Summary

לכימות מרחקים Intermembrane עם תמונות טורי Dilations

Published: September 28, 2018
doi:

Summary

מטרת אלגוריתם זה היא למדוד באופן רציף את המרחק בין שני קצוות 2-ממדי באמצעות תמונות טורי dilations ו- pathfinding. אלגוריתם זה ניתן ליישם במגוון תחומים כגון ביולוגיה מבנית הלב, כלי הדם ביולוגיה הנדסה אזרחית.

Abstract

תיאר לאחרונה חוץ-תאית nanodomain, כינה את perinexus, היה מעורב ephaptic זיווגים, אשר מהווה מנגנון חלופי עבור וההולכה בין cardiomyocytes. השיטה הנוכחית עבור לכימות המרחב הזה על ידי פילוח ידני איטי ויש לו רזולוציה מרחבית נמוכה. פיתחנו אלגוריתם אשר משתמש התמונה טורי dilations של קו מיתאר בינארי כדי לספור את מספר הפיקסלים בין שני מנוגדים 2 קצוות תלת-ממדי. אלגוריתם זה דורש פחות שעות ויש לו רזולוציה מרחבית גבוהה יותר מאשר השיטה הידנית תוך שמירה על הפארמצבטית של תהליך ידני. למעשה, מנוסה, המתחיל החוקרים הצליחו לסכם את התוצאות של מחקר קודם עם אלגוריתם חדש זה. האלגוריתם הוא מוגבל על ידי קלט האדם זקוק לרמות באופן ידני את perinexus ואת הכוח חישובית בעיקר לתענוגות באלגוריתם pathfinding הקיימת מראש. עם זאת, האלגוריתם תפוקה גבוהה, רזולוציה מרחבית גבוהה ויכולות הפארמצבטית שזה כלי מדידה רב תכליתי, עמיד לשימוש במגוון יישומים המחייבים מדידת המרחק בין כל 2-מימד (2D ) קצוות.

Introduction

האלגוריתם הבא פותחה כדי למדוד את המרחק intermembrane בין שני cardiomyocytes מבנית בשילוב בנקודת שהם נפרדים אחד מהשני בקצה של שלט צומת הפער ב nanodomain קרא את perinexus1, שבו יש היה מעורב ephaptic זיווגים2,3,4,5. בתהליך ניתוח מאות תמונות מיקרוסקופ אלקטרונים (TEM) שידור של perinexi באמצעות שיטת פילוח ידנית המחקר הקודם6, הצורך היה מזוהה עבור פעולת שירות תפוקה גבוהה יותר לטעום perinexal רוחב גבוה יותר רזולוציה מרחבית תוך שמירה על הדיוק של תהליך ידני פילוח הקודם במהלך פילוח ידנית, קווים נמתחים במרווחים של 15 ננומטר, כ אורתוגונלית אל האמצע, על מנת למדוד את רוחב perinexal. האלגוריתם החדש לוקח מתווה בעובי פיקסל אחד בינארי של שני קווים מקבילים ומשתמש התמונה טורי dilations כדי לספור את מספר הפיקסלים בין שתי הממברנות. בעוד dilations התמונה בדרך כלל שימשו מספר עצום של יישומים לעיבוד התמונה, כולל קו מתאר או קצה זיהוי7,8, אלגוריתם זה משתמש dilations בתור מנגנון הספירה. האמצע הוא ואז מבודדים באמצעות pathfinding אלגוריתם רוחב9 ו- perinexal נמדד ואז ברזולוציה לאורכו של perinexus שווה הרזולוציה של התמונה. ההבדל ברזולוציה במקרה זה היא מדידה 1 לכל 15 ננומטר על פילוח ידנית או מידה 1 לכל 0.34 nm עם האלגוריתם החדש, עלייה בתדירות הדגימה מרחבית 44-fold. יתר על כן, בתדר דגימה מוגבר זה מתבצע 1/5 כth והספיגה פילוח ידנית.

אלגוריתם זה ישמש במתכונתה הנוכחית כדי למדוד את רוחב perinexal ב 150-0 קונבנציונאלי nm מהקצה של gap junction רובד5 (GJ), כמו גם בתוך אזור המצוין של עניין, איפה perinexus מישורים בין 30 ו 105 nm2 , 3 , 10. תדירות הדגימות מוגברת מפחית את מידת ההשתנות במדידות perinexus בודדים בהשוואה פילוח ידנית, מתקצר באופן משמעותי זמן ניתוח, המאפשרות עיבוד יעיל של ערכות נתונים גדולות. עם זאת, תוכנית זו אינה מוגבלת לתמונות TEM הננומטרי של הדיסקים intercalated הלב. אותה גישה יכול לשמש כדי לכמת קוטר כלי הדם, שבריר פליטה חדרית או הלא-ביולוגיים אפילו תופעות כמו נחל סחף או הצפה. אלגוריתם זה מתאים לכימות את המרחק בין כל שני קצוות ומעין מקבילה.

