该算法的目的是用序列图像伸缩和寻连续测量两个2维边缘之间的距离。该算法可应用于心脏结构生物学、血管生物学和土木工程等多种领域。
最近描述的细胞外 nanodomain, 称为 perinexus, 已牵连到 ephaptic 耦合, 这是一个替代机制的电传导心肌细胞。目前用人工分割方法对空间进行量化是很慢的, 空间分辨率也很低。我们开发了一种算法, 使用序列图像伸缩二进制轮廓来计算两个对立的2维边缘之间的像素数。该算法在保持手动过程的重现性的同时, 需要较少的人工时间, 并且具有比手动方法更高的空间分辨率。事实上, 经验丰富的新手调查员能够用这个新算法重述以前研究的结果。该算法受人力输入的限制, 需要手动勾勒出 perinexus 和计算能力, 主要是由预先存在的寻算法所担保。然而, 该算法的高通量能力, 高的空间分辨率和再现性使它成为一个多功能和健壮的测量工具, 用于跨各种应用, 需要测量的距离在任何2维 (2D边缘.
建立了以下算法来测量两个结构耦合的心肌细胞之间的膜间隙距离, 它们分别在一个称为 perinexus1的 nanodomain 的缝隙连接斑块的边缘处, 它具有被牵连在 ephaptic 耦合2,3,4,5。在对 perinexi 的上百个透射电镜 (TEM) 图像进行分析的过程中, 采用人工分割方法在前一项研究6中, 确定了一种更高吞吐量的采样 perinexal 宽度的方法。空间分辨率, 同时保持了以前手工分割过程的准确性, 线是绘制15毫微米间隔, 近似正交到中线, 以测量 perinexal 宽度。新算法采用一个像素厚的两条平行线的二进制轮廓, 并使用序列图像伸缩来计算两个膜之间的像素数。虽然图像伸缩在许多图像处理应用中被广泛使用, 其中包括轮廓或边缘检测7、8, 但该算法使用伸缩作为计数机制。然后使用寻算法9和 perinexal 宽度来隔离中心线, 然后沿 perinexus 长度的分辨率测量图像的分辨率。在这种情况下, 分辨率的差异是1测量每15毫微米为人工分割和1测量每0.34 毫微米与新的算法, 44 倍增加空间采样频率。此外, 这种增加的取样频率在大约1/5 的时间内完成人工分割所需。
这个算法将使用在它的当前形式测量 perinexal 宽度在常规0-150 毫微米从缝隙连接匾5 (GJ) 的边缘并且在感兴趣的指定的区域之内, perinexus 高原在30和105毫微米2之间,3,10. 取样频率的增加减少了个别 perinexus 测量与人工分割相比的可变性, 大大缩短了分析时间, 从而可以有效地处理大型数据集。然而, 这个程序并不局限于纳米 TEM 图像的心脏夹层盘。同样的方法可以用来量化血管直径, 心室射出分数, 甚至非生物现象, 如河流侵蚀或洪水。该算法适用于量化任意两个准平行边之间的距离。
该算法使用串行图像伸缩来计算二进制图像中两个对立2D 边缘之间的像素个数, 在这种情况下, perinexus2、3、14之间的膜间分离。然后用空间导数和寻算法隔离中心线, 其次是二次扩张和侵蚀序列, 以填补中线上的空隙, 类似于15之前所做的工作。中心线然后与最后的膨胀计数图象一起代表 perinexal 宽度作为距离的作用从边缘分离的起点, 在这种情况下 GJ 的结尾和 perinexus16的起点。
在程序开始时, GUI 中用户定义了四个主要参数:
该算法最常见的故障机制是中心线无法到达图像边缘, 这就是如何为寻算法确定端点的方法。为了解决这一问题, 用户可以增加步骤3.3.1 中描述的梯度阈值, 这将使程序从空间导数图像中选择更多的点, 从而增加寻算法所需的计算时间。因此, 该算法需要在计算速度和中线完整性之间进行折衷。需要注意的是, 只要中心线的所有点都是从空间导数中识别出来的, 加上一个适当的起点, 空间导数阈值就不会对边缘分离测量产生影响。
图像方向似乎影响膨胀值, 因为内核扩张在90度的步骤, 这可能会引入一个错误, 如果大部分的利益区域是在一个角度45°到扩张矩阵的轴。因此, 膨胀计数不一定总是精确表示边缘之间的空间。此限制已通过三角校正因子来解决, 但如果数据集中的所有图像都在同一方向上对齐, 则可能会忽略此缺陷。此外, 应谨慎使用的解释结果, 因为这是可能的断面平面是不完全垂直的两个膜。在图 9B中, 我们使用 GJW 建议我们的 perinexus 图像是在平面上的。尽管如此, 样本大小必须足够大, 以解释图像之间的任何切片变化。此外, 我们的 perinexal 宽度测量不应被解释为反映在体内空间, 但这种方法是用来衡量平均差异的 perinexal 宽度相对于某些干预或疾病的状态。
