Expedited Radiation Biodosimetry by Automated Dicentric Chromosome Identification (ADCI) and Dose Estimation

Ben Shirley; Yanxin Li; Joan H.M. Knoll; Peter K. Rogan

doi:10.3791/56245

JoVE Journal > Genetics

Please note that all translations are automatically generated. Click here for the English version.

Genetik

自动 Dicentric 染色体识别 (ADCI) 和剂量估计加速辐射剂量

Published: September 04, 2017

doi:

10.3791/56245

Ben Shirley*¹, Yanxin Li*¹, Joan H.M. Knoll^1,2, Peter K. Rogan^1,3

¹CytoGnomix Inc., ²Department of Pathology and Laboratory Medicine,Western University, ³Department of Biochemistry,Western University

Özet

细胞遗传学 dicentric 染色体 (DC) 检测量化暴露于电离辐射。自动 Dicentric 染色体标识符和剂量估计软件准确快速地估计了中期细胞中 DCs 的生物剂量。它区别 monocentric 染色体和其他对象从 dcs, 并且估计生物辐射剂量从 dcs 的频率。

Abstract

生物辐射剂量可从中期细胞的 dicentric 染色体频率估计。执行这些细胞遗传学 dicentric 染色体检测传统上是一个手册, labor-intensive 过程不太适合处理的样本量可能需要检查后, 大规模伤亡事件。自动 Dicentric 染色体标识符和剂量估计器 (ADCI) 软件自动化这一过程, 通过检查一套中期图像使用机器学习图像处理技术。该软件通过删除不合适的图像来选择合适的图像进行分析, 将每个对象归类为含有丝的染色体或 non-chromosome, 进一步区分染色体为 monocentric 染色体 (MCs) 或 dicentric染色体 (DCs), 确定一个样本中的直流频率, 并估计的生物辐射剂量比较采样直流频率与校准曲线计算使用校准样本。本协议描述了 ADCI 软件的使用。通常, 两个校准 (已知剂量) 和测试 (未知剂量) 的中期图像的设置, 以执行准确的剂量估计。最佳的分析图像可以通过预设的图像过滤器自动找到, 也可以通过人工检查进行过滤。该软件处理每个样本中的图像和 dc 频率在不同级别的严格计算调用 DCs, 使用机器学习方法。在已知物理剂量的标定样品中, 根据直流频率生成线性二次校准曲线。使用这些校准曲线, 从其直流频率估计暴露于不确定辐射水平的试样剂量。报告可以根据请求生成, 并提供一个或多个样本的结果汇总, 一个或多个校准曲线, 或剂量估计。

Introduction

辐射剂量使用生物标记, 主要是染色体畸变, 如 dicentric 染色体 (DCs) 和染色体易位, 以测量个人接触到的辐射剂量。由于个体间的变异性, 生物吸收剂量可能与仪器测量的物理剂量不同。同样地, 某种物理剂量的辐射也会因潜在的生理或环境条件而产生不同的生物暴露。对生物剂量的认识对于诊断和治疗都特别重要。

DC 化验是世界卫生组织 (世卫组织) 和国际原子能机构 (原子能机构) 的金标准, 用于评估人体内的生物辐射暴露情况。这是原子能机构和世卫组织对辐射剂量评估所建议的第一次化验。在辐射照射后约4周内, dc 频率相对稳定, 与发射辐射剂量的定量相关性比较准确, 使 DCs 成为理想的生物标志物.辐射剂量 (被引用在灰色的单位) 和 dc 频率 (被引用为每个单元的 dc 数) 之间的关系可以表示为线性二次函数。

细胞遗传学 DC 检测已成为行业标准约55年²。它已经手动执行, 需要 1-2 天的时间来分析显微镜数据从一个单一的血液样本。根据剂量³的不同, 需要几百到几千个图像来准确估计辐射照射。在超过1的剂量时, 原子能机构建议至少检测 100 dc。检查 250-500 中期图像是常见的做法在剂量细胞遗传学实验室。对于具有曝光度和 #60 的样品, 由于 DC 形成的概率较低, 建议使用1的 3000-5000 图像。无论哪种情况, 这都是一项劳动密集的任务。

细胞遗传学剂量实验室创建自己的在体外辐射剂量校准曲线之前, 评估生物剂量的测试样本。血液样本从正常, 控制个体暴露在辐射和淋巴细胞, 然后培养和准备中期染色体分析。使用这些样本, 收到的生物剂量校准到已知的物理剂量的标准辐射源发射。在中期细胞图像记录后, 专家检查图像, 计数 DCs 和计算每个样本的直流频率。通过将线性二次曲线拟合为所有剂量的直流频率来建立校准曲线。然后, 通过将直流频率与曲线上的校准剂量匹配, 或者在相应的线性二次型公式中指定它们, 可以推断出来自个人的测试样本的曝光。

我们已经自动化的检测 DCs 和剂量的决心, 以加快这一程序使用软件。自动 Dicentric 染色体标识符和剂量估计器 (ADCI) 使用机器学习图像处理技术, 以检测和鉴别 Dicentric 染色体 (DCs) 从 monocentric 染色体 (MCs) 和其他对象和自动化辐射剂量估计。该软件旨在大大减少或消除手动验证 DC 计数的必要性, 并通过自动化加速剂量估计。它是在加拿大卫生部 (HC) 和加拿大核实验室 (CNL) 的参考剂量实验室的参与下开发的。他们的反馈将确保业绩将继续符合原子能机构对这种化验的标准。

