Name: morphology-based distinction between healthy and pathological cells utilizing fourier transforms and self-organizing maps
Uploaded: 2018-10-28T14:00:00
Duration: 8 min 59 s
Description: Watch this Scientific Journal Video about Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps at JoVE.com

저자는 유익한 논의 그의 지원에 대 한 벤자민 크 라우 스 감사합니다. 더 저자는 라이브 셀 현미경 그의 지원에 대 한 로버트 귄터 감사합니다.
작품 DFG 재정 지원 NI1167/3-1 (지미) 치료에 의해 지원 되었다, Z.C., DFG 금융 지원 Z.C., C01 치료와 SFB633, TRR130, A.E.H. 및 J.B.S. Exc257를 TRR130에 대 한 CRC 1278 PolyTarget 프로젝트 Z01 BfR 제공 F.L.K 및 앨 러 배 마 교내 지원 SFP1322-642

1. 프로토콜 요구 사항
<ol><li>샘플링 간격의 고해상도 이미지를 표본 적어도 두 번 높은 공간 주파수 Nyquist 기준을 준수 deconvolved 고해상도 deconvolved 3 차원 (3D) 현미경 데이터를 가져옵니다.</li>
	<li>표면 재건 및 내보내기에 대 한 3D 렌더링 소프트웨어를 사용 합니다.</li>
	<li>파이썬 스크립트를 실행할 수 있는 3D 애니메이션 소프트웨어를 사용 하 여 (Python 스크립트 github 저장소에서 다운로드할 수 있습니다: https://github.com/zcseresn/ShapeAnalysis) 2D 계획을 만들에.</li>
	<li>피지13 를 사용 하 여 2D 투영을 분석 하 고 DFT 구성 요소를 추출.<ol>
<li>현재 피지 분배를 사용 합니다. 거기 이미 있으면 피지의 설치 된 버전, 설치 된 버전이 최신 인지 확인 하십시오. 이 도움말 실행 하 여 쉽게 달성 될 수 있다 | 업데이트 옵션입니다.</li>
		<li>사용 하 여 활성 컨투어 플러그인15, http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start에서 다운로드할 수 있습니다 하 고 플러그인 폴더에 복사 해야 합니다.</li>
		<li>플러그인 폴더에 복사 하 고 github 저장소에서 그늘 피지 플러그인 다운로드.</li>
	</ol>
</li>
	<li>계산 수학 소프트웨어 Self-Organizing 지도 계산의 능력을 사용 합니다.</li>
</ol>2. 3D 이미지를 재구성 합니다.
참고: 테스트 목적으로, 예를 들어 데이터 집합 github 저장소 (위 참조)에 제공 됩니다.
<ol><li>3D 재구성 소프트웨어를 3D 이미지 데이터를 엽니다.</li>
	<li>(모든) 객체의 3D 화면을 만듭니다.<ol>
<li>3D 보기 옵션을 선택 하 고 표면에 클릭 합니다. 다음 단추 (파란색 동그라미 흰색 삼각형)에 표면 생성 마법사와 함께 진행을 클릭 합니다.</li>
		<li>표면 재건에 대 한 이미지 채널을 선택 합니다.</li>
		<li>다공성 표면 하지 않으려면 다듬기 기능을 적용 합니다.<ol>
<li>표면의 세부 사항을 숨기 려 하지 않는 그러나 다공성 표면 방지 하는 스무 딩 값을 선택 합니다.</li>
		</ol>
</li>
		<li>서피스를 찾으려고 임계 처리 방법을 선택 합니다.<ol>
<li>절대 강도 임계값을 사용 하 여 개체 배경에서 잘 분리 되 고는 대략 균일 한 밝기 수준.</li>
			<li>개체 그들의 강렬에 다르지만 지역 배경에서와 그들을 둘러싼 다른 개체에서 여전히 분리 될 수 있다 때 로컬 대비 임계값을 적용 합니다. 복원 된 개체의 예상된 직경의 값에 따라 로컬 임계값 검색 영역을 설정 합니다.</li>
		</ol>
</li>
		<li>필터의 관심, 예를 들어, 볼륨, 구형, 표면 볼륨 비율, 등, 형태학 매개 변수에 따라 재건축된 표면 및 표면 재건을 완료.</li>
	</ol>
</li>
	<li>저장 하 고 단계에서 사용 될 3D 애니메이션 소프트웨어와 호환 되는 형식에서 생성 된 서피스를 내보낼.</li>
</ol>3. 변환 3D 2D 투영으로 표면 재구성
<ol><li>믹서 기를 시작 하 고 오른쪽 창에서 출력 탭으로 이동. TIFF 형식 드롭다운 메뉴에서 선택 하 고 8 비트 RGBA 색 농도 설정.</li>
	<li>스크립팅 모드로 전환 하 고이 작품 (https://github.com/zcseresn/ShapeAnalysis)와 함께 제공 되는 저장소에서 "GUI_AutoRotate.py" 제공 된 스크립트 파일을 엽니다.</li>
	<li>스크립트 실행을 클릭 합니다. 입력에 대 한 메시지가 표시 되 면 서 파일의 폴더를 선택 하십시오.</li>
	<li>더 복잡 한 표면 작업 시 필요한 경우 만들 더 회전: GUI 로 이동 하 고 회전 상자 6 보다 큰 값을 설정. 참고: 6 다른 각도의 회전을 다른 세포 인구를 구별 하는 충분 한 될 수 있습니다. 그것은 잠재적인 정보 손실 때문에 표면, 당 미만 6 회전을 만드는 권장 되지 않습니다.</li>
	<li>GUI에서 회전 버튼을 클릭 하 여 스크립트를 실행 합니다. 개별 서피스를 예측 입력된 폴더 (2.3 단계)으로 사용 된 동일한 폴더에 저장 합니다. 기본적으로 이미지는 8 비트 Tiff에에서 저장 형식 (단계 2.1 참조), 피지 플러그인 그늘에 의해 요구 하는 형식입니다.</li>
</ol>4. 주변 찾아서 피지를 사용 하 여 푸리에 구성 요소를 계산 합니다.
<ol><li>피지 열고 플러그인 메뉴에서 음영 을 선택 합니다. 기본 값으로 시작 하 고 나중에 매개 변수를 조정 합니다. 확인 프로그램을 실행 하는 준비 되 면 클릭 합니다.<ol>
<li>입력된 이미지의 임계 처리에 대 한 그라데이션 임계값 값을 선택 합니다.</li>
		<li>반복 횟수를 선택 합니다. 반복 횟수 값이 높을수록, 더 정확한 주변의 재건. 간단 하 게 모양에 대 한 낮은 값은 일반적으로 충분 합니다.</li>
		<li>수의 Dilations 매개 변수를 사용 하 여 시작 마스크 실제 셀에 비해 얼마나 더 큰 결정. 일반적으로 더 복잡 한 도형을 적절 한 주변 찾기 팽창 단계가 더 필요합니다.</li>
		<li>예상 도형은 배경 보다 밝게 어두운 배경 확인란을 확인 합니다.</li>
		<li>그늘의 성능을 결정 하는 작은 테스트 데이터 집합을 사용 하는 경우에 중간 결과 보기 확인란을 활성화 합니다. 큰 데이터 집합에 대해이 옵션을 활성화 계산 효율을 낮은 비디오 메모리와 시스템 중단 가능성이 수 있습니다.</li>
		<li>5 단계에 대 한 입력으로 그늘의 결과 사용 하 여 결과 테이블 저장 확인란을 확인 하십시오. 확인란을 선택 하는 경우 모든 결과 개별 csv 파일에 저장 됩니다. 출력 데이터의 요약 항상 "Result_collection_of_all_DFT_calculations.csv" 라는 파일에 생성 됩니다.</li>
	</ol>
</li>
	<li>3 단계에서 만든 TIFF 파일을 포함 하는 입력된 데이터 폴더를 선택 합니다.</li>
	<li>출력 데이터 폴더를 제공 합니다.</li>
	<li>플러그인을 시작 하려면 확인 을 클릭 합니다.</li>
</ol>5. 자기 조직화 지도
참고: 솜 네트워크만 모든 예상된 세포 유형 및 조건 입력을 포함 하는 큰 데이터 집합에 훈련 하는 때 데이터를 분류할 수 있습니다. 데모용으로 같은 데이터 집합 제공 되 고 ("AllCells_summary_normalised.csv" https://github.com/zcseresn/ShapeAnalysis에서 저장소에서 찾을 수 있습니다.
<ol><li>사용할 수 없는 훈련된 솜 경우 다음이 지침에 따라 아직 입력 데이터; 그렇지 않으면 5.2 단계로 진행 합니다.<ol>
<li>신경망 분류를 수행할 수 있는 전산 수학 소프트웨어를 시작 합니다.</li>
		<li>SOM 네트워크를 훈련 하는 데 사용할 데이터 파일을 선택 합니다. 이 데이터 집합은 모든 특정 세포 유형에 솜을 훈련 하기 위하여 실험 조건 및 실험 조건 포함 되어야 합니다. 참고: 그것은 또한 제공 된 AllCells_summary_normalised.csv를 사용 하 여 시스템을 테스트 하기 위한 수입니다.</li>
		<li>훈련을 시작 하 고 훈련을 계속 하기 전에 완료 될 때까지 기다립니다. 기본적으로 스크립트는 2000 반복 ("신기")를 실행 하도록 설정 됩니다. 참고: 반복의 수는 솜의 학습 속도에 따라 달라 집니다. 입력된 데이터에 따라 그것은 신기의 높고 낮은 번호를 테스트 하 고 있는 솜의 패턴의 안정성을 관찰 하는 것이 좋습니다. 제공 하는 스크립트를 사용 하 여 때 선 32에서 반복의 수를 변경할 수 있습니다. (기본적으로 12 12로 설정 된) 라인 34에 네트워크 크기를 변경할 수 있습니다.</li>
		<li>훈련을 완료 한 후 네트워크의 토폴로지 (이웃 거리, 입력된 비행기, 샘플 안타, 등)을 검사 합니다. 네트워크는 지금 훈련 하 고 나중을 위해 저장할 수 있습니다.</li>
	</ol>
</li>
	<li>(이 올 수 또는 다른 소스에서 단계 5.1에서) 이미 훈련 된 지도 사용 하 여 데이터 집합을 클러스터 때, SOM에 로드 합니다.<ol>
<li>사전된 훈련 된 솜으로 테스트 하는 csv 파일 가져오기 그늘 플러그인에 의해 준비 된 데이터를 사용 하는 경우 4 단계에서 그늘 플러그인의 csv 출력을 선택 합니다. 참고: 그것은 또한 사용할 예제 데이터 파일 "InteractingCells_summary_normalised.csv", "MobileCells_summary_normalised.csv" 또는 "PhagocytosingCells_summary_normalised.csv" github를 통해 제공 되는 수 있습니다.</li>
		<li>분류를 완료 단계 5.1.5 에서처럼 SOM의 결과 평가 합니다.<ol>
<li>Csv 파일에서 생성 된 hitmap를 검사 합니다. 각 셀의 지도 보여줍니다 몇 번 이나 데이터 집합 "조회 수" 훈련된 솜의 그 특정 셀 이 맵의 작은 영역에 셀 그룹은 클러스터링 하는 경우 dataset은 상당히 동질적인 나타냅니다. 여러 클러스터 가능성이 하위 데이터 집합에 존재 표시 됩니다.</li>
			<li>이웃 무게 거리를 검사 합니다. 잘 구분 되는이 지도의 영역 SOM의 관점에서 매우 다르게 작동 하는 개체의 그룹에 해당 합니다. 입력 데이터로 DFT 구성 요소와 이러한 셀 그룹 해당 3D 표면의 매우 다른 형태를가지고 하는 것이 즉.</li>
			<li>기능 벡터의 각 요소에 의해 기여에 대 한 자세한 무게 비행기를 검사 합니다. 앞에서 설명한 대로 20 DFT 구성 요소를 사용 하 여, 시 19 지도 여기 표시 됩니다. 제공 된 예제 데이터 집합을 사용 하는 경우 첫 번째 5 또는 6 무게 비행기 다른, 하지만 그들의 나머지는 상당히 비슷한 나타납니다. 이 경우 약 7 DFT 구성 요소를 사용 하기에 충분 한 것 이라고 결론 수 있습니다.</li>
		</ol>
</li>
	</ol>
</li>
</ol>