Protocol

הערה: התוכנה נדרש ImageJ (או תוכנה דומה שינוי תמונה) ו- Matlab R2015. המשתמש עלול להיתקל בבעיות תאימות עם גירסאות אחרות של Matlab. 1. מראש עיבוד תמונות עבור כל תמונה בגווני אפור, ודא שהערך העוצמה המקסימלית של כל פיקסל נתון < 255. פעולה זו מתבצעת בדרך כלל על-ידי חיסור הערך 1 מתוך התמונה תוכנית Matlab מותאמות אישית "ImageSub.m", נכללים בקובץ משלימה S1. 2. חלוקה לרמות של Perinexus חלוקה לרמות של perinexus ImageJ או תוכנת עיבוד תמונה אחרת. ודא לרמות של פיקסל אחד עבה מוגדר בערך העוצמה הגבוהה ביותר בתמונה (255 תמונה בגווני אפור מ- 0 עד 255). לזהות את GJ-11,שלה מבנה pentalaminar12, מגדירים את תחילת perinexus הנקודה שבה השניים מנוגדים קרום התא bilayers מתפצלות, כפי שמוצג באיור 1א. בגין ~ 200 ננומטר מהקצה של GJ, מעקב לאורך את הקרום הפנימי של התא הראשון ולאורך בחזרה את הקרום הפנימי של התא השני. ב- ImageJ, לשחרר את העט לסגור באופן אוטומטי את קווי המתאר. זה סוגר מלאכותי תיחתך מאוחר יותר.הערה: חשוב לחלק לרמות perinexus באהבה רבה-כמו גבוהה של הגדלה ככל האפשר, כפי קטן אפילו יישומים שגויה של החלוקה לרמות יכול לגרום ננומטרים של שגיאה במדידה הסופית. 3. הגדרת האלגוריתם, בחירת Perinexus של עניין הערה: האלגוריתם pathfinding מחייבת את החתימה, קצה, גרף, צומת ו Pathfinding פונקציות9 להיות באותה ספריה כמו MembraneSepDist m-הקובץ. כל הקבצים ניתן למצוא בקובץ משלימה S1. בחר שמור מיקומים עבור נתונים וחישובים. אלה הם כיום קשיח לתוך קובץ ה-m-…הערה: השורה הראשונה של התוכנית היא פונקציה כדי לנקות את כל המשתנים, סגור את כל החלונות לנקות חלון הפקודה. שמור את כל המשתנים הרצוי או דמויות לפני הפעלת m-הקובץ.הערה: צילומי מסך התוכנה כלולים בקובץ משלימה S2 עבור כל הערכים קשיח. הפעל את התוכנית “MembraneSepDist.m”. להגדיר פרמטרים.הערה: GUI יופיע עם פרמטרים ברירת המחדל סף מעבר צבע, מידה, אזור של הריבית, ולהתחיל ידנית. ניתן לשנות את ערכי ברירת המחדל בקובץ ה-m, או ניתן להחליפם עבור כל תמונה בנפרד. הגדרת מרחבית הסף הדרגתיות נגזרות.הערה: ערכים גבוהים לגרום יותר נקודות שנבחרו בבידוד האמצע. ערכים גבוה מדי או נמוך מדי (מחוץ מגוון של-3.0-7.9) עלול לגרום חישובית או מבחר מדויק של נקודות האמצע מניב האמצע מדויק בידוד (ראה איור 2A-C). הגדר בקנה מידה ביחידות של פיקסלים/קנה מידה. מציבה את הגבולות המרחבי של העליון והתחתון עבור האזור של עניין.הערה: לפי המוסכמות של המעבדה שלנו, האזור המוגדר של עניין הוא בין 30 ל 105 nm מהקצה של3,2,10GJ. להגדיר התחלה אוטומטי/ידני. ברוב המכריע של המקרים, האלגוריתם מזהה במדויק את נקודת ההתחלה לאן הפער צומת מסתיים perinexus ומתחיל. עם זאת, במקרים מסוימים של perinexi בצורת ומתפשטים, המשתמש עליך לזהות נקודת ההתחלה באופן ידני. הגדר את הערך 0 עבור אוטומטי, 1 ידני. בחר את התמונה הרצויה.הערה: ניתן לשנות את הקובץ בתיקייה בחר בקובץ ה-m. לחתוך את התמונה כדי לבחור את perinexus של עניין. התמונה עולה, שהסמן ישתנה באופן אוטומטי לצורת צלב דק. לחתוך את התמונה על-ידי גרירת תיבה מסביב perinexus עניין (ראה איור 3). יכול להיות מותאם תיבת החיתוך על-ידי שימוש הריבועים בפינות ובצדדים לעשות את זה גדול או קטן יותר. בעת חיתוך, ודא בסוף perinexus “פתוח” (וביזמות, GJ ראה איור 3) חתוכה כך קווי המתאר שני ממברנה להגיע לקצה של התמונה החתוכה.הערה: מומלץ להכין את תמונת מסך המלא בקלות רבה יותר לראות את perinexus של עניין, לחתוך כראוי. בחר את היבול האחרון על-ידי לחיצה כפולה עם בסמן בין הקצוות המנוגדים שברצונך למדוד.הערה: זה קריטי כי פעמיים לבצע בתוך perinexus. אם התוכנית לא יצליח לזהות את האמצע, הפעל מחדש את התוכנית ולוודא שלחץ מתבצע בתוך perinexus. להתבונן האמצע הסופי לאחר כל dilations של ארוזיות פופ בשביל הערכה המשתמש הסופי של היעילות של התוכנית.הערה: תיבת דו-שיח תופיע על המסך בזמן התוכנית פועלת כדי ליידע את המשתמש כי Matlab תהיה אפשרות לעבד פקודות נוספות עד סיום התוכנית. כמה זמן לוקח תהליך זה תלוי גודל המערך (תמונה) והמחשב כוח עיבוד. אם נקודת ההתחלה ידנית זמינה, להתבונן בתמונה של האמצע צצים על התמונה המקורית אנטומיים, יחד עם סמן צלב דק (ראה איור 2E). בחר נקודה מחוץ perinexus בקרבת נקודת ההתחלה הרצויה.הערה: התוכנית למצוא את נקודת האמצע קרוב לצבע הפיקסל הנבחר ועושים שימוש זה נקודת ההתחלה. נתוני הרשומה.הערה: לאחר סיום התוכנית, התוכנית יחזיר את האמצע ממופה, העלילה של perinexal רוחב כפונקציה של המרחק בין קצה GJ. בנוסף, התוכנית יחזור הרוחב הממוצע perinexal עד 150 nm מהקצה של ושחבר המושבעים הגדול, כמו גם את הממוצע מ בתוך אזור מוגדר של עניין בשורת הפקודה Matlab. Wp וערכים מרחקים GJ מאוחסנת במשתנה “WpList” או המשתמש באופן ידני יכול להקליט אותם בנפרד. 4. אלגוריתם לפתרון בעיות אם האמצע אינו מוגדר כראוי המזוהים (איור 2א), לפתוח את דמות “Gmag” והשתמש המדד לזיהוי של סף מעבר הצבע המתאים (איור 2C). אם נקודת ההתחלה לא מזוהים כהלכה, להגדיר את נקודת ההתחלה באופן ידני (ראה פרוטוקול 3.8).