该软件执行以下功能: 1) 过滤 DCs 和选择最佳中期细胞图像进行分析, 2) 染色体识别, dc 检测, 和直流频率测定, 和 3) 估计辐射剂量的剂量校准,细胞遗传学辐射数据。该软件处理来自同一个体的中期图像组 (称为样本), 使用图像处理技术计算各区的 dc 数, 并返回每个样本在灰度单位接收的估计辐射剂量。

该软件被设计来处理一系列的染色体结构, 计数和密度。然而, 该算法的最佳表现在中期图像中包含一个近乎完整的补充分离, 线性染色体⁴。图像含有高度重叠的染色体组、多细胞、不完全中期细胞、姊妹染色单体分离、细胞核、non-chromosomal 物体等缺陷, 可降低算法的准确度。专用的图像选择模型和其他目标分割阈值可以滤除大多数的次优图像和伪正则 dc。

Dicentric 染色体检测是在处理图像时进行的。该算法试图确定图像中的哪些对象是染色体, 然后找到最有可能在每个染色体上丝的两个区域。然后, 一系列不同的支持向量机 (SVM) 学习模型将染色体区分为 DCs 或正常的、monocentric 的染色体。支持向量机模型在 dc 检测的灵敏度和特异性上有不同 (见下面的步骤 3.1.4), 这会影响在样本中确定的直流频率。

ADCI 处理一套姬姆萨 (或 DAPI) 染色中期数字图像 (TIFF 或 JPG 格式) 的一个或多个样本。该软件在校准样本和测试样本中分析 DCs。校准样品的物理剂量是已知的, 并用于校准曲线的生成。该软件从机器生成的校准曲线中推断出具有未知暴露的个体的物理和生物剂量。尽管实验室使用可比技术, 但来自不同实验室的校准曲线通常会有所不同³。在测试样品中, 应对同一实验室的校准曲线和测试样本进行精确的剂量估计。

该软件提供了速度、准确性和可伸缩性, 它解决了处理事件所需的生产率, 其中许多人必须同时进行测试。它被开发了从 2008年-2017⁴^,⁵,⁶^,7^,⁸^,⁹^,¹⁰^,¹¹^,¹² ^,¹³。使用最近的计算机硬件, 此桌面PC 软件可以处理和估计的辐射剂量在500中期基因组等效的 10-20 min ⁴的病人样本。该代码是基于一组专有的图像分割和机器学习算法的染色体分析。专家分析的每一个染色体暴露于3辐射给出了相当的准确性 ADCI。在一套6样本的未知曝光 (以前用于国际熟练程度的演习), 软件估计剂量在 0.5, 通过手工审查相同的数据, 由 HC 和 CNL, 满足国际原子能机构的要求会审剂量.此外, 实验室标准化和最终重现剂量估计受益于有一个共同的, 自动 DC 评分算法。然而, 该软件允许定制的图像过滤和选择标准, 使不同的染色体制备方法和辐射校准源要考虑。

该软件是一个基于图形用户界面 (GUI) 的系统, 它分析了含有姬姆萨 (或 DAPI) 染色的中期细胞的染色体图像的集合, 因为电离辐射造成的异常。图像集用光 (或 epifluorescent) 显微镜系统进行数字拍摄, 每组都对应不同的样本。该软件利用图像处理技术, 从 MCs 和其他对象中检测和鉴别 DCs。经验派生的分割过滤器, 然后自动消除假阳性 dcs, 而不影响真正的 dcs。最后, 软件根据不同的图像属性自动过滤出不良图像, 发现算 (或用户指定的) 图像选择模型的低质量中期图像。这些图像包括含有过量或不足的 “嘈杂” 对象、多重重叠的染色体、缺乏中期染色体的图像、过多的姐妹染色⁴。自动策划的图像数据用于生成已知辐射剂量样本的剂量校准曲线, 用于估计暴露于未知剂量的试验样品的暴露情况。

该软件的输出可以查看并保存为: 1) 基于文本的输出在控制台, 2) 图可以保存为图像, 和 3) 的 HTML 格式的报告。软件的许多方面都是可定制的, 以适应不同实验室的特殊需要。个别实验室通常提供的校准和测试样本的准备和收集的基础上的细胞遗传学的协议在该实验室验证。这保持了样品制备的均匀性, 并允许从校准样品中生成的校准曲线有意义地应用于使用同一协议导出的测试样本。校准曲线也可以创建从曲线系数或直流频率的定义剂量。通过滤除质量较低的图像和伪正 dc (FPs), 得到最准确的剂量估计。每个样本中的最佳图像子集的选择是通过使用 “图像选择模型” 来完成的, 它可以消除那些倾向于引入 FPs 的图像。软件中包含了一系列的 pre-validated 模型, 但是用户可以创建和保存具有自定义阈值和筛选器的附加模型。

软件成功加载后, 将显示主图形用户界面 (GUI) (请参见图 1)。从这个界面, 每个样本, 包括一个中期细胞图像文件的文件夹, 可以选择和处理, 以确定 DCs, 可以创建和比较的校准曲线, 和辐射照射剂量的样品可以确定。

图 1:图形用户界面的主要扇区包括:示例列表(1)、校准曲线(2)列表、进程队列(3), 它监视每个示例的每组图像中的 DC 检测状态, 一个情节显示(4), 它汇总了样本或校准曲线中一组图像的统计或其他定量属性, 以及一个控制台(5) , 其中包含作为程序执行的每个操作的输出的描述性文本。请单击此处查看此图的较大版本.