<ol>
	<li>Masedunskas, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intravital+microscopy:+a+practical+guide+on+imaging+intracellular+structures+in+live+animals.">Intravital microscopy: a practical guide on imaging intracellular structures in live animals.</a> Bioarchitecture. 2 (5), 143-157 (2012).</li><li>Niesner, R. A., Hauser, A. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Recent+advances+in+dynamic+intravital+multi-photon+microscopy.">Recent advances in dynamic intravital multi-photon microscopy.</a> Cytometry A. 79 (10), 789-798 (2011).</li><li>Ho, S. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NeurphologyJ:+an+automatic+neuronal+morphology+quantification+method+and+its+application+in+pharmacological+discovery.">NeurphologyJ: an automatic neuronal morphology quantification method and its application in pharmacological discovery.</a> BMC Bioinformatics. 12, 230 (2011).</li><li>Yin, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+screen+for+morphological+complexity+identifies+regulators+of+switch-like+transitions+between+discrete+cell+shapes.">A screen for morphological complexity identifies regulators of switch-like transitions between discrete cell shapes.</a> Nature Cell Biology. 15 (7), 860 (2013).</li><li>Yu, H. Y., Lim, K. P., Xiong, S. J., Tan, L. P., Shim, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+Morphometric+Analysis+in+Cellular+Behaviors:+Shape+and+Size+Matter.">Functional Morphometric Analysis in Cellular Behaviors: Shape and Size Matter.</a> Advanced Healthcare Materials. 2 (9), (2013).</li><li>Johnson, G. R., Buck, T. E., Sullivan, D. P., Rohde, G. K., Murphy, R. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Joint+modeling+of+cell+and+nuclear+shape+variation.">Joint modeling of cell and nuclear shape variation.</a> Molecular Biology of the Cell. 26 (22), 4046-4056 (2015).</li><li>Wang, S. -. H., Cheng, H., Phillips, P., Zhang, Y. -. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multiple+Sclerosis+Identification+Based+on+Fractional+Fourier+Entropy+and+a+Modified+Jaya+Algorithm.">Multiple Sclerosis Identification Based on Fractional Fourier Entropy and a Modified Jaya Algorithm.</a> Entropy. 20 (4), 254 (2018).</li><li>Kriegel, F. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cell+shape+characterization+and+classification+with+discrete+Fourier+transforms+and+self-organizing+maps.">Cell shape characterization and classification with discrete Fourier transforms and self-organizing maps.</a> Cytometry Part A. 93 (3), 323-333 (2017).</li><li>Styner, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Framework+for+the+Statistical+Shape+Analysis+of+Brain+Structures+using+SPHARM-PDM.">Framework for the Statistical Shape Analysis of Brain Structures using SPHARM-PDM.</a> Insight Journal. (1071), 242-250 (2006).</li><li>El-Baz, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=3D+shape+analysis+for+early+diagnosis+of+malignant+lung+nodules.">3D shape analysis for early diagnosis of malignant lung nodules.</a> Medical Image Computing and Computer Assisted Intervention. 14 (Pt 3), 175-182 (2011).</li><li>Williams, E. L., El-Baz, A., Nitzken, M., Switala, A. E., Casanova, M. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spherical+harmonic+analysis+of+cortical+complexity+in+autism+and+dyslexia.">Spherical harmonic analysis of cortical complexity in autism and dyslexia.</a> Translational Neuroscience. 3 (1), 36-40 (2012).</li><li>Kruggel, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Robust+parametrization+of+brain+surface+meshes.">Robust parametrization of brain surface meshes.</a> Medical Image Analysis. 12 (3), 291-299 (2008).</li><li>Schindelin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fiji:+an+open-source+platform+for+biological-image+analysis.">Fiji: an open-source platform for biological-image analysis.</a> Nature Methods. 9 (7), 676-682 (2012).</li><li>Kohonen, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Essentials+of+the+self-organizing+map.">Essentials of the self-organizing map.</a> Neural Networks. 37, 52-65 (2013).</li><li>Andrey, P., Boudier, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+Active+Contours.">Adaptive Active Contours.</a> ImageJ user and developer conference. , (2006).</li><li>Burger, W., Burge, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Principles of Digital Image Processing. , (2013).</li><li>Lestrel, P. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Fourier Descriptors and their Applications in Biology. , (2008).</li><li>Bayerl, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Time+lapse+in+vivo+microscopy+reveals+distinct+dynamics+of+microglia-tumor+environment+interactions-a+new+role+for+the+tumor+perivascular+space+as+highway+for+trafficking+microglia.">Time lapse in vivo microscopy reveals distinct dynamics of microglia-tumor environment interactions-a new role for the tumor perivascular space as highway for trafficking microglia.</a> Glia. 64 (7), 1210-1226 (2016).</li></ol>