Representative Results

שיטות סטטיסטיות: נערכו השוואות בין קבוצות הניסוי באמצעות t של סטודנט-הבדיקות. ערך-p < 0.05 הוא נחשב משמעותי, כל הערכים מיוצגים בתור הממוצע ± סטיית התקן. פילוח ידנית. כימות של הרוחב nanodomain perinexus GJ סמוכים (Wp) מושגת בדרך כלל על ידי פילוח ידנית. תהליך ידני פילוח זה הוכח איור 1א’ והיה שתוארה לעיל6. הצופה מזהה קצה ושחבר המושבעים הגדול (איור 1, נקודה אדומה), מודד את 5nm לאורך מרכז perinexus, מודד את המרחק בין הממברנות בנקודה זו. התהליך זה חוזר על עצמו שוב ב 10, 15, 30 וכל 15 ננומטר עד 150 ננומטר. טכניקה זו, בעוד יעיל, יש מגבלות של זמן ושל מרחבי תת דגימה לאורכו של perinexus. כלומר מדידותp W ממחקרים קודמים יכול להשתנות כ 10 עד 20 ננומטר2,3,10ו- 3 ננומטר שנראה ההבדל הממוצע הדרוש כדי לזהות מובהקות סטטיסטית, שהינו מעל תדר נייקוויסט המרחבי של 0.7 nm לכל מדידה המבוססת של פתרון interpixel של 0.34 ננומטר. לכן, בעוד פילוח ידני הוא זמן רב, השיטה זו מספיקה כדי למדוד הבדלים ב- Wp הקשורים למצב של התערבות או מחלה. תמונה טורי Dilations. על מנת למדוד את perinexus בצורה מהירה יותר, לשחזור עם רזולוציה מרחבית המתאים, פיתחנו תוכנית המבוססת על תמונת טורי dilations לספור את הפיקסלים בין ממברנות ידנית איתרו שני, אשר ניתן לראות באיור 1B . תהליך התרחבות טורי מודגם באיור4. כמו התמונה בינארי הוא מורחבים (איור 4A-4D), כי התארכות ואז הפוכה, נוסף על תמונת עבודה – הטופס שאינו בינארי של החלוקה לרמות המקוריים (איור 4EH -4). התהליך חוזר על עצמו עד לרמות מתמלא לחלוטין (איור 4D). בשלב זה, התמונה העבודה הסופית (איור 4H) הוא ספירה של מספר הפעמים שפיקסל מסוים נשארה לא מתרחבים. ככזה, הערכים ליד קו המתאר של קרום התא הם נמוך מאוד, בעוד שהערכים במרכז הם הגבוהים ביותר. על-ידי ספירת מספר dilations למלא את האזור בכל נקודה, ניתן לחשב את המרחק בין הקצוות ממברנה. האתגר הבא הוא לזיהוי ולבידוד האמצע כדי לכמת את רוחב perinexal כפונקציה של מרחק GJ, אשר נעשה על-ידי החלת הראשון נגזרת מרחבי התמונה הסופית של העבודה (איור 2-התמונה האחרונה, ואת איור 5 A). דוגמה שנייה perinexus יותר ומתפשטים בצורת ניתן למצוא בקובץ משלימה S3. זיהוי האמצע. ניתן לכמת את מעבר הצבע של התמונה הסופית של העבודה מאת נגזרת המרחבי, כמו התרחבות ספירת ערכים מקצה לקצה לשנות מן הגבוה לנמוך כדי גבוהה שוב (איור 5A משמאל לימין). בהתחשב רק את סדר הגודל של הנגזרת המרחבי (איור 5B), החלונית מיתאר ואת האמצע, מודגש באמצעות החצים הלבנים, הן לזיהוי מיידי כאזורים של רציפות. במקומות אלה, משנה כיוון מעבר הצבע מהעלאת להפחתת או להיפך. החלת סף (איור 5C) מייצר תמונה בינארית של האמצע, חלוקה לרמות, הפחתה המתאר המקורית התשואות האמצע מבודד (איור 5D). אמנם שיטה זו של בידוד האמצע שהמפתחות יעיל, הסף שהוחל הנגזרת המרחבי יוצר פערים האמצע וכתוצאה מכך. פערים אלה (איור 5D, להוסיף) יש למלא כדי לספק של מדידה מדויקת של המרחק מן ושחבר המושבעים הגדול, כדי להבטיח ש-perinexus נמדד בשלמותו. ראשית, האמצע הוא מורחבים כדי למלא פערים כלשהם (איור 5E), ואחריו סחף (איור 5F), פונקציה “bwmorph” (מבצע = ‘סקל’, n = inf) לחסל את נקודות רבות ככל האפשר תוך השארת האמצע רציפה, ובכך מגדיל את יעילות חישובית באלגוריתם עוקבות pathfinding שפותחה על ידי Limprasert ואסט וזמין על מרכזי MATLAB9. פונקציה זו התרחבות ארוזיה מייצרת האמצע שהושלמו, אשר בשילוב עם התמונה הסופית עבודה (איור 5G). עם זאת, זה האמצע הוא לרוב בעובי פיקסל אחד או יותר, ולכן הוא לא בידוד מדויק של האמצע. האלגוריתם pathfinding Limprasert ואסט משמש כדי לקבוע האמצע perinexus. האלגוריתם pathfinding הוא מסוגל לאתר הערכים הגבוהים ביותר – במקרה זה את הערכים הכי קרוב למרכז אשר נותרה לא מתרחבים דרך הכי איטראציות לאורך האמצע (איור 5G, להוסיף). התוצאה היא מעקב אוטומטי של האמצע, כפי שמוצג באיור 6. על-ידי בידוד האמצע, רוחב perinexal ניתן להציג כפונקציה של מרחק מהקצה של GJ, כפי שמוצג באיור 6B (למעלה), או את רוחב ממוצע של אזור מסוים של עניין. ניתוח ליבה. חשוב לשים לב כי תמונות דיגיטליות מבוססות על מערכים מרובע, התארכות גרעינים מבוססים גם על מטריצות ריבועיות. משמעות הדבר היא כי התארכות מרחק לאורך אלכסון גדול מ אורתוגונלית. לכן, אנחנו הבאה ביקשו לקבוע אם הקרנל מושפעות התוצאות של האלגוריתם. על מנת לכמת את השתנות ליבה ספציפית, נותחו חמש צורות שונות ליבה: “פלוס” (הצורה בשימוש הבדיקות לעיל) “X”, “התיבה”, “קו”, כפי שמתואר איור 7א. הליבה מיושמת בכל נקודה אפס תמונה בינארית. הכוכב של כל ליבה של איור 7א מייצג את המרכז, שבו הלבן הוא ערך של 1, שחור הוא ערך של 0 עבור הקרנל התרחבות. ההשפעה הליבה: כל על המידהp W אכזרי של תמונה אופקי כ perinexal אחת (איור 7ב’, העליון), לכמת על-ידי משתמש מנוסה, נקבע על-ידי סיבוב התמונה באמצעות הפקודה “imrotate” של Matlab ו מחשוב Wp בשלבים של 10 מעלות. Wp מדידה הערכים (איור 7ב’, התחתון) משתנים עם כיוון תמונה בצורה sinusoidal לתקן בתוספת בצורת ליבה. הערכים הנמוכים ביותר מתרחשות כאשר perinexus יחסית ישר מכוון אנכית או אופקית. גרעינים לא X, תיבת, ולא שורה מסופקים כל יתרון על פני הקרנל בצורת פלוס. גרגירים X ותיבת לתוצאות זהות, אבל הערכים של אומר Wp היו שלב עם the בתוספת הקרנל מאת 45 °. הקרנל קו נכשלה לחלוטין להתרחב התמונה בזוויות מסוימות, כפי שניתן לראות בגלל היעדר נתונים המעקב ירוק לתמונות מסובב פחות מ- 30 או יותר 145 °. לפיכך, הקרנל התארכות פלוס אורתוגונלית הפרזתי ממברנה ההפרדה כאשר להרחבת של perinexus עם ציר מונחה באלכסון לדוגמה כ 45 °, גרגירים X ותיבת המעיט אומר Wp מתי לציר הארוך של perinexus היה גם ב- 45 מעלות. בהתבסס על ניתוח זה, פיתחנו פקטור