Protocol

1. 导入和处理示例单击和 #39; 示例和 #39; 在菜单栏中选择和 #39; 新的示例和 #39; 。浏览到包含一组中期图像的适当目录, 然后单击 #39; 选择文件夹和 #39; . 在和 #39 中键入示例的唯一 id; 为新的示例和 #39 指定唯一 id; 文本字段。此 ID 将标识工作区中的示例。示例 id 必须包含字母数字、#39、_ 和 #39、或 #39; #39; 字符。在样本 ID 中包含源实验室和物理剂量 (用于校准样本) 是已知的. (可选) 提供示例的说明 (如果需要), 请在和 #39;D 示例 (可选) 和 #39 的 escription; 文本区域单击和 #39; 确定和 #39; 将新示例添加到工作区. 重复步骤1.1 到1.4 以添加其他示例。创建至少3校准样本 (七或更多建议的 3 ) 不同的曝光量和最少一个测试样本来执行剂量估计. 突出显示在和 #39 中的步骤1.1 到1.5 中创建的所有示例; 示例和 #39; 列出并单击和 #39; 添加用于处理队列和 #39 的示例; ()图标. 单击和 #39;P 工艺队列中的所有示例, 并 #39; () 图标以依次处理队列中的所有示例- 和 #39; ADCI 处理和 #39; 对话框将显示包含队列中的所有示例以及进度栏. 当所有示例都完成处理后, 单击。请立即保存示例, 或单击和 #39; 将已处理的示例保存到 ADCI 示例文件和 #39; () 图标, 以便以后保存已处理的示例. 2. 图像的查看和选择 (可选, 推荐步骤) 注意: 此步骤描述中期图像查看器的使用和图像选择模型的创建。软件中包含了一些验证的图像选择模型, 可用于标定曲线的生成和剂量估计。因此, 不需要此步骤, 但可以将其用作指南, 说明在需要时执行此操作所需的步骤. 在和 #39 中突出显示示例; 示例和 #39; 列表中, 单击和 #39; 示例和 #39; 在菜单栏中, 选择和 #39; 图像视图和 #39; 以打开和 #39; 中期图像查看器和 #39; . 在图像之间导航从下拉框中选择图像以查看特定图像。单击向左和向右箭头图标可滚动图像. 从下拉框中选择 SVM 西格玛值以查看该西格玛值的 DC 检测结果。选择和 #34; 未加工和 #34; 从下拉框中查看没有染色体轮廓的原始图像. 检查和 #39; 反转和 #39; 复选框以反转图像中每个像素的颜色和亮度值. 检查和 #39; 监视列表中的图像和 #39; 复选框将可见图像添加到和 #39; 监视列表和 #39; 。单击和 #39; 将监视列表保存到文本文件和 #39; () 图标, 将监视列表中所有图像的名称保存到文本文件中. 图像选择模型单击和 #39; 查看所有图像和 #39; (默认选择) 以包括 “图像选择” 下拉框中的所有图像。观察与和 #39 相邻的文本; 包括图像和 #39; 以发现当前应用的图像选择模型所选择的图像的分数. 单击和 #39; 查看包含的图像和 #39; 只包含这些图像, 这些图片在下拉框中的图像选择模型中没有被排除. 单击和 #39; 查看排除的图像和 #39; 要包括已被应用的图像选择模型排除在下拉框中的图像. 检查和 #39; 排除和 #39; 复选框以手动排除单个图像. 注意: 如果随后应用了图像选择模型, 则将手动排除的图像还原到所选图像集. 通过单击和 #39 保存选定的图像; 保存选择和 #39; 按钮。在提示时输入所保存的选定内容的文件名。单击 #39; 加载选择和 #39; 以应用以前保存的选定内容. 单击和 #39; 应用图像过滤器和 #39; 打开和 #39; 将基于图像选择模型应用于当前的采样和 #39; 对话框, 用于创建、保存或应用在示例中选择中期图像的条件. 从填充列表中选择一个图像选择模型。单击 #39; 确定和 #39; 应用当前模型. 输入所需的新模型的说明, 定义和 #39; 图像排除筛选器和 #39; , 定义和 #39; 图像排序和包含和 #39; , 然后单击和 #39; 保存选择模型和 #39; 以创建图像选择模型. 注意: 和 #39 的定义; 图像排序和包含和 #39; 方法和每个和 #39; 图像排除筛选器和 #39; 可在软件联机文档 14 中找到。 3。曲线生成 (推荐的可选步骤) 曲线校准向导确保在工作区中至少存在三校准示例, 然后再继续。