저자 들은 아무 경쟁 금융 관심사 선언 합니다.

작은, 그대로 조직 샘플을 사용 하 여 잠재적으로 병 적인 조건 식별 높은 중요성 이다. 이러한 기술은 전염병 및 적극적인 유형의 암에 대 한 적시 응답을 보장 합니다. 다양 한 면역 세포, 예를 들어, microglia 및 대 식 세포, 운동 및 형태학 응답 본문에 대 한 면역 반응의 특성이 있다. 비록 대부분의 경우에서 아니에요 실용적 또는 심지어 이러한 세포의 운동 동작 모니터링 수, 그것은 상당히 3 차원 이미지를 그들의 모양을 검색 간단 합니다. 일반적으로, 면역 세포는 건강 한 조직에 염증이 나 암 조건18에서 훨씬 간단한 양식 복잡 한 도형을 가정합니다. 같은 모양 변경의 시간에 따른 특성 면역 반응의 개발에 대 한 우리의 이해에 추가할 것 이라고, 하는 동안만 셀의 대표 그룹의 3 차원 모양을 사용 하 여 수도 있습니다 건강 또는 병 적인 성격을 결정 하는 충분 한 조직의.
셀의 3 차원 표면 특성화 하는 것은 간단한 업무가 아니다. 둥근 고조파의 응용 프로그램은 3D 표면 구성 요소11,12의 비교적 큰 숫자 (50-70)를 대표 하는 방법. 또한, 둥근 고조파를 결정 하는 것은 계산 비싼; 불가능 하거나 매우 어려운 단위 영역;에 다양 한 입도의 여러 격자를 적용할 필요성 때문 이다 단위 구면에 매우 복잡 한 모양을 투영 마지막으로, 둥근 고조파 성분의 스펙트럼의 의미 해석 하 찮은 멀리 이다.
여기 우리의 작업에 우리 pathologic 상태를 식별 하기 위해 충분 한 형태학 정보를 얻을 원본 표면의 2D 투영을 사용 하 여 훨씬 더 간단한 방식으로 직접 3 차원 표면 분석의 어려운 작업을 교체 합니다. 우리가 골수성 세포에서 3D 현미경 데이터를 사용 하 여이 작업의 모든 단계를 보여주는, 명확 하 게 지적 하는 동안 모든 단계를 완료 하려면, 간단 했다 그리고 결과 2 차원 지도 했다 해석 하기 쉬운.
물론, 3D-2D 투영 표면 구조에 대 한 정보 손실을 이어질 것입니다. Microglia 마우스 대뇌 피 질의 종양 모델에서의 우리의 예제 데이터 집합에서 2D 계획을 만들 때 6 각도 사용 하 여 충분 했다. 그러나, 더 복잡 한 도형 또는 덜 눈에 띄는 형태학 변화 예측의 많은 수는 솜으로 셀 그룹이 안정적으로 식별할 수 있도록 만들어집니다 필요할 수 있습니다. 이러한 이유로, 우리의 접근 방법 생성 하 고 계획의 어떤 수를 분석할 수 있도록 설계 되었습니다. 더 복잡 한 모양에 대 한 예측의 높은 수를 선택 하 여 간단 하 게 쾌활 최소한 정보 손실을 확장 가능 하다. 예를 들어, 그림 4a 와 4b 에 상호 작용 세포 유형을 복잡 한 서피스를 제대로 대표 하기 위하여 계획을 더 많이 필요 합니다.
대략 어떤 방법으로 이로써 제안된 워크플로 microglia18수동 분류 과정의 결과 대해 테스트 했다. 이전 제시 결과 자동된 워크플로의 신뢰성을 확인 했다. 또한,이 워크플로 기존 분석에 비해 더 많은 시간 효율적인. Microglia 셀을 수동으로 분류는 의료 전문가 반면 우리의 워크플로 필요에 약 1 일 약 4 주 dataset의 그의 분석에 대 한 필요 합니다. 우리의 접근 방법의 견고성 또한 명확 하 게 동일한 셀 형식에 속한 했지만 솜, 그림 3c에서 표시로 훈련을 사용 하지 않은 데이터의 하위 집합에 훈련 된 솜의 재현성에 의해 입증 되었다.
우리의 접근은 운동 정보를 고려 하지 않았다, 비록 우리 DFT-기반 형태 분석에 타이밍의 효과 검사 합니다. 시간에 따라 행동의 가장 전형적인 예 모바일 셀 인구 사이 높은 인덱싱된 DFT 구성 요소에서 기여 했다 명확 하 게 관찰 하 고, 그림 4a에서 발견 됐다. 이 매우 시간에 따른 방식에서으로 행동 가능성이 셀 형식을 처리할 때 충분히 높은 DFT 부품 수를 활용의 중요성에 관심을 호출 합니다. 자동된 자연 및 우리의 소프트웨어 툴의 높은 실행 속도, DFT 구성 요소 및 계획의 증가 수 증가할 것 이다 정밀도 신뢰성, 결과의 그들은 분명 계산 성능을 방해 하지 것입니다 하는 동안.