התיקון חלה על הערכים המופקים להרחבת עם הקרנל בצורת פלוס. כדי להסביר מופרזת של ממברנה ההפרדה המשויך כיוון תמונה, זה פקטור התיקון כפול הערך רוחב נמדד בהתאם הכיוון של התמונה (משוואה 1). אם θ באמצעות < 45°      Wp תוקן = cosd(θ באמצעות) * Wp נמדד אם θ באמצעות ≥45 °      Wp תוקן = cosd(θ באמצעות) * Wp נמדד (משוואה 1) במשוואה הזו, Wp שנמדד הוא הערך המקורי שלp W שנוצר על ידי לעיל האלגוריתם θ באמצעות הוא מחושב זווית אופקית, במעלות. Θ באמצעות מחושבת על ידי לקיחת הטנגנס ההופכי של השינוי הכולל בכיוון אופקי חלקי סה כ השינוי בכיוון אנכי האמצע perinexal. התיקון הנ ל קירוב זווית הממוצע, יחסית אופקי, של perinexus (איור 8א, השמאלי-העליון) ותוצאות מדידה כאילו המתקבל perinexus אופקי (איור 8א, למטה משמאל). הרציונל מאחורי המשוואה הזו נובעת מהעובדה כי הקרנל בצורת פלוס (איור 7א) הוא בעצם שני בצורת קו גרעינים מסודרים orthogonally אחד לשני. ככזה, מתחת 45° (קרוב אופקי), dilations להתרחש אנכית ונותן ולכן הכפלת הקוסינוס של הזווית המדידה הנכונה. לעומת זאת, עבור זוויות מעל dilations (קרוב יותר אנכית), 45° מתרחשות אופקית, הסינוס משמשת כדי לקבוע את המידה הנכונה. בדיוק 45°, סינוס, קוסינוס הם שווים. קובץ משלים S4 מספק תיאור של רעיון זה. שים לב תיקון זה מבוסס על הזווית הממוצע, זהירות אמור לשמש בעת ניתוח צורות באופן משמעותי שאינו ליניארי. תהליך זה חזר על עצמו על 20 perinexi שנבחר באופן אקראי, המדידות המתוקן בקורלציה חזקה עם מדידות מתקבל על ידי באופן ידני סיבוב וניתוח מחדש את התמונות (איור 8א, נכון). כדי לאשר את התיקון מדויק עבור כיוון תמונה, שתי קבוצות של קצוות הפנטום היו שנוצר (איור 8ב’, משמאל) לסובב 180 מעלות. עם התיקון טריגונומטריות, האלגוריתם חזר במדויק את הערך הנכון בשעה בכל כיוון, ללא תלות ברזולוציה מרחבית או גודל תמונה (איור 8ב’, נכון). יישום אנליטית, הפארמצבטית עם אוריינטציה תיקון. נזכר כי מחקרים קודמים באמצעות דו ח פילוח ידנית סטטיסטית מתכוון Wp ההבדלים גדול מאו שווה ל- 3 ננומטר, שזה חשוב לקבוע אם אלגוריתם יכול לשמש כדי לסכם ממצאים קודמים באמצעות ערכת נתונים מלאה. באמצעות אלגוריתם חדש, שני משקיפים – אחד מנוסה ואחד לתקלה עם ניתוח perinexal (תשיג 1 ו- 2 תשיג, בהתאמה)-ניתחו תמונות מאותו מ הקודם מחקר6 שכלל 12 חולים שאובחנו עם פרפור פרוזדורים (AF) לפני הרקמה אוסף ומטופלים 29 זה לא היו קיימים AF (לא-AF). המשתמש מנוסים נמצא כי Wp היה רחב יותר משמעותית בחולים עם AF מאשר בלי AF (nm 21.9±2.5 ו- 18.4±2.0, בהתאמה, איור 9א). ערכים אלה עם פקטור התיקון מוחל דומים הללו שדווחו בעבר (24.4±2.2 nm ו 20.7±2.4 ננומטר, בהתאמה)6. חשוב, למשתמש לא מנוסה מצא הבדל משמעותי (22.1±2.8 nm ו 20.1±2.6 ננומטר, בהתאמה) בין מצבי מחלה עם התוכנית האוטומטית. בנוסף, סטיית התקן של הערכיםp W לא השתנו עם פקטור התיקון, המציין שסטיית התקן של 2-3 ננומטר הוא לא חפץ של האלגוריתם, אבל המבנה עצמו ועיבוד רקמה. תוצאות אלו מדגימים כי השיטה המוצעת האוטומטי הוא מסוגל recapitulating את התוצאות של מחקרים קודמים. חשוב, perinexus הוא מבנה הגדיר לאחרונה, אין הסכמה הושגה על טווח הערכים המוחלטים של ממברנה ההפרדה סמוך GJ2,3. מאז החיצוני-ממברנה-כדי–הממברנה החיצונית GJ רוחב הוערך בעבר ב 20 nm13, חיפשנו לקבוע את היעילות של האלגוריתם על ידי גם מדידת רוחב GJ. שני משקיפים מצאו שום הבדל משמעותי בין הפער צומת רוחבי (GJW) של חולים עם או בלי קיימים AF (איור 9ב’). ערכים מוחלטים GJW עבור AF וחולים -AF היו 20.5 ± 2.5 ננומטר, 20.3 ± 1.9 nm, בהתאמה, עבור המתבונן מנוסים ו ננומטר ± 3.1 21.0 20.0 nm ± 2.2 עבור המתבונן חסר ניסיון, הדומה מה שדווח קודם לכן. כדי לקבוע האלגוריתם אוטומטיות נדרש פחות זמן כדי לנתח נתונים מאשר פילוח ידנית, הן שהמשתמש מנוסה וחסרת הקליט את הזמן צריך לכמת אימונים 10-תמונה של הגדר (קובץ משלים S5). טבלה 1 מדגים כי המשתמש מנוסה וחסרת ירד זמן ניתוח על ידי 4.7 – ו 8.3 פי בהתאמה באמצעות האלגוריתם אוטומטיות ביחס הגישה פילוח ידנית, עם גידול כ 43-fold המרחבי רזולוציה לאורך perinexus. אלגוריתם לפתרון בעיות. השגיאה הנפוצה ביותר בעת הרצת האלגוריתם מתרחשת כאשר האמצע הסופי אינו מסתיים בקצה של התמונה. במקרים כאלה, לא מספיק נקודות נבחרו מן המפה נגזרות המרחבי, גורמת לתוכנית להיכשל ולייצר הודעת שגיאה ייעוץ למשתמש לבחור אזור חיתוך גדול יותר או להגדיל את סף נגזרות המרחבי. שרטוט תיבה יבול גדול יותר, תוכלו לשפר את המהימנות של התוכנית במקרים מסוימים כאשר משתנה נגזרות מרחבית באופן דרסטי ליד הקצוות של הדמות, אשר יכול לשבש את האלגוריתמים זיהוי pathfinding או קצה. זה גם אפשרי עבור אלגוריתם ה-pathfinding להיכשל לזהות כראוי את האמצע, גם אם האמצע מגיע לקצה של התמונה, במיוחד אם הסף הדרגתיות נמוך מדי (איור 2א). אם סף מעבר צבע מוגדרת גבוה מדי, יהיו יותר נקודות שאינן נחוצות שולבו האלגוריתם pathfinding (איור 2B), הפחתת יעילות חישובית. אם המשתמש אינו מסוגל לקבוע על הסף המתאים, מערך התמונה “GMag” (איור 2C), אשר נוצר על-ידי התוכנית, ניתן למצוא בסביבת העבודה, יכול לעזור למשתמש לקבוע את הסף. למצוא נקודות לאורך האמצע ולהגדיר את הסף מעט מעל שלהם ערך האינדקס כדי להבטיח שנקודות אלה נבחרו. בדוגמה הנתונה, סף המתאים יהיה מעל ~5.1 (איור 2C, להוסיף). נקודת ההתחלה עלולה להיכשל גם להגיע לתחילת perinexus (איור 2D). במקרה זה, הפעל מחדש את התוכנית והגדר את הערך ידני להתחיל ל- 1. אחרי האמצע היה מבודד, המשתמש בוחר נקודת בחוץ perinexus, נקודת האמצע הקרוב ביותר לצבע הפיקסל שנבחר (איור 2E, הכיכר האדומה) יוגדרו נקודת ההתחלה. התוצאה היא האמצע מלא (איור 2F). איור 1 : TEM תמונות עם תהליכים כמת. תהליך פילוח ידנית (א) מחייב את המשתמש לבצע מדידות intermembrane 12 בעת הערכת האמצע. תהליך אוטומטי (B) דורש מעקב ידני, רציף של החלוקה לרמות של perinexus. הנקודה האדומה בתמונה כל מייצג המשתמש מזוהה סוף ושחבר המושבעים הגדול ותחילת perinexus. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.  איור 2 : פתרון בעיות האמצע. שני ראשי מצבי כשל הזיהוי האמצע ופתרונות שלהם: כל תמונה מתויג בשם מערך ב- Matlab. אם הסף הדרגתיות היא גם נמוכה (א, סף 0.2) האלגוריתם האמצע יכול להיכשל. קביעת סף גבוה מדי (B, סף 70) יכולים להפחית את היעילות חישובית של האלגוריתם pathfinding. סף מעבר הצבע המתאים יכול להיקבע מן המערך GMag (C, להוסיף). אם האמצע לא יצליח להגיע לקצה מתחיל perinexus (ד), המשתמש יכול לבחור כדי לבחור באופן ידני את נקודת ההתחלה. לאחר “להתחיל נקודת” אפשרות מוגדר כ- 1 ב- GUI הפתיחה, המשתמש ואז בוחר של נקודת בחוץ perinexus של עניין (E). התוצאה הסופית צריכה להיות האמצע במדויק מתאר את מכלול של perinexus (נ). תוויות כל הצעות המחיר (A-F) תואמים את שמות המשתנים ב- Matlab. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 3 : מבחר Perinexus. כדי לחתוך את perinexus, לחץ-and-להחזיק לגרור תיבה מסביב (הכלי ‘ חיתוך ‘ מסומנת באופן אוטומטי) כפי שמוצג על ידי החץ הכחול. יכול להיות מותאם תיבת זו על-ידי שימוש הריבועים בצדדים ובפינות לעשות את זה גדול או קטן יותר. החץ הירוק מייצג את סוף perinexus, שבו המשתמש צריך לוודא נשאר “פתוח”. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 4 : התמונה טורי dilations. החלוקה לרמות בינארי הוא שוב ושוב מורחבים במרווחים של פיקסל אחד (י-ם) והוסיף בתמונה עובד (טופס שאינו בינארי של התמונה, E-H) לאחר כל התרחבות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 5: בידוד האמצע ו- pathfinding. נגזרת המרחבי מחושבת על פי התמונה הסופית של העבודה (א) ומשמש סדר הגודל של זה נגזרת המרחבי (ב) כדי לבודד את החלונית מיתאר ואת האמצע (החצים הלבנים). סף מוגדר-משתמש מזהה את קווי המתאר ותשואות האמצע ומחסר המתאר המקורית האמצע (D). עם זאת, מופיעים פערים האמצע כתוצאה הסף (D – הכנס). על מנת לייצר האמצע רציפה, התארכות משני מתבצע על האמצע מבודד (E), ואחריו שחיקה משני כדי להגביר את היעילות חישובית של אלגוריתם pathfinding הבאים. תמונה זו השחוקים (נ) אז בשילוב עם התמונה הסופית עבודה, המאפשר זיהוי האמצע, רציף אחד בעובי פיקסל (G – הכנס). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 6 : מצגת נתונים הסופי. התוכנית פלטי המתאר הסופי על גבי התמונה המקורית TEM (א). הקו הוא בצבע ירוק 0-150 nm, כחול עבור האזור על-ידי המשתמש של ריבית ו אדום מסמל האזור מעבר 150 ננומטר. בנוסף, התוכנית פלטי תרשים באופן דומה בצבעים המייצגים Wp כפונקציה של המרחק מן ההתחלה של perinexus ועבור האזור עניין (B), כמו גם ממוצע Wp (שיבוץ בגרף בהתאמה). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 7 : התארכות ליבה צורת ניתוח. צורות עבור התרחבות גרעינים (א): הכוכב באמצע מייצג את הפיקסלים מורחבים. תיבות לבנות הם פיקסלים מושפעות על ידי התרחבות, בצורת פלוס, X, תיבת או קו. Perinexus כ אופקי (ב’, בראש, עם קו אדום המציין 0°) היה לסובב בכיוון השעון מ- 0 180 ° בשלבים של 10° שוב ושוב מורחבים באמצעות הצורות ליבה שונים (B, התחתון). פלוס, קו-בצורת גרעינים לייצר תוצאות דומות, למרות הקרנל קו נכשלת בזמן כיוונים מסוימים, ואילו תיבת ו X-בצורת גרגירים את שלב על ידי 45 °. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 8 : תמונה תיקון כיוון. כדי הנכון האוריינטציה של התמונה, זווית הממוצע perinexus מחושבת על פי העמדות של ההתחלה – ואת הקצה – points (א, שמאל, ההתחלה והסוף של קו שחור). הטנגנס ההופכי של שינוי כיוון y (, שמאלה, ירוק קו) לחלק השינוי ב- x-כיוון (, שמאלה, אדום קו) את התשואות את תיקון זווית θ באמצעות (, שמאלה, צהוב). המטרה היא לתקן את הערך הממוצע שלp W כדי לתת את המרחק המינימלי בין הקצוות, ואז כאילו היה כבר צילמו את perinexus כ אופקית (משמאל, להלן). היישום של פקטור התיקון המתואר על ידי משוואה 1 הושווה ידנית סיבוב אחד של 15 תמונות שנבחרו באופן אקראי על ידי θ באמצעות מחושב לפני ניתוח. הערכים המתוקן חריפה בקורלציה עם הערכים תמונת-מסובב (R2 = 0.991, A, נכון), המציינת את משוואה 1 הוא גורם תיקון חוקי לאוריינטציה התמונה. לאשר שפקטור התיקון הוא המתאים, נוצרו שני מטוסי פאנטום של קצוות בצורה מושלמת-מקבילית עם מרחק ידוע ביניהם (B, משמאל). פנטום 1 ו- 2 פנטום יש החלטות המרחבי של פיקסלים 2.833 / מ מ. ו- 71.6 פיקסלים/פנימה, בהתאמה. כפי שמוצג על ידי יהלומים כחולים ריבועים אדומים ב’, נכון, האלגוריתם במדויק מחשבת רוחבן לרוחב 180 מעלות של סיבוב תמונה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. איור 9 : אלגוריתם הפארמצבטית. באמצעות תהליך אוטומטי עם התמונה כיוון תיקון, שני משקיף מנוסה וחסרת מצאו הבדלים משמעותיים בין AF לא-AF קבוצות (א), בקנה אחד עם מחקר קודם, זיהוי הבדל מזערי של 2.6 ננומטר. בנוסף, הצופה לא נמצא הבדל משמעותי ב- GJW (B). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת. ידני אוטומטי זמן – תשיג 1 (s) 205±11 44±14 זמן – תשיג 2 (s) 248±18 30±5 רזולוציה מרחבית (המידות/ננומטר) 0.08 3.45 טבלה 1: השוואה של תהליכים ידניים ואוטומטיים. שני משקיפים נדרש פחות זמן לכל תמונה לאתר את החלוקה לרמות יותר כדי לבצע את התהליך. פילוח ידנית עבור ערכת הדרכה תמונת-10. בנוסף, תהליך אוטומטי כולל גבוה יותר תדר הדגימה, הקלטה מדידות 3.45 לכל nm, לעומת ממוצע של מדידה 1 12.5 כל nm עבור תהליך ידני. ניתן למצוא תמונות ערכת הדרכה ב- S5 קובץ משלים, יחד עם קווי מתאר ומדידות כפי שבוצעה על-ידי משתמש מנוסה.