单击菜单栏中的 #39; 向导和 #39; , 然后选择和 #39; 曲线校准和 #39; 以打开 “曲线校准向导”. 注: 虽然只有三样本是数学要求, 以适应和计算一个校准曲线, 七或更多的样本跨越范围的曝光率之间的0和5的建议。额外的样本是必要的, 以适应线性二次剂量反应的校准曲线, 但最佳西格玛值可能较低, 以获得曲线, 可用于低剂量估计 (和 #60; 1);在这个阈值以上的剂量的最佳西格玛值是不同的 (参见步骤 3.1.4). 继续进行介绍向导屏幕, 并在每个所需的校准示例旁边放置一个复选标记。对于以这种方式选择的每个校准样本, 请指定样本在其相邻文本字段中所暴露的物理剂量 (以)。继续执行下一个向导屏幕. 如果需要从包含与软件捆绑在一起的预设图像选择模型的模型列表中选择一个图像选择模型, 除了任何手动创建的模型。继续执行下一个向导屏幕. 从下拉框中选择 SVM 西格玛值。继续执行下一个向导屏幕 . 注: 推荐的 SVM 西格玛值为1.4 或 1.5, 用于剂量估计和 #62; 1, 值为 1.0, 低于 1 ( 图 2 ). 查看摘要屏幕上的所有以前的选择, 然后单击和 #39; 完成和 #39; 完成向导, 导致 prepopulated 和 #39; 创建曲线和 #39; 对话框显示. 图 2: 更改 SVM 西格玛值效果的可视化从真实正 (TP) 和假正 (FP) DC 计数的算法, 阳性预测 Calue () 和真阳性率 (TPR). 请单击此处查看此图的较大版本. 创建一个曲线对话框。 (如果使用向导, 请跳过此步骤) 单击菜单栏中的和 #39; 曲线和 #39; , 然后选择和 #39; 新曲线和 #39; 。从对话框中显示的下拉方框中选择 #39; 拟合曲线到剂量响应数据和 #39; , 然后单击和 #39; 确定和 #39; . 为和 #39 中的曲线指定唯一标识; 为新曲线和 #39 指定唯一标识; 和 #39 中的文本框; 创建曲线和 #39; 对话框。 (可选) 在和 #39 中键入新曲线的说明; 添加要创建的曲线的简要说明和 #39; 文本框. (如果使用曲线向导创建校准曲线, 请跳过以下步骤) 设置曲线值. 注意: 3.1 步中描述的曲线校准向导在和 #39 中预设字段; 创建曲线和 #39; 对话框。下面的步骤描述了如何手动填充这些字段。如果使用了向导, 则在需要时仍然可以遵循以下步骤来添加或删除其他数据。从 & #39; 支持向量机和 #39; 下拉框中选择 svm 西格玛值-强烈建议此处选择的西格玛值与使用此曲线执行剂量估计时选择的西格玛值相匹配. (可选) 通过单击和 #39 指定图像选择模型; 指定文件和 #39; 按钮. 单击和 #39; 输入和 #39; 在标题和 #39 下的剂量响应列表中添加新的空白项; 输入响应-剂量数据创建曲线和 #39;… 在标题下输入校准样本的剂量和 #39;D 的 #39; 输入和 #39; 响应 (DC/单元) 和 #39; 在突出显示示例时从控制台中的示例输出中绘制。在控制台中或相应的示例报告中找到以前选定的 SVM 西格玛值的相应 DC/单元值 (如果可用), 并在此字段中输入它. 重复前面的三步骤, 直到添加了所有校准示例. 按和 #39; 验证数据和 #39; 以确保响应剂量列表的内容格式正确并 #8211; 验证响应剂量列表中的所有字段都突出显示为绿色, 表示有效数据. 按和 #39; 确定和 #39; 以完成曲线的创建。在和 #39 中保存新曲线, 保存曲线 #39; 对话框, 在按下和 #39; 确定和 #39; 。或者单击 #39; 将曲线保存到 ADCI 曲线文件和 #39; () 图标在和 #39 中突出显示; 曲线和 #39; 列表。 4。剂量估计 (推荐的可选步骤) 剂量估计向导单击和 #39; 向导和 #39; 在菜单栏中选择和 #39;D 估计和 #39; 。继续执行介绍性向导屏幕, 并从下拉框中选择以前创建的校准曲线-它的属性将显示在下面。继续执行下一个向导屏幕. 在未知暴露的测试样本旁边放置一个复选标记, 以将它们包括在剂量估计中。继续执行下一个向导屏幕. 观察在校准曲线生成过程中应用的图像选择模型的描述和属性。观察将相同的图像选择模型应用于所选的测试样本。继续执行下一个向导屏幕. 注意: 在图像选择模型的描述下, 相同的模型是填充的, 并将应用于选择测试样本。将相同的图像选择模型应用于校准和测试样本。