생물 학적 조직의 병 적인 상태, 간단 하 고 정확한 결정의 생물 의학 연구에 높은 관심입니다. 마우스 모델 병 적인 조건, 면역 반응 등 복잡 한 3D와 4d (3 차원 공간 및 시간) 현미경 검사 법 기술을 함께에서 암 개발의 범위를 연구 하는 수단을 제공 합니다. 현미경 연구 수행 을 통해 intravital 또는 excised 조직 2 광자 현미경, 빛 시트 현미경 검사 법, 수 고-약 100 µ m의-confocal 현미경 검사 법에 의해 제한 된 조직 깊이. 생리 적 또는 병 적인 조건 하에서 세포의 행동에 대 한 시간 관련 정보를 위해, 그것은 조직은 보통 intravital 이미징1,2 시간의 연장된 기간에 대 한 모니터링 필요 . 당연히,이 기술은 적용 동물 모델의 침입 때문에 제한 됩니다. 비-침략 적 기법 (MSOT, CT, 등), 단층 촬영 방법의 다양 한을 포함 하 여 인간의 응용 프로그램에 사용할 수도 있지만 이러한 메서드를 모든 부족 필요한 공간-그리고 종종 시간적 해상도 세포 수준에서 행동을 공부 하.
셀의 외관에 대 한 정적 정보 더 쉽게 액세스할 수 있습니다 통해 다양 한 3D 이미징 기법에 실행 조직 샘플 excised. 여기, 세포의 운동 동작 측정 되지 않습니다, 그리고 따라서 그것은 그들의 형태학3을 기준으로 시험된 셀의 병원 성 상태를 확인할 수 있는 새로운 분석 기법을 채택 하는 데 필요한. 이러한 접근은 병 적인 행동4,,56셀 모양 및 조직 텍스처를 연결할 사용 되었다.
여기서 설명 하는 새로운 기술을 셀 3D 표면으로 재건 되 고 그들의 도형은 3D 2D 투영 특징이 통해 및 연속 푸리에 기반 주변 모양 분석7,8. 2 3에서 크기를 줄이면, 문제가 간단 합니다. 그것은 또한 의료 이미지9완료 되었습니다으로 둥근 고조파 분석, 적용 하 여 3d에서 셀 표면 하 수 있습니다. 그러나, 둥근 고조파 취급 하지 마시오 샤 프 하 고 견고한 모양을 잘, 다중 스케일 눈금 단위 구면에 설립을 요구. 또한, 필요한 둥근 고조파 부품 수 대형 (50-70), 기본 계산으로 매우 요구 및 결과 해석10,,1112어렵다.
우리의 새로 제안 된 방법으로 작업은 일련의 2D 모양 설명, 2D 계획의 수는 분석까지 이며 3D 도형의 복잡성에 따라 조정 될 수 있습니다 감소 됩니다. 계획 안은 자동으로 생성 됩니다 통해 3D 애니메이션 도구 내에서 실행 되는 파이썬 스크립트를. 2D 계획 그들의 주변, 피지13 플러그인을 제공 하는 계산의 이산 푸리에 변환 (DFT) 구성 요소에 의해 설명 되어 있습니다 여기에 우리의 소프트웨어 패키지의 일환으로. DFT 여기 일련의 죄악 그리고 cos 함수에 셀의 복잡 한 개요를 분해 하기 위해 적용 됩니다. 이 방법에서는, 우리 (대 한 자세한 내용은 섹션 참조 하십시오 방정식) 문제 복잡성 감소 상대적으로 적은 수의 DFT 구성 요소와 개요를 설명할 수 있습니다. DFT 구성 요소 모양 클러스터 수 있는 객관적 존재8을 테스트 훈련된 Self-Organizing 지도 (SOM14)에 배치 됩니다. SOMs 인공 지능의 분야에서 경쟁 하 고 자율 학습 도구를 제공합니다. 통신 기능을 통해 한 중된 동네 거리는 인공 뉴런의 연결 된 배열 구성 됩니다. 신경 시스템 입력된 데이터 집합의 첫 번째 요소에 응답 하 고 그 응답은 가장 강한 신경 "" 서로 향해 그룹화 됩니다. 신경 시스템 더 많은 입력을 받으면 반복적으로 강하게 응답 데이터 뉴런 시스템 내에서 잘 정의 된 클러스터를 형성 하기 시작 합니다. DFT 구성 요소 집합의 형태로 2D 모양 정보를 포함 하는 큰 데이터 집합에 대 한 적절 한 교육, 후 개별 셀의 DFT 구성 요소 훈련된 솜을 넣을 수 있습니다 하 고 가능성이 세포는 건강 한 또는 병원 성 셀 그룹에 속하는지 여부를 공개. 우리는 과학 및 임상 진단의 방법에 큰 도움이 될 수 같은 도구를 기대 합니다.

<table>
	<tbody>
		<tr>
			<td>Imaris 9.1.2, software</td>
			<td>Bitplane, Z&#252;rich, Switzerland</td>
			<td>v.9.1.2</td>
			<td>3D image reconstruction and surface generation; this was used by us!</td>
		</tr>
		<tr>
			<td>Blender 2.75a, software</td>
			<td>https://www.blender.org/</td>
			<td>v.2.75a</td>
			<td>3D and 4D open source animation software; 2.75a is the required version for this Python</td>
		</tr>
		<tr>
			<td>Fiji /ImageJ, software</td>
			<td>https://fiji.sc/</td>
			<td>ImageJ v.1.52b</td>
			<td>Open source multi-D image analysis toolkit</td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>MathWorks, www.mathworks.com</td>
			<td>R2017b</td>
			<td>General computational mathematical software</td>
		</tr>
		<tr>
			<td>MATLAB Machine Learning kit</td>
			<td>MathWorks, www.mathworks.com</td>
			<td>R2017b</td>
			<td>Can only be used together with MATLAB</td>
		</tr>
		<tr>
			<td>Fiji plugins: SHADE</td>
			<td>https://github.com/zcseresn/ShapeAnalysis</td>
			<td>v.1.0</td>
			<td></td>
		</tr>
		<tr>
			<td>Fiji plugins: ActiveContour</td>
			<td>http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start</td>
			<td>absnake2</td>
			<td></td>
		</tr>
		<tr>
			<td>Computer</td>
			<td>Any</td>
			<td>NA</td>
			<td>See Imaris instructions for minimum computer requirements</td>
		</tr>
	</tbody>
</table>

morphology-based distinction between healthy and pathological cells utilizing fourier transforms and self-organizing maps

