre og øvre grensene for interesseområdet, med hensyn til kanten av gapet krysset. Velg enten automatisk eller manuell startpunktgjenkjenning. Manuell startpunktdeteksjon kan være nødvendig for uregelmessig formet perineksi.
Deretter åpner du bildet med den skisserte perinexus. Klikk og dra for å tegne en boks rundt persinxus, unntatt den lukkede enden. Dobbeltklikk i den sporede perinexus-disposisjonen for å beskjære bildet og identifisere midtlinjen.
Hvis startpunktet skal velges manuelt, vises en trådkorsmarkør og midtlinje over det opprinnelige bildet. Velg et punkt utenfor perinexus nær ønsket startpunkt for å fortsette prosessen. Når prosessen er fullført, må du bekrefte at midtlinjen forblir innenfor perinexus, og krysser startpunktet riktig.
Se gjennom de genererte dataene og plott perinexalbredden. Hvis midtlinjen ikke ble riktig identifisert og isolert, åpner du g-mag-bildematrisen for å bestemme en passende graderingsterskel. Vi bruker indeksverktøyet til å klikke rundt midtlinjen, og g-mag-matrisen for å få en ide om hvilken piksel vi vil at midtlinjen finner algoritmen skal velge.
Graderingsterskelen skal deretter angis like over intensitetsverdien for disse pikslene. Velg indeksverktøyet, og klikk på og rundt midtlinjen for å vise indeksverdien for pikslene som skal velges. Angi terskelen for avstandsderivatgradient til like over indeksverdien, og kjør prosessen på nytt.
Hvis utgangspunktet ikke ble oppdaget riktig i den automatiserte prosessen, kjører du programmet på nytt ved hjelp av manuell startpunktgjenkjenning. I denne prosessen utvides manuelle disposisjoner i ett pikseltrinn for å telle antall piksler mellom de to kantene. Hver økning legges til et arbeidsbilde for å generere et romlig derivat.
Den opprinnelige omrisset og midtlinjen er diskontinuiteter i sin størrelsesorden. Etter å ha isolert midtlinjen, er den raffinert av utvidelse, erosjon og en pathfinding algoritme. Perinexal bredde presenteres som en funksjon av avstand fra starten av perinexus, eller innenfor en region av interesse, og som et gjennomsnitt av begge disse funksjonene.
Etter hvert som perinexusorienteringen endret seg, ble over- eller underestimations i perinexusbredde observert, avhengig av dilatasjonsmønsteret. Trigonometrisk korreksjon ga resultater sterkt korrelert med bilder rotert for å orientere perinexus horisontalt. Algoritmen ble validert for ulike romlige oppløsninger, referanseenheter og bildestørrelser.
Både erfarne og uerfarne brukere sporet disposisjonen raskere enn de manuelt segmenterte bildet. Og den automatiserte prosessen hadde betydelig større romlig oppløsning. Erfarne og uerfarne observatører identifiserte nøyaktig signifikante forskjeller i perineksial bredde mellom pasienter med og uten eksisterende atrieflimmer.
Disse observatørene identifiserte også nøyaktig ingen signifikant forskjell mellom absolutte gapkryssbredder i samme befolkning. Perinexal- og gapkryssbreddene var konsistente med tidligere rapporter. Mens du prøver denne prosedyren, husk å ta deg tid med omrisset, da selv små avvik fra membranen kan produsere betydelige feil på denne skalaen.
Vanligvis sliter personer som er nye i denne metoden, fordi de ikke er kjent med strukturen de måler, eller de er usikre på hvordan de feilsøker problemer for å starte punktidentifikasjon eller midtlinjeavvik. Det er avgjørende å se denne bildebehandlingsmetoden. Som perinexus identifikasjon og algoritme feilsøking er vanskelig å lære uten det.
Og vi ønsker å sikre at vi kvantifiserer det vi sier vi måler. Denne teknikken baner vei for forskere innen hjertehelse, for å utforske høyere oppløsning kvantifisering av mange nivåer av hjertefunksjon. Fra nanoskala, ekstracellulære rom til klinisk bestemmelse av ventrikulær effektivitet eller disfunksjon.
Selv om denne metoden ble demonstrert med elektromikroskopibilder, kan den også brukes på andre bildeteknikker, for eksempel hjerteekkokardiografi for å mer presist kvantifisere hjertets mekaniske funksjon. Denne metoden kan finne programmer i et hvilket som helst bildefelt fordi programmet kan måle avstanden mellom to definerte kanter, hvis skalaen er riktig angitt, og kantene er nesten parallelle.
Formålet med denne algoritmen er kontinuerlig måle avstanden mellom to 2-dimensjonal kanter med føljetong bilde dilations og pathfinding. Denne algoritmen kan brukes på en rekke felt som cardiac strukturell biologi, vaskulære biologi og sivilingeniør.
ABOUT JoVE
Copyright © 2024 MyJoVE Corporation. All rights reserved