虽然可以通过从下拉列表中选择不同的模型来应用不同的图像选择模型, 但建议不要这样做. 从下拉列表中选择 SVM 西格玛值。继续执行下一个向导屏幕. 注意: 在校准曲线生成过程中使用的 SVM 西格玛值是填充的。建议此值保持不变. 查看摘要屏幕上的上一个选项, 然后单击和 #39; 完成和 #39; 完成向导-填充和 #39;D 计算机和 #39; 对话框将出现. 剂量计算器 (如果使用向导则跳过此步骤) 在标题和 #39 下的曲线列表中突出显示校准曲线; 曲线和 #39;, 单击和 #39; 曲线和 #39; 在菜单栏中, 然后选择 #39; 计算剂量和 #39; 打开和 #39;D 计算机和 #39; 对话框。 (如果使用向导, 请跳过这些步骤) 设置剂量估计值. 注意: 预设步骤4.1 中描述的 “剂量估计向导” 在和 #39;D 计算器和 #39; 对话框中。下面的步骤描述了如何手动填充这些字段。如果使用了向导, 则在需要时仍然可以遵循以下步骤来添加或删除其他数据。单击并 #39; 在工作区中使用示例来填充 DC 频率和 #39; () 图标并突出显示和 #39 中的测试示例; ADCI 中的已处理示例工作区和 #39; 列表将选定的示例添加到 #39; 用于剂量估计的 DC 频率和 #39; 列表. 从下拉框中为这些示例选择 SVM 西格玛值和图像选择模型. 注: 用于精确剂量估计的 SVM 西格玛值与用于校准曲线生成的西格玛值相匹配。与校准曲线相关的西格玛值列在 #39;D 计算器和 #39; 对话框的底部. (可选) 通过重复前面的两个步骤来添加其他测试示例。或者, 通过突出显示和 #39;P 工作区和 #39 中的 rocessed 示例中的多个示例, 同时添加多个示例; 列表. (可选) 单击和 #39; 输入 DC 频率值和 #39; () 图标手动输入 Dc 频率不与任何样品相关, 如果需要, 新的直流频率将被添加到和 #39;D c 像差的剂量估计和 #39; 列表. (可选) 双击和 #39; 名称和 #39; 手动输入的直流频率的字段以修改其名称. (可选) 突出显示适当的示例并单击和 #39; 删除 DC 频率和 #39; () 图标可删除已添加到和 #39;D c 的示例剂量估计和 #39 的像差; 错误列表. 单击和 #39; 确定 #39; 关闭和 #39;D 计算器和 #39; 并执行剂量估计-结果将输出到控制台. 作为剂量估计结果以表格形式显示在控制台中的每个测试样本, 观察和 #39;D c 频率和 #39; , 和 #39; SVM 和 #39; , 和 #39; 估计剂量和 #39; (包含估计的测试样本的生物剂量) 和 #39; 应用图像选择模型和 #39; 字段. 5。报告注意: 用于命名报表并选择保存它的目录的方法对所有报表类型都是通用的。必须提供和 #39; 报表名称和 #39; 。生成报表时, 将自动使用此名称创建包含报表文件的目录。此目录将放在和 #39; 报表文件夹和 #39; 。默认情况下, #39; 报表文件夹和 #39; 是一个名为 & #39; 报告和 #39; 在安装过程中指定的数据目录中找到的目录. 示例报告单击和 #39; 报告和 #39; 在菜单栏中选择和 #39; 示例报告和 #39; 打开和 #39; 生成示例报告和 #39; 对话框。在和 #39 中输入报表的名称; 报告名称和 #39; 文本字段。单击和 #39; 浏览和 #39; 如果需要, 修改和 #39; 报告文件夹和 #39; . 通过在和 #39 中的适当示例旁边放置复选标记, 选择至少一个已处理的示例以包括在报表中; 选择 “示例和 #39; 列表” 指定支持向量机西格玛值的范围, 通过选择和 #39 中的值来生成 DC 分布图; 最小和 #39; 和和 #39; 最大和 #39; 和 #39 中的下拉框;D 在采样和 #39 中的 DCs 分发; 区域。如果需要, 请通过取消和 #39; 包含和 #39; 复选框在 “示例和 #39” 区域中的和 #39;D 分发中, 排除 dc 分发区. 通过将标记放置在和 #39 中的适当图形旁边, 指定包含筛选统计信息的图形. 选择图形和 #39; 区域。单击 #39; 确定和 #39; 生成报表. 曲线报告单击和 #39; 报告和 #39; 在菜单栏中选择和 #39; 曲线报告和 #39; 打开和 #39; 生成曲线报告和 #39; 对话框。