当前算法还需要手动跟踪边缘的轮廓作为输入。需要注意的是, 只要刻度设置正确, 空间分辨率就不会对算法的测量产生影响, 如图 6中图像的不同分辨率和附加的低分辨率图像所示。文件 S6。改进算法的下一步是从轮廓生成中删除人类干预, 以及一个可以选择感兴趣区域的工具。这些功能可能会提高测量的精度并减少用户的偏差。
这种计算效率的算法提供了一个更快的方法, 需要大约1/5 的人小时, 量化的 perinexus, 没有可检测的惩罚与手工分割过程相比, 重现性。此外, 手工分割过程利用每15纳米测量 perinexal 宽度, 这可能导致在取样下, 因为 perinexus 的膜分离可能极大地改变在那15毫微米范围之内。相比之下, 自动程序的空间分辨率等于成像方式, 在这种情况下, 每纳米2.9 像素沿 perinexus 的长度, 因此提供一个更精细的解决平均 perinexal 宽度。
虽然在心脏结构生物学领域的应用前景广阔, 但该算法的使用并不局限于 TEM 图像。任何需要精确、高分辨率测量两个准平行2D 边的字段都可以利用该算法。该算法可用于跟踪从卫星图像到 brightfield 或荧光显微术的河岸侵蚀和洪水模式到血管发育的任何东西。其中一个最有前途的潜在应用是在心脏病学领域和测量心室射血分数 (EF) 与穴位的心脏超声心动图。目前, 标准技术是磁盘17的双方法, 虽然一种较新的算法, AutoEF, 目前是前沿 EF 量化方法18,19。对于磁盘的双方法, 所讨论的分庭使用修改后的辛普森方法进行手动跟踪和量化, 从而通过叠加的椭圆圆盘的总和自动计算总体积。这一方法的主要限制是, 它只能返回所需会议厅的总横截面积, 没有任何决议确定感兴趣的特定区域, 也需要大量的人力投入和专门知识。新的方法, AutoEF, 识别和轮廓的心室边缘使用2D 斑点算法, 然后计算心室横截面积。这一过程, 虽然准确和有效的测量总心室面积, 也有类似的固有限制, 仅测量总断面面积。这一主要缺陷限制了临床医生的诊断和治疗能力。相比之下, 本手稿中提出的算法可以识别中线, 并且分辨率等于成像方式的分辨率, 以精确定位感兴趣的特定区域。这一点很重要, 因为有千分尺空间分辨率的超声波扫描仪在商用20、21, 这意味着该算法可以检测到在千分尺分辨率下的局部壁运动异常。而不是厘米。虽然此应用程序需要经过实验验证, 但它是该算法最有前途的应用之一。实际上, 它可以很容易地与 AutoEF 的散斑跟踪能力或手动 planimetry 中使用的手动跟踪相结合, 以提供与传统 EF 数据并行的高分辨率信息。
作为现有算法的通用性和适用性, 开发了2D 图像。然而, 随着成像技术的不断改进, 对3和4D 量化技术的需求也在不断增加。因此, 该算法的下一个迭代是适应相同的方法, 串行扩张二进制图像, 到一个3维对象, 其中自动定义中线目前超出了当前成像程序的能力。这种算法在心脏领域仅有临床和实验上广泛应用, 包括3D 心脏超声心动图22,23, 3D 电子显微镜24,25,26、3D 磁共振成像27、28、29。
The authors have nothing to disclose.
作者想感谢在弗吉尼亚-马里兰兽医学院的凯西. 罗, 用于处理和染色 TEM 样品。
资金:
国立卫生研究院 R01-HL102298
国立卫生研究院 F31-HL140873-01
Touchscreen Monitor | Dell | S2240T | Needs soft-tipped stylus |
Desktop | Dell | Precision T1650 | 8GB RAM |
Operating System | Microsoft | Windows 7 Enterprise | 64-bit OS |
Program platform | Mathworks | Matlab R2015b | Program may be incompatible with newer/older versions of Matlab |