Discussion

האלגוריתם משתמש התמונה טורי dilations כדי לספור את מספר הפיקסלים בין שני קצוות מנוגדים 2D תמונה בינארי, אשר במקרה הזה הוא ההפרדה בין קרום של3,2,perinexus14. נגזרת המרחבי, אלגוריתם pathfinding משמשות לאחר מכן לבודד את האמצע, ולאחריו רצף התארכות ושחיקה משני כדי למלא פערים האמצע, הדומה מה היה בעבר15. האמצע ואז בשילוב עם התמונה התארכות הסופי-count כדי לייצג perinexal רוחב כפונקציה של המרחק מתחילת הפרדת קצה, במקרה זה סוף ושחבר המושבעים הגדול ותחילת ה perinexus16.

ארבעת הפרמטרים העיקריים הם על-ידי המשתמש ב- GUI בתחילת התוכנית:

  1. סף מעבר צבע
  2. סולם
  3. אזור של עניין טווח
  4. להתחיל את נקודת הבחירה בשיטה (אוטומטית או ידנית)

המנגנון הנפוץ ביותר של כישלון עבור האלגוריתם הוא הכישלון של האמצע להגיע לקצה של התמונה, אשר הוא איך נקודת הקצה של נקבעת עבור אלגוריתם ה-pathfinding. על מנת לתקן על נושא כזה, המשתמש יכול להגדיל את סף הדרגתיות שמתואר בשלב 3.3.1, אשר תגרום התוכנית לבחור יותר נקודות מחוץ לתמונה נגזרות המרחבי, אשר יגדיל את חישוב הזמן הנדרש על ידי האלגוריתם pathfinding. לכן, אלגוריתם זה מחייב פשרה בין מהירות חישוב ותקינות האמצע. חשוב לציין כי כל עוד כל הנקודות של האמצע מזוהים של הנגזרת המרחבי, יחד עם נקודת התחלה המתאים, יהיה הסף נגזרות מרחבית לא ישפיע על המדידה ההפרדה קצה.