在和 #39 中输入报表的名称; 报告名称和 #39; 文本字段。单击 #39; 浏览和 #39; 如果需要, 修改和 #39; 报告文件夹和 #39; 。通过在和 #39 中的相应曲线旁放置一个复选标记, 选择至少一个要包括在报表中的曲线; 选择要包括在报表和 #39 中的曲线; 列表。单击 #39; 确定和 #39; 生成报表. 剂量估计报告执行4节中描述的剂量估计步骤. 注: 剂量估计报告是从结果显示在情节和控制台地区。因此, 在生成报告时, 必须在绘图区中存在剂量估计图. 单击和 #39; 报告和 #39; 在菜单栏中选择和 #39;D 估计报告和 #39; 打开和 #39; 生成剂量估计报告和 #39; 对话框。在和 #39 中输入报表的名称; 报告名称和 #39; 文本字段。单击 #39; 浏览和 #39; 如果需要, 修改和 #39; 报告文件夹和 #39; 。单击和 #39; 确定和 #39; 生成报表. 6。审核功能注意: 软件记录在日志文件中的会话期间执行的所有操作。该程序提供了一个辅助软件应用程序, 使日志文件能够被查看、搜索、用于评估分析的完整性, 在某些情况下, 可以从不完整或过早终止的会话中恢复示例数据. 单击菜单栏中的和 #39; 帮助和 #39; , 然后选择和 #39; 查看日志和 #39; 打开日志文件查看器补充软件. 确保日志文件列在窗口左侧的侧栏中。如果没有可见的文件, 请单击 #39; 文件和 #39; , 选择和 #39; 选择日志文件目录和 #39; , 然后浏览到包含日志文件的目录. 双击边栏中的日志文件的名称可查看和 #39 中的日志文件内容; 查看器和 #39; 选项卡. 选择 #39; 搜索和 #39; 选项卡和输入搜索字词以搜索一个或多个日志文件。如果在和 #39 中需要输入搜索参数, 则为从和 #39; , 和 #39; #39; , 和 #39; 用户和 #39; , 和 #39; 许可证和 #39; , 和 #39; 操作和 #39; 和 #39;参数和 #39; 字段. 使用滑块选择和 #39; 每个文件和 #39 的最大搜索结果; . 注意: 某些搜索参数 (如用户名) 将在每个匹配的日志文件中返回许多结果。此参数限制每个日志文件中显示的搜索结果的数量. 在和 #39 中放置复选标记; 只搜索突出显示的文件和 #39; 复选框 (默认情况下搜索所有日志文件), 并突出显示边栏中的日志文件, 仅搜索日志文件的子集. 检查和 #39;P erform 完整性检查和 #39; 复选框 (默认情况下启用) 以检查每个日志文件是否有资格搜索与意外的软件终止相关的错误. 单击和 #39; 搜索和 #39; 在窗口的右侧搜索日志文件并观察搜索结果. 单击和 #39; 查看日志文件和 #39; 在搜索结果旁边的按钮, 以突出显示并查看和 #39 中的指示行; 查看器和 #39; 选项卡. 日志文件完整性问题单击 #39; 完整性和 #39; 选项卡查看在完整性检查过程中发现的错误 (如果请求检查). 注意: 必须进行搜索以检查日志文件是否存在完整性问题。在不搜索日志文件的情况下执行完整性检查y 搜索条件, 只需在和 #39 中保留所有的搜索参数字段; 搜索和 #39; 选项卡, 确保和 #39;P erform 完整性检查和 #39; 已选中, 然后单击和 #39; 搜索和 #39; 。如果发现完整性问题, 则 #39; 完整性和 #39; 选项卡背景颜色将变为红色. 如果可能, 解决完整性问题 (输出按日志文件分组) 注意: 有关解决完整性问题的步骤的详细信息, 请参阅联机文档 14 . 7。曲线和剂量估计统计选项单击和 #39; 设置和 #39; 在菜单栏中选择和 #39; 统计选项和 #39; 以打开和 #39; 统计选项和 #39; 对话框. 从下拉框中选择校准曲线拟合方法 (最小平方或最大似然). 将复选标记放在和 #39;D isplay 校准曲线 95% CI, 如果适用和 #39; 在绘制校准曲线时显示95% 置信区间. 在旁边放置复选标记和 #39;D 估计由于泊松和 #39, 计算 95% CI; 根据直流屈服的泊松性质计算95% 的剂量估计置信限. 在旁边放置复选标记和 #39;D 估计计算 95% CI 由于曲线, 如果适用和 #39; 根据与校准曲线相关的不确定度计算95% 的剂量估计置信限.