모양 및 면역 세포의 움직임은 그들의 환경에 의해 구동 됩니다. 병원 체 침입에 반응으로 면역 세포 염증의 사이트에 보충 하 고 침공의 추가 확산을 방지 하기 위해 활성화 됩니다. 이 또한 면역 세포의 형태학 모양과 동작에 변화에 의해 반영 됩니다. 암 조직에서 유사한 morphokinetic 변경 microglial 셀의 동작에서 관찰 되었습니다: 내부 종양 microglia 세포질 과정 덜 분기 하는 데 덜 복잡 한 3 차원 모양, 그리고 건강에 보다 더 빠르게 이동 조직입니다. 해당 morphokinetic 속성의 시험 경도 실행 될 때 매우 도전적 일 수 있다 복잡 한 3D 현미경 검사 법 기술을 필요 합니다. 따라서, 셀의 정적 3D 모양의 기록 이므로 훨씬 간단이 intravital 측정을 필요로 하지 않습니다 및 뿐만 아니라 삭제 조직에서 수행할 수 있습니다. 그러나, 필수적인 3D 도형의 신속 하 고 정확한 설명에 허용 하는 분석 도구를 보유 하 고 정적, 모양 관련 정보에 전적으로 기반으로 하는 건강 하 고 병원 성 조직 샘플의 진단 분류 있습니다. 여기, 우리 이산 푸리에 구성 요소를 분석 하는 도구 키트를 현재 3D의 2D 계획의 집합의 개요의 셀 Self-Organizing 지도 통해 표면. 인공 지능 방법의 응용 프로그램 우리의 프레임 워크를 워크플로 간단한 유지 하는 동안에 점점 더 많은 조직 샘플에 적용 되어 다양 한 셀 모양에 대해 배울 수 있습니다.