כיוון תמונה מופיעה כדי להשפיע על התארכות ערכים, כי הקרנל dilates בשלבים 90 מעלות, אשר יכול להציג הודעת שגיאה אם הרוב של האזור של הריבית היא בזווית 45 מעלות כדי הצירים של התרחבות מטריצות. לכן, הרוזן התארכות לא ניתן תמיד ייצוג מדויק של הרווח בין הקצוות. מגבלה זו טופלה על ידי גורם תיקון טריגונומטריות, אך יכול להתעלם פוטנציאל אם כל התמונות ב- dataset מיושרים באותו הכיוון. יתר על כן, זהירות אמור לשמש לפרש תוצאות, ככל האפשר כי סעיף המטוסים אינם לגמרי בניצב שתי הממברנות. איור 9ב’, אנו משתמשים GJW להציע כי תמונות perinexus שלנו היו בתוך המטוס. . עדיין, זה הכרחי כי גודל מדגם להיות גדול מספיק לחשבון עבור כל הווריאציות אופטים בין תמונות. בנוסף, מידות רוחב perinexal שלנו אין לפרש כך שישקפו רווחים ויוו , אך גישה זו משמשת למדידת הבדלים רשע ברוחב perinexal ביחס המדינה התערבות או מחלה כלשהי.

האלגוריתם הנוכחי דורש גם קו מיתאר לאתר באופן ידני את הקצוות כקלט. חשוב לציין כי כל עוד היקף מוגדר כיאות, רזולוציה מרחבית אינה משפיעה על המידות של האלגוריתם, כפי שמתואר על ידי בדרגות שונות של תמונות באיור 6 תמונה ברזולוציה נמוכה נוספים ב משלימה קובץ S6. השלב הבא שיפור האלגוריתם הוא הסרת התערבות אנושית חלוקה לרמות לדור יחד עם כלי שבו ניתן לבחור את תחום העניין. תכונות אלה סביר לשפר את דיוק המדידה ולהפחית משתמש הטיה.

אלגוריתם יעיל שהמפתחות זה מספק שיטה מהירה יותר, הדורשים בערך חמישית את כח האדם, לכמת את perinexus עם אין עונש לזיהוי כדי הפארמצבטית בהשוואה לתהליך פילוח ידנית. בנוסף, תהליך ידני פילוח מנצל מדידה אחת בכל 15 ננומטר לכמת perinexal רוחב, אשר יכול להוביל תחת דגימה כמו הפרדת ממברנה perinexus יכול לשנות באופן משמעותי בתוך הטווח 15 ננומטר. לעומת זאת, התוכנית האוטומטית בעלת רזולוציה מרחבית שווה לזה של המודאליות הדמיה, במקרה זה 2.9 פיקסלים ננומטר לאורכו של perinexus, לכן מתן ממוצע לזהות יותר דק של רוחב perinexal.

בעוד יישומים בתחום של ביולוגיה מבנית הלב הם מבטיחים ומרגש, השימושים של אלגוריתם זה שאינך מוגבל לתמונות TEM. כל שדה הדורשים מדידה מדויקים, ברזולוציה גבוהה של שני קצוות 2D ומעין מקבילה יכול לעשות שימוש באלגוריתם זה. האלגוריתם יכול לשמש כדי לעקוב אחרי כל דבר riverbank שחיקה, הצפה דפוסי מתמונות לווין לפיתוח כלי הדם עם מיקרוסקופ brightfield או פלורסנט. אחד היישומים פוטנציאליים המבטיחים ביותר היא בתחום קרדיולוגיה ומדידת שבריר פליטה חדרית (EF) עם אקו לב בשלב של טיפול. כיום, טכניקה סטנדרטית היא השיטה כנפי של דיסקים17, למרות אלגוריתם חדש, AutoEF, הוא כיום חוד החנית לכימות EF שיטת18,19. כנפי בשיטה של דיסקים, תא הנדון נמצא במעקב ידני, לכמת בשיטה שונה של משפחת סימפסון, לפיה ששכיחותו מחושב באופן אוטומטי על-ידי הסיכום של דיסקים אליפטית מוערמים. המגבלה העיקרית בשיטה זו היא כי זה יכול להחזיר רק שטח חתך הרוחב של התא הרצוי, עם רזולוציה לא כדי לזהות אזורים ספציפיים של עניין, גם דורש קלט האדם ניכר ומומחיות. שיטת חדשה יותר, AutoEF, מזהה מתווה את הקצה של הנוזלים באמצעות אלגוריתם speckling 2D ולאחר מכן מחשבת את האזור חתך הרוחב חדרית. תהליך זה, בעוד מדויקת ויעילה למדידת שטח ברוטו חדרית, גם יש מגבלה הגלום דומה של רק מדידת שטח חתך הרוחב. החיסרון העיקרי זה מגביל יכולות clinicians’ אבחון וטיפול. לעומת זאת, האלגוריתם שהוצג בכתב היד ניתן לזהות את קו האמצע ויש לו רזולוציה שווה הרזולוציה של המודאליות הדמיה לאתר אזורים ספציפיים של עניין. זה חשוב כי סורקי אולטראסאונד עם רזולוציה מרחבית מיקרומטר הינם זמינים מסחרית20,21, רומז כי אלגוריתם זה יכול לאתר את הקיר מקומי העיוותים תנועה ברזולוציה של מיקרומטר במקום בסנטימטרים. בעת יישום זה צריך לאמת ניסיוניים, זה אחד היישומים מבטיח באופן מיידי של אלגוריתם זה. למעשה, זה בקלות יכול להיות משולב עם חודרני יכולות של AutoEF מעקב או עקבות ידנית מנוצל planimetry ידנית לספק רזולוציה גבוהה יותר מידע במקביל עם נתונים EF קונבנציונלי.

כמו רב תכליתי וישימים כפי האלגוריתם הנוכחי, היא פותחה עבור תמונות דו-ממד. עם זאת, כפי טכנולוגיות הדמיה להמשיך ולשפר, יש לדרישה גוברת לטכנולוגיות כימות D 3 ו 4. לכן, כדלהלן של האלגוריתם הוא להתאים אותה גישה באופן סדרתי להרחבת תמונה בינארי, על עצם תלת-ממדי, שבו מגדיר באופן אוטומטי את האמצע נמצא כעת מעבר ליכולתן של תוכניות הדמיה הנוכחי. אלגוריתם כזה שיהיה יישומים רחב הן מבחינה רפואית והן מבחינה השפעול בשדה הלב לבד, כולל22,echocardiograms לב תלת-ממד23, 3D מיקרוסקופ אלקטרונים24,25, 26, דימות27,28,29תהודה מגנטית תלת-ממד.