Representative Results

利用 HC 和 CNL 的中期染色体图像数据进行了软件测试。血液样本由一个 XRAD-320 单位 (250 伏 X 射线, 12.5 毫安, 2mm 铝过滤, 剂量率: 0.92 或1.7 的/分钟), 在 HC 的离子室进行校准, 并在两个实验室进行处理。根据已建立的协议3,15, 在每个设施上培养、固定和染色外周血淋巴细胞样本。姬姆萨的中期图像由每个实验室使用自动显微镜系统独立捕获。每个实验室的专家都在这些样本中手工进行了 DCs, 构建了他们自己的校准曲线和未知暴露的测试样本的估计剂量。表1提供了这些数据集的详细说明。物理剂量目的 HC 制备 CNL 制剂引用的名称图像的 # 引用的名称图像的 # 0 校准 HC0Gy 731 CNL0Gy 798 0。1 校准 HC01Gy 2162 那那 0.25 校准 HC025Gy 1826 那那 0。5 校准 HC05Gy 1054 CNL05Gy 1532 0.75 校准 HC075Gy 1233 那那 1 校准 HC1Gy 1566 CNL1Gy 841 2 校准 HC2Gy 1147 CNL2Gy 996 3 校准 HC3Gy 1212 CNL3Gy 1188 4 校准 HC4Gy 909 CNL4Gy 1635 5 校准 HC5Gy 1019 那那 3。1 测试 HCS01 540 CNLS01 500 2。3 测试 HCS08 637 CNLS08 500 1。4 测试 HCS10 708 那那 1。8 测试 HCS04 600 CNLS04 957 2。8 测试 HCS05 1136 CNLS05 1527 3。4 测试 HCS07 477 CNLS07 735 表 1:由 HC 和 CNL 提供的图像数据源, 用于评估软件.脚注: 从表 1中修改了罗根et al., 20164。只有手动预选的图像之前, 我们可以从 CNL。未筛选的图像已变为可用, 并相应更新图像计数。此外, 新获得的 HC 样本 (0.25Gy、0.75Gy 和 5Gy) 在这里介绍。样本中的自动图像选择图像质量是直流分析中纠正直流检测的关键。传统的 DC 分析通常手动进行细胞遗传学专家的图像选择。ADCI 使用定量图像标准在直流频率计算16之前自动选择图像。用户可以过滤出基于特定染色体形态的图像和/或根据对象长度的相对比例对细胞进行分类, 根据已知的染色体在正常的人核型中的细胞群定义的长度 (称为组-bin 距离方法)。可用的形态学过滤器使用缩放不变阈值来拒绝不完整的染色体组或多 metaphases 的细胞图像, 与中期染色体, 与突出的姐妹染色单体分离, 高度弯曲和扭曲染色体, 具有平滑的轮廓特征的完整的核, 以及那些较少的物体被识别为染色体的物体。图 3(a) 和 (b) 显示所选图像的示例, 而图 3 (c) 和 (d) 是软件筛选出的图像的示例。这些图像是从样本 HCS05 (如表1所述), 并由预定义的图像选择模型, 按组 bin 距离排列所有图像, 然后选择最好的250图像。在图 3 (a)、(b) 中的染色体分离良好, 并表现出令人满意的形态学。图 3(c) 含有过多的重叠染色体簇。图 3(d) 显示严重的姐妹染色单体分离。姐妹染色是完全分离的至少8的染色体和丝约束是模棱两可的大多数其他染色体。图 3: 示例 HCS05 中中期图像的示例 (放大倍数: 63X),由模型 “组 Bin 距离, 前250图像” 选定并选择.(A)和(B)是选定的图像。(C)和(D)是模型已消除的图像。(C) 被排除在外, 因为它含有太多的重叠染色体, (D) 有过多的失散的姐妹染色。请单击此处查看此图的较大版本. 通过对样本中直流检测的置信度进行检验, 验证了这些图像选择模型的应用效果。在一个受照射样本的细胞群中, DCs 的出现遵循泊松分布。chi-square 优试验将观测到的直流频率分布与泊松分布的期望拟合进行了比较。正确筛选样本数据的模型显示的 DC 频率与预期的泊松值 (通常意义级别和 #62; 0.01) 没有显著的不同。图 4显示 DC 发生的情况以及对应于所有图像的 HC4Gy 样本的泊松分布, 而不是 “组 bin 距离、前250图像” 模型所选择的图像。图 4(b) 显示出更适合泊松分布的情况。的 p筛选的图像集的值 (0.36) 明显超过图 4 (a) 中未筛选的 DC 分布。在5% 或1% 意义级别上,图 4 (a) 中未筛选的样本不太可靠, 因为它包含较低质量的 dc 数据, 因为 dc 的泊松分布的 null 假设被拒绝。图 4:按比例的 DC 频率的截图适合软件中样品 HC4Gy 的泊松 Dstributions.(A)包括所有图像, (B)只包含由模型选择的图像 (组 bin 距离、前250图像)。图例 (右上方) 表示适合于泊松分布 (色散指数、Mu 测试和 Lambda) 的统计信息和拟合测试 (p 值) 的 Chi 平方的优点请单击此处查看此图的较大版本. Dicentric 染色体 (DC) 检测准确的直流检测是 ADCI 的关键前提要求。正确检测到的 DCs 和软件遗漏的都被分别定义为真阳性 (TPs) 和假阴性 (FNs)。不是 dc 但被错误地检测为 dc 的对象称为误报 (FPs)。FPs 包括 monocentric 染色体, 染色体片段, 分离的姐妹染色, 重叠的染色体簇, 和 non-chromosomal 的对象。图 5显示了两个中期图像中的 DC 检测结果。对象1和3是 TPs, 而对象4是一个 FP, 包括两个不同的 monocentric 染色体, 沿着它们的短臂。在图 5 (a) 中, 对象2最初是 fp, 但随后由软件中的 fp 筛选器更正。