우리는 해당 셀 예상 하 모양의 주요 구성 요소를 계산 하는 DFT를 적용. 푸리에 기술자 우리의 워크플로 AbSnake 부분의 출력으로 얻은 셀 투영의 장착된 주변의 xy 좌표 쌍에 DFT 알고리즘을 적용 하 여 얻은 했다. 이러한 xycoordinate 쌍 복잡 한 반환 2D 벡터 "g"로 처리 될 수 있습니다. <img alt="Equation 1" src="/files/ftp_upload/58543/58543eq1.jpg">
"g", 우리를 사용 하 여 DFT 복잡 한 반환 푸리에 스펙트럼 계산: <img alt="Equation 2" src="/files/ftp_upload/58543/58543eq2.jpg"> 이산 푸리에 스펙트럼 및 사용 하 여 "g"의 복소수 라벨의 잘 알려진 수식에 따라: <img alt="Equation 3" src="/files/ftp_upload/58543/58543eq3.jpg"> 우리가 얻을: <img alt="Equation 4" src="/files/ftp_upload/58543/58543eq4.jpg">(1) 진짜 ("A"),의 상상 ("B") 구성 요소를 계산할 수 있습니다 <img alt="Equation 5" src="/files/ftp_upload/58543/58543eq5.jpg"> </img>: <img alt="Equation 6" src="/files/ftp_upload/58543/58543eq6.jpg">(2) <img alt="Equation 7" src="/files/ftp_upload/58543/58543eq7.jpg">(3) 첫 번째 DFT 구성 G 요소0 m에 해당 하는 자, = 0, 주는: <img alt="Equation 8" src="/files/ftp_upload/58543/58543eq8.jpg">(4) <img alt="Equation 9" src="/files/ftp_upload/58543/58543eq9.jpg">(5) 따라서,이 구성 요소는 원래 개체의 기하학적 중심을 설명합니다. DFT 앞으로 스펙트럼, G1의 두 번째 요소는 m에 해당 = 1: <img alt="Equation 10" src="/files/ftp_upload/58543/58543eq10.jpg"> <img alt="Equation 11" src="/files/ftp_upload/58543/58543eq11.jpg">(6)
Eq.6에서 우리는 이러한 점을 형성의 반경 가진 원형 결론 <img alt="Equation 12" src="/files/ftp_upload/58543/58543eq12.jpg"> 및 시작 각도 <img alt="Equation 13" src="/files/ftp_upload/58543/58543eq13.jpg"> </img>모양을 한 번 추적 하는 동안 원이 그 하나의 완전 한 혁명을 설명 하는. 원의 중심은 원점 (0, 0), 반지름이 | G1| 그리고 시작 지점:
<img alt="Equation 14" src="/files/ftp_upload/58543/58543eq14.jpg"><img alt="Equation 15" src="/files/ftp_upload/58543/58543eq15.jpg">(7)
일반적으로, 단일 푸리에 계수에 대 한 <img alt="Equation 16" src="/files/ftp_upload/58543/58543eq16.jpg"> </img>, 좌표는으로 설명 하 고 있다.
<img alt="Equation 17" src="/files/ftp_upload/58543/58543eq17.jpg"> <img alt="Equation 18" src="/files/ftp_upload/58543/58543eq18.jpg">(8)
마찬가지로 Eq.6, Eq.8도에 대해 설명 합니다 원, 하지만 Rm의 반경 = | Gm|, 시작 각도 <img alt="Equation 19" src="/files/ftp_upload/58543/58543eq19.jpg"> 와 시작 지점에서 <img alt="Equation 20" src="/files/ftp_upload/58543/58543eq20.jpg"> </img>, 어디 컨투어 원 "m" 전체 궤도16,17를 통해 실행 하는 동안 한 번 추적 됩니다.
SOM 입력으로 모양 매개 변수 그림 1에 설명 된 대로 deconvolved (사용 하 여 측정된 지점 확산 기능) 적용 했다 그들의 형태학 변화 건강 또는 암 피 질 하 microglial 셀의 데이터 집합 intravital 다중 광자 현미경 조직18. 20 DFT 구성 요소 복원 3D 표면의 각 2D 투영에 대 한 계산 하 고 결과 솜 훈련에 대 한 입력으로 사용 되었다. 생리 적인 조건 하에서 microglia 오히려 복잡 한 도형을 제시 다중, 높은 분기 프로세스 (그림 2a). 때 암 환경 (대뇌 피 질의 종양 모델), 간단 하 게, 더 많은 스핀 들 같은 모양 (그림 2b)에 변경 microglia에에서 배치.
훈련 된 솜 건강 하 고 암 세포를 구별 하는 능력을 평가 하기 위해 테스트를 했다. 건강 한 세포 인구는 솜 (그림 2c)의 단일 영역으로 예상 했다. SOM 아령 모양의 활성 영역 (그림 2d)와 암 microglia dataset에 응답 했습니다. 모두는 건강 하 고 암 그룹에서 DFT 모양 구성 요소 구성 되어 맹목적으로 혼합된 입력된 데이터 집합은 예상 SOM에 의해 별개의 두 그룹으로 분리 된 그룹 ( 의 그들과 유사 하 그들의 개별 윤곽선의 모양을 유지 하는 동안 그림 2e; 2 c 및 2d와 비교). 혼합된 데이터 집합 했다는 솜으로 클러스터 성공적으로 종결 될 수 있다
우리는 의료 전문가, spatio 시간적 그들의 행동에 따라 데이터 집합을 분류 하 여 동일한 데이터의 수동 분석의 예측을 비교 하 여 SOM의 성능 테스트. 전문가 식별 개축 되었고, 12 x 12를 훈련 하는 데 사용 되는 4 가지 셀 그룹 (휴식 세포, phagocytosing 세포, 상호 작용 세포, 및 모바일 셀18), 솜 훈련된 네트워크 (그림 3a) 왼쪽 하단에는 솜의 중간 영역에 특히 높은 적중 값 인공 뉴런의 그룹을 보여줍니다. 훈련된 네트워크의 응답은 또한 4 개의 무작위로 선택 된 하위 집합 (는 학습 데이터 집합의 일부가 되지 않은) 전문가18로 식별 되는 4 개의 다른 그룹에서 이미지의 테스트. 그림 3b와 같이 이러한 이미지 하위 집합, 솜에 의해 4 개의 잘 정의 된 응답 결과. 휴식 셀 가장 복잡 한 모양을 전시 하 고 신경 네트워크 (그림 3b "휴식" 패널) 내에서 가장 높은 분리 레벨을 보였다. 다른 3 개의 확인 된 세포 유형 하단 왼쪽된 모서리에 있는 솜의 공통 영역을 공유 하지만 달리는 솜으로 구분 했다 하단 왼쪽된 모서리 솜 지역 따라서 낮은 인덱스 DFT 값에 해당합니다.
솜 방식의 견고성 3 훈련 된 솜을 사용 하 여 테스트-휴식-동일의 임의 하위 집합 세포 유형 (학습 데이터 집합의 일부가 아닌). 이 입력에 SOM의 응답 전시 (그림 3 c, 하위 1-3), 매우 비슷한 응답 우리의 접근 방법의 견고성을 보여주는.
시간에 따른 세포 모양 변화는 DFT 정확 하 게 특징 이다 DFT 구성 요소에서 셀 모양의 시간에 따른 변경의 효과 시험 하기 위하여 하위 그룹 당 1 ~ 3 셀 13 ~ 28 시간 포인트 추적 했다 ( 그림 3b참조). 그림 4 는 첫 번째 10 DFT의 구성 요소 모바일 셀 (그림 4a)와 상호 작용 세포 (그림 4b), 시간의 기능으로 표시 했다. 모바일 셀 전시 거칠어 DFT 표면에 의해 반영 됩니다 영구적으로 변경 모양 (보충 비디오 4 8에서참조). 상호 작용 하는 셀에 대 한 시간 코스의 첫 번째 세 번째에서 DFT 진폭의 파열 및 광대 한 셀 모양 변경 8에서보충 비디오 5와 같이와 일치.
모든 19 DFT 구성의 시간 과정 또한 모바일 셀 (그림 5a)와의 상호 작용 셀 (그림 5b) 추적 기간 동안 3 개의 별도 시간 지점에서 두 셀이 특징 이었다. 수직 축 이로써 6 회전 각도 모든 예측은 두 셀 형식에 대 한 모양 특성에 대 한 동등 하 게 중요 한 표시 합니다.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58543/58543fig1.jpg"> 그림 1입니다. 셀 클러스터링 식별 데이터 처리 워크플로 셀의 모양에 따라 단계적으로. 표면 3 차원에서 재구성 믹서 자동화 된 3D-2D 계획에 대 한 입력으로 사용 되었다. 각 투영의 주변 위치 고 DFT 구성 요소 계산 했다. 구성 요소 입력으로 봉사 훈련 som Matlab, 또는 새로운 솜 훈련 중 <a href="https://www.jove.com/files/ftp_upload/58543/58543fig1large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/58543/58543fig2.jpg"> 그림 2입니다. 제어 조건 하에서 (a)와 암 조직 (b)에 마우스 대뇌 피 질의 microglia 셀의 일반적인 모양을 재건된 microglia 표면의 스크린샷. 솜 예측 microglia 샘플 마우스 피 질에서의 3 개 그룹에서 창조 되었다: (비 tumorous) 셀 (c), (d), 종양 세포 및 셀 (e)의 혼합된 인구를 제어. 이 그림은 권한을8수정 되었습니다. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig2large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/58543/58543fig3.jpg"> 그림 3. (a, 왼쪽) 768 입력된 특징 벡터의 구성 된 마우스 microglia 데이터 집합의 자체 조직 지도. Dataset는 12 x 12 인공 신경 네트워크, 6 각형 이웃 형상, 임의의 초기화 및 2000 신기를 사용 하 여 훈련을 위해 사용 되었다. (a, 오른쪽) 해당 SOM 입력 처음 10 DFT 구성 요소 (b)의 평면 표시 SOM의 응답에 (a), 1 개의 무작위 VRML 파일 하위 집합에 각 4 개의 세포 유형 "모바일," "상호 작용," "휴식"과 "phagocytic"의 첫 번째 설명에 그림 5 에서 Bayerl 외. 18. 같은 솜의 (c)는 응답 (a, 왼쪽)와 같이 전체 데이터 집합 (는 따라서 학습 데이터 집합의 일부가) "휴식 셀"의 3 개의 임의의 하위-3D 표면 입력. 3 개의 응답 사이 유사성은 주목할 만한. 이 그림은 권한을8수정 되었습니다. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig3large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/58543/58543fig4.jpg"> 그림 4. (마우스 microglia의 intravital 이미징 실험 중 처음 10 DFT 구성 요소 a) 시간 의존성 이 패널은 "모바일 셀" 형식의 셀에 대 한 데이터를 보여줍니다. X 축에 해당 60 s 시간 해상도, 실험의 시간 포인트 y 임의의 단위 (거리), DFT 컴포넌트의 진폭을 보여줍니다 반면 z 10에 1에서 DFT 구성 요소에 해당 합니다. (b) (a) 하지만 "상호 작용 세포"의 셀에서 같이 입력 합니다. 이 그림은 권한을8수정 되었습니다. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig4large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/58543/58543fig5.jpg"> 그림 5. (a) 처음에는 중간에, 실험의 끝에 "모바일 셀" 형식의 셀의 모든 19 DFT 구성 요소 동작 X 축에 있는 숫자 1 ~ 19 DFT 구성 요소 ID에 해당합니다. Y 축, 임의의 단위 (거리), DFT 구성 요소 진폭에서는 동안 z-축 표시 6 임의의 회전 각도. (b) 같은 "상호 작용 세포"의 셀 (a)만 입력합니다. 이 그림은 권한을8수정 되었습니다. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig5large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.</a>

Watch this Scientific Journal Video about Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps at JoVE.com

Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps

여기, 우리는 그들의 3 차원 모양에 따라 건강 하 고 병 적인 세포의 식별을 허용 하는 워크플로 제공 합니다. 우리는 객관적인 조사 세포 인구의 클러스터링 하는 것을 제공할 것입니다 Self-Organizing 지도 훈련 3D 표면에 따라 2D 투영 윤곽선을 사용 하는 프로세스를 설명 합니다.