Disclosures

The authors have nothing to disclose.

Acknowledgements

המחברים רוצה להודות קטי לאו-וירג’יניה-מרילנד במכללה לרפואה וטרינרית עבור עיבוד וצביעת דגימות TEM.
מימון:
המכונים הלאומיים לבריאות R01-HL102298
המכונים הלאומיים לבריאות F31-HL140873-01

Materials

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

References

  1. Rhett, J. M., Gourdie, R. G. The perinexus: a new feature of Cx43 gap junction organization. Heart Rhythm. 9 (4), 619-623 (2012).
  2. Veeraraghavan, R., et al. Sodium channels in the Cx43 gap junction perinexus may constitute a cardiac ephapse: an experimental and modeling study. Pflugers Archiv: European Journal of Physiology. , (2015).
  3. George, S. A., et al. Extracellular sodium dependence of the conduction velocity-calcium relationship: evidence of ephaptic self-attenuation. American Journal of Physiology – Heart and Circulatory Physiology. 310 (9), 1129-1139 (2016).
  4. Veeraraghavan, R., et al. Potassium channels in the Cx43 gap junction perinexus modulate ephaptic coupling: an experimental and modeling study. Pflugers Archiv: European Journal of Physiology. , (2016).
  5. Rhett, J. M., et al. Cx43 associates with Na(v)1.5 in the cardiomyocyte perinexus. Journal of Membrane Biology. 245 (7), 411-422 (2012).
  6. Raisch, T. B., et al. Intercalated Disc Extracellular Nanodomain Expansion in Patients with Atrial Fibrillation. Frontiers in Physiology. , (2018).
  7. Yan, J., et al. Novel methods of automated quantification of gap junction distribution and interstitial collagen quantity from animal and human atrial tissue sections. PLoS One. 9 (8), 104357 (2014).
  8. Papari, G., Petkov, N. Adaptive pseudo dilation for gestalt edge grouping and contour detection. IEEE Transactions on Image Processing. 17 (10), 1950-1962 (2008).
  9. George, S. A., et al. Extracellular sodium and potassium levels modulate cardiac conduction in mice heterozygous null for the Connexin43 gene. Pflugers Archiv: European Journal of Physiology. , (2015).
  10. Revel, J. P., Karnovsky, M. J. Hexagonal array of subunits in intercellular junctions of the mouse heart and liver. Journal of Cell Biology. 33 (3), 7-12 (1967).
  11. Huttner, I., Boutet, M., More, R. H. Gap junctions in arterial endothelium. Journal of Cell Biology. 57 (1), 247-252 (1973).
  12. Makowski, L., et al. Gap junction structures. II. Analysis of the x-ray diffraction data. Journal of Cell Biology. 74 (2), 629-645 (1977).
  13. Entz, M., et al. Heart Rate and Extracellular Sodium and Potassium Modulation of Gap Junction Mediated Conduction in Guinea Pigs. Frontiers in Physiology. 7, 16 (2016).
  14. Sild, M., Chatelain, R. P., Ruthazer, E. S. Improved method for the quantification of motility in glia and other morphologically complex cells. Neural Plasticity. 2013, 853727 (2013).
  15. Rhett, J. M., et al. The perinexus: Sign-post on the path to a new model of cardiac conduction. Trends in Cardiovascular Medicine. , (2013).
  16. Lang, R. M., et al. Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging. Journal of the American Society of Echocardiography. 28 (1), 1-39 (2015).
  17. Kawai, J., et al. Left ventricular volume and ejection fraction by the axius auto ejection fraction method: comparison with manual trace method and visual assessment of ejection fraction. Journal of Cardiology. 49 (3), 125-134 (2007).
  18. Frederiksen, C. A., et al. Clinical utility of semi-automated estimation of ejection fraction at the point-of-care. Heart, Lung and Vessels. 7 (3), 208-216 (2015).
  19. Foster, F. S., et al. A new ultrasound instrument for in vivo microimaging of mice. Ultrasound in Medicine and Biology. 28 (9), 1165-1172 (2002).
  20. Moran, C. M., et al. A comparison of the imaging performance of high resolution ultrasound scanners for preclinical imaging. Ultrasound in Medicine and Biology. 37 (3), 493-501 (2011).
  21. Papademetris, X., et al. Estimation of 3D left ventricular deformation from echocardiography. Medical Image Analysis. 5 (1), 17-28 (2001).
  22. Hosny, A., et al. Unlocking vendor-specific tags: Three-dimensional printing of echocardiographic data sets. Journal of Thoracic Cardiovascular Surgery. 155 (1), 143-145 (2018).
  23. Cretoiu, D., et al. Human cardiac telocytes: 3D imaging by FIB-SEM tomography. Journal of Cellular and Molecular Medicine. 18 (11), 2157-2164 (2014).
  24. Risi, C., et al. Ca(2+)-induced movement of tropomyosin on native cardiac thin filaments revealed by cryoelectron microscopy. Proceedings of the National Academy of Sciences of the United States of America. 114 (26), 6782-6787 (2017).
  25. Dhindwal, S., et al. A cryo-EM-based model of phosphorylation- and FKBP12.6-mediated allosterism of the cardiac ryanodine receptor. Science Signaling. 10 (480), (2017).
  26. Reddy, V. Y., et al. Integration of cardiac magnetic resonance imaging with three-dimensional electroanatomic mapping to guide left ventricular catheter manipulation: feasibility in a porcine model of healed myocardial infarction. Journal of the American College of Cardiology. 44 (11), 2202-2213 (2004).
  27. van Heeswijk, R. B., et al. Three-Dimensional Self-Navigated T2 Mapping for the Detection of Acute Cellular Rejection After Orthotopic Heart Transplantation. Transplant Direct. 3 (4), 149 (2017).
  28. Valinoti, M., et al. 3D patient-specific models for left atrium characterization to support ablation in atrial fibrillation patients. Magnetic Resonance Imaging. 45, 51-57 (2018).

Play Video

Cite This Article
Raisch, T., Khan, M., Poelzing, S. Quantifying Intermembrane Distances with Serial Image Dilations. J. Vis. Exp. (139), e58311, doi:10.3791/58311 (2018).

View Video