건강 하 고 병 적인 사이 구별 형태학에 기초를 둔 세포 이용한 푸리에 변환 및 자기 조직 지도

The appearance and the movements of immune cells are driven by their environment. As a reaction to a pathogen invasion, the immune cells are recruited to ...

이 방법은 암 연구 및 암 치료와 같은 기본 연구 및 임상 응용 분야뿐만 아니라 면역학 분야에서도 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 방법의 주요 장점은 정적 방법이며 용이하게하기 쉽다는 것입니다. 이 기술은 그들의 모양 및 운동 특성에 근거를 둔 병들기 세포 모형을 자동으로 확인할 수 있습니다.이 기술의 의미는 암 또는 염증성 질환의 진단과 치료로 확장됩니다. 이 방법은 면역 세포와 암세포 사이 행동에 통찰력을 제공할 수 있습니다 그러나 또한 3 차원 현미경 데이터가 필요한 어떤 필드에 적용될 수 있습니다. 이 방법에 새로운 개인 때문에 3 차원 현미경 데이터를 설명 하 고 유효성 검사 하는 그들의 문제 투쟁 것 일 수 있습니다.우리는 우리가 여기에서 사용하는 소프트웨어 도구가 많은 과학자들에게 익숙하지 않기 때문에이 방법의 시각적 데모가 중요하다고 생각했습니다. 먼저, 함께 제공되는 텍스트 프로토콜에 설명된 바와 같이 고해상도, 절충형 3차원 현미경 데이터 세트를 가져옵니다. 3D 이미지 데이터를 재구성 소프트웨어에 로드하고 각 개체에 대해 3D 표면을 만들기 시작합니다.이렇게 하려면 3D 보기 옵션을 선택하고 Surfaces를 클릭한 다음 단추를 클릭하여 표면 생성 마법사를 진행합니다. 이제 표면 재구성을 위한 이미지 채널을 선택합니다. 표면의 세부 정보를 숨기지 않고 다공성 표면을 방지하는 스무딩 값을 선택합니다.부드러운 옵션 확인란을 클릭하고 스무딩 반지름을 제공하여 스무딩 기능을 적용합니다. 현미경 데이터의 3차원 이미지 구조를 만들 때, 셀룰러 특성이나 모양을 잃지 않도록 스무딩 인자와 적절한 임계값 방법에주의를 기울이는 것이 특히 중요합니다. 다음으로 임계값 을 선택하여 서피스를 찾습니다.여기에 표시된 오브젝트와 같이 오브젝트가 배경과 잘 분리되고 밝기 수준이 약 균일한 경우 절대 강도 임계값을 사용합니다. 오브젝트의 강도가 다르지만 로컬 배경과 주변의 다른 개체에서 분리할 수 있는 경우 로컬 대비 임계값을 적용합니다. 재구성된 개체의 예상 지름 값에 따라 로컬 임계값 검색 영역을 설정합니다.다음으로 관심의 형태학적 매개 변수에 따라 재구성된 서피스를 필터링하는 옵션 목록에서 선택합니다. 여기에는 볼륨, 구형, 표면 대 볼륨 비율 등이 포함됩니다. 생성된 표면을 다음 단계에서 사용할 3D 애니메이션 소프트웨어와 호환되는 VRML과 같은 형식으로 저장하고 내보냅니다.블렌더를 시작하고 창 오른쪽에 있는 출력 탭으로 이동합니다. 드롭다운 메뉴에서 TIFF 형식을 선택하고 색상 깊이를 8비트 RGBA로 설정합니다. 다음으로 스크립팅 모드로 전환하고 제공된 스크립트 파일인 제목:GUI_Autorotate 로 이동합니다.이 작업에 대한 github 리포지토리에서 다운로드 할 수 있습니다. 주 창으로 돌아가면 스크립트 실행을 클릭하고 입력하라는 메시지가 표시될 때 wrl 파일폴더를 선택합니다. 그런 다음 기본 메뉴로 이동합니다.여기서 회전을 6위 이상의 값으로 설정합니다. 회전 버튼을 클릭하여 스크립트를 실행합니다. 6개의 다른 각도의 회전은 일반적으로 다른 세포 집단을 구별하기에 충분하지만, 모양이나 특성에 대한 정보를 잃지 않기 위해 6회 미만의 회전을 사용하지 않는 것이 좋습니다.입력에 사용된 동일한 폴더에 개별 서피스의 투영을 저장합니다. 기본적으로 이미지는 8비트 TIFF 형식으로 저장되며, 이는 피지 플러그인인 쉐이드(Shade)에서 요구하는 형식입니다. 피지를 열고 플러그인 메뉴에서 그늘을 선택합니다.기본 값으로 시작하고 나중에 매개 변수를 미세 조정합니다. 프로그램을 실행할 준비가 되면 확인을 클릭합니다. 그런 다음 이전 섹션에서 만든 TIFF 파일이 포함된 원본 폴더를 선택하고 선택 선택을 클릭합니다.그런 다음 출력 데이터 폴더를 제공합니다. 첫 번째 이미지가 나타나면 셀 을 둘러싼 사각형을 그리고 Okay를 클릭하여 시작합니다. 플러그인이 실행되면 빨간색 선으로 표시된 셀의 주변 발견에서 이미지의 사전 처리를 볼 수 있습니다.이제 발견된 모서리의 좌표가 이산 포이어 구성 요소를 계산하는 데 사용됩니다. 처음으로 자체 구성지도를 훈련하려면 MATLAB을 로드하여 시작합니다. TrainSOM MATLAP 스크립트를 로드한 다음 실행을 선택하여 교육을 시작합니다.필요한 경우 파일을 올바르게 경로로 이동해야 합니다. 실행이 시작되고 진행률을 표시하기 위해 추가 창이 나타납니다. 진행하기 전에 교육이 완료될 때까지 기다립니다.기본적으로 스크립트는 2, 000 반복 또는 서사시를 실행하도록 설정됩니다. 교육이 완료되면 네트워크의 토폴로지 플롯을 검사합니다. 다음은 이웃 거리 플롯, 샘플 히트 플롯 및 입력 평면 플롯의 예입니다.자체 구성 맵은 데이터 집합에서 숨겨진 관계를 발견하는 중요한 도구입니다. 데이터를 객관적으로 클러스터화하고 감독없이 학습하기 때문에 교육 데이터 집합이 필요하지 않다는 장점이 있습니다. 이제 네트워크가 학습되었습니다.작업 영역의 파일을 마우스 오른쪽 단추로 클릭하고 나중에 사용할 수 있습니다. 데이터 집합을 클러스터하기 위해 이미 학습된 맵을 사용할 때 자체 구성 맵에 로드합니다. 그런 다음 미리 로드된 학습된 맵으로 테스트할 CSV 파일을 가져옵니다.여기에서 쉐이드 플러그인의 CSV 출력을 선택합니다. 데이터가 로드되면 출력 유형을 숫자 행렬로 변경한 다음 가져오기 선택을 선택합니다. 분류가 완료되면 명령 창을 사용하여 다양한 플롯을 평가합니다.여기에 이미지 쇼는 마이크로 글리아 세포의 데본 아웃 레틱 다중 광자 miscroscopy 데이터 세트에서입니다. 생리학적 조건하에서, microglia는 다중, 고도로 분기된 프로세스를 가진 다소 복잡한 모양을 제시했습니다. 이 피질 종양 모형과 같은 암 환경에 놓일 때, microglia는 더 간단하고 더 스핀들 같이 모양으로 변경되었습니다.이러한 forier 자형 설명 구성 요소 중 20개가 자체 구성 맵을 학습하기 위한 입력으로 사용되었습니다. 훈련된 지도는 건강한 세포와 암세포를 구별하는 그것의 능력을 평가하기 위하여 그 때 시험되었습니다. 건강한 세포 인구는 여기에 표시된 단일 영역에 투영된 반면, 암마이크로글리아 데이터 세트는 아령 모양의 활성 영역으로 제시되었다.지도는 또한 뚜렷한 세포 단을 확인하기 위하여 의학 전문가에 의해 훈련될 수 있습니다. 여기서, 휴식 세포, phagocytosing 세포, 상호 작용하는 세포 및 이동 세포는 12x12 지도를 훈련하기 위하여 확인되고, 재구성되고, 이용되었습니다. 이 결합된 맵은 특히 맵의 왼쪽 아래와 중간 영역에서 높은 히트 값 인공 뉴런 그룹을 보여줍니다.매핑 접근법의 견고성은 학습 데이터 세트의 일부가 아닌 동일한 휴식 셀 유형의 3개의 무작위 하위 집합을 가진 훈련된 자체 조직 맵을 사용하여 테스트되었습니다. 이 입력에 대한 S.O.M 응답은 올바른 셀 유형을 나타내는 매우 유사한 반응을 나타낸다. 이 기술을 개발 한 후, 이제 우리는 단순히 셀 모양의 변화를 분류 할 수있는 도구 키트를 가지고있다.이러한 변화는 암, 예를 들어, 또는 그밖 면역 계통 반응 도중 생기고, 우리는 전체 동물을 사용하여, 현미경 검사법, 절제된 조직, 또는 칩에 기관을 사용하여 그(것)들을 측정할 수 있습니다.

Research

JoVE Journal

Cancer Research

Analyzing the Communication Between Monocytes and Primary Breast Cancer Cells in an Extracellular Matrix Extract (ECME)-based Three-dimensional System

Analyzing the Communication Between Monocytes and Primary Breast Cancer Cells in an Extracellular Matrix Extract ECME-based Three-dimensional System

(ECME) 추출 Monocytes 그리고 기본 유 방 암 세포는 세포 외 기질 간의 통신을 분석-기반 3 차원 시스템

Embedded in the extracellular matrix (ECM), normal and neoplastic epithelial cells intimately communicate with hematopoietic and non-hematopoietic cells, ...

연구

암 연구학

A Preclinical Mouse Model of Osteosarcoma to Define the Extracellular Vesicle-mediated Communication Between Tumor and Mesenchymal Stem Cells

종양 및 중간 엽 줄기 세포 사이의 세포 외 기 중재 통신을 정의 하는 다리의 전 임상 마우스 모델

Within the tumor microenvironment, resident or recruited mesenchymal stem cells (MSCs) contribute to malignant progression in multiple cancer types. Under ...

Simple and Rapid Method to Obtain High-quality Tumor DNA from Clinical-pathological Specimens Using Touch Imprint Cytology

터치 인쇄물 세포학을 사용 하 여 병 적인 임상 표본에서 높은-품질 종양 DNA를 간단 하 고 빠른 방법

It is critical to determine the mutational status in cancer before administration and treatment of specific molecular targeted drugs for cancer patients. ...

Utilizing High Resolution Ultrasound to Monitor Tumor Onset and Growth in Genetically Engineered Pancreatic Cancer Models

고해상도 초음파 모니터 종양 발병 및 성장 췌장암 유전자 조작된 모델에서을 활용 하 여

The LSL-KrasG12D/+; LSL-Trp53R172H/+; Pdx-1-Cre (KPC) mouse model represents an established and frequently used transgenic model to evaluate novel ...

Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer

Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer

18F FDG PET/CT 영상 및 정량 조직학 폐암의 마우스 모델에서 포도 당 물질 대사에 있는 동적인 변화를 측정 하

A hallmark of advanced tumors is a switch to aerobic glycolysis that is readily measured by [18F]-2-fluoro-2-deoxy-D-glucose positron emission tomography ...

Capturing Small Molecule Communication Between Tissues and Cells Using Imaging Mass Spectrometry

조직 및 질량 분석 이미징 사용 하 여 셀 사이의 작은 분자 통신 캡처

Imaging mass spectrometry (IMS) has routinely been applied to three types of samples: tissue sections, spheroids, and microbial colonies. These sample ...

Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells

종양 세포의 측면 꼬리 정맥 주입 다음 폐 전이의 병리학 적 분석

Metastasis, the primary cause of morbidity and mortality for most cancer patients, can be challenging to model preclinically in mice. Few spontaneous ...

Orthotopic Implantation of Patient-Derived Cancer Cells in Mice Recapitulates Advanced Colorectal Cancer

생쥐에서 환자 유래 암세포의 정형외피 이식은 진행성 대장암을 재현합니다.

Over the last decade, more sophisticated preclinical colorectal cancer (CRC) models have been established using patient-derived cancer cells and 3D ...

Risk Prediction Model of Gastric Low-Grade Intraepithelial Neoplasia

Establishment and Evaluation of a Risk Prediction Model for Pathological Escalation of Gastric Low-Grade Intraepithelial Neoplasia

Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors

위 저등급 상피내 종양의 병리학적 에스컬레이션을 위한 위험 예측 모델 구축 및 평가

The study aims to explore the risk factors for pathological escalation after endoscopic surgery for gastric low-grade intraepithelial neoplasia (LGIN) and ...

Standardizing Ovarian Cancer Organoid Biobanking

Strategy for Biobanking of Ovarian Cancer Organoids: Addressing the Interpatient Heterogeneity across Histological Subtypes and Disease Stages

Author Spotlight: Advancing Personalized Medicine in Ovarian Cancer 

난소암 오가노이드의 바이오뱅킹 전략: 조직학적 아형 및 질병 단계에 걸친 환자 간 이질성 해결

While the establishment of an ovarian cancer biobank from patient-derived organoids along with their clinical background information promises advances in ...