图 5 (b) 中的对象5和对象6可能是 FNs 的示例。图 5:截图显示潜在 DCs 的中期染色体分类. (A)在样品 CNL1Gy (放大: 63X) 显示 1 TP, 对象 “1” 的图像;和1更正 FP, 对象 “2”。(B)示例 CNL4Gy 中的图像 (放大倍数: 63X) 显示 1 TP, 对象 “3”;1 FP, 对象 “4”;和2潜在的 FNs, 对象 “5” 和 “6”。TPs、修正的 FPs、普通 monocentric 和未分类的染色体分别用红色、黄色、绿色和蓝色轮廓勾勒出来。请单击此处查看此图的较大版本. 测试样本的剂量估计 ADCI 分析的最终结果是从校准曲线推断出的样品的剂量估计。软件为表 1中的测试样本所做的剂量估计在表 2和3中表示。为了比较, HCS01, HCS08 和 HCS10 的物理辐射剂量和人工评分的专家在 HC 的剂量。同样, CNL 专家的物理和人工评分的剂量显示为 CNLS04, CNLS05 和 CNLS07。图 6演示了用于加拿大卫生部剂量实验室样本 HCS01、HCS08、HCS10、HCS04、HCS05 和 HCS07 的辐射剂量估计的校准曲线。使用 HC0Gy、HC1Gy、HC2Gy、HC3Gy 和 HC4Gy 等样品生成标定曲线。所有样本都应用了包含 3 Z score-based 滤镜 + “组 bin 距离、前250图像” 的图像选择模型。剂量估计以及相关的统计分析显示在表 2中。图 6:HC 测试样本剂量估计的截图黑色方块代表校准样品。测试样本和校准样本中的图像由模型 (3 FP 过滤器 + 组 bin 距离, 前250图像) 选择。粗虚线表示 DCs/中期通过校准曲线到估计剂量的映射。细虚线表示 DCs/中期的上限和下限95% 置信限。测试样品的颜色代码: 亮红色, hc S01 (物理剂量: 3.1Gy, hc 推断剂量: 3.4Gy, ADCI: 3Gy);深绿色, HC S04 (物理剂量: 1.8Gy, ADCI: 1.85Gy);明亮的蓝色, HC S05 (物理药量: 2.8Gy, ADCI: 2.95Gy);深蓝色, HC S07 (物理剂量: 3.4Gy, ADCI: 2.35Gy);暗红色, hc S08 (物理剂量: 2.3Gy, hc 推断剂量: 2.5Gy, ADCI: 2Gy);亮绿色, hc S10 (物理剂量: 1.4Gy, hc 推断剂量: 1.4Gy, ADCI: 0.95Gy)。请单击此处查看此图的较大版本. 样品物理剂量 HC 推断剂量 ADCI 估计剂量估计剂量拼箱估计剂量 p-值 * HCS01 3。1 3。4 3 2。3 3。8 0.117 HCS08 2。3 2。5 2 1。4 2。7 0.815 HCS10 1。4 1。4 0.95 0。5 1.55 0.211 HCS04 1。8 那 1.85 1.25 2.55 0.0293 HCS05 2。8 那 2.95 2.25 3.75 0.00354 HCS07 3。4 那 2.35 1。7 3。1 0.0002 表 2:HC 测试样本的剂量估计结果.脚注: 从表 3中修改了罗根et al., 20164。先前报告的 ADCI 剂量估计是基于未过滤的图像, 并使用最小二乘法进行曲线拟合。在此, 用最大似然法拟合了标定曲线, 并在剂量估计前应用了包含 3 FP 滤波器 + “群 bin 距离, 前250图像” 的图像选择模型。估计剂量而拼箱则根据直流屈服的泊松特性, 参考剂量估计上限和下限95% 置信限。* 符合理论泊松分布的 Chi 平方善;NA: 未提供人工推断剂量的结果。加拿大核实验室 CNLS04、CNLS05、CNLS07、CNLS01 和 CNLS08 的辐射剂量估计数见图 7。使用 CNL0Gy、CNL0.5Gy、CNL1Gy、CNL2Gy、CNL3Gy 和 CNL4Gy 等样品生成标定曲线。我们应用了一个由 6 FP 滤波器组成的图像选择模型。统计分析的结果显示在表 3中。图 7:CNL 测试样本的剂量估计的截图黑色方块代表校准样品。测试样本和校准样本中的图像使用 6 FP 滤波器进行选择。粗虚线表示 DCs/中期通过校准曲线到估计剂量的映射。细虚线表示 DCs/中期的上限和下限95% 置信限。测试样品的颜色代码: 亮红色, CNL S04 (物理剂量: 1.8Gy, CNL 推断剂量: 1.7Gy, ADCI: 1.95Gy);暗红色, CNL S05 (物理剂量: 2.8Gy, CNL 推断剂量: 2.7Gy, ADCI: 3.05Gy);亮绿色, CNL S07 (物理剂量: 3.4Gy, CNL 推断剂量: 3.1Gy, ADCI: 3.4Gy);深绿色, CNL S01 (物理剂量: 3.1Gy, ADCI: 3.75Gy);蓝色, CNL S08 (物理剂量: 2.3Gy, ADCI: 2.8Gy)。请单击此处查看此图的较大版本. 样品物理剂量 CNL 推断剂量 ADCI 估计剂量估计剂量拼箱估计剂量 p-值 * CNLS04 1。8 1。7 1.95 1.25 2.45 0.0545 CNLS05 2。8 2。7 3.05 2.75 3.35 0.325 CNLS07 3。4 3。1 3。4 3 3.75 0.473 CNLS01 3。1 那 3.75 3.35 和 #62; 4 7.63E-11 CNLS08 2。3 那 2。8 2.25 3。3 0.777 表 3:CNL 测试样本的剂量估计结果.脚注: 从表 3中修改, 罗根et al., 20164。先前报告的 ADCI 剂量估计是基于未过滤 (HC) 或手动选择的 (CNL) 图像, 并使用最小二乘法进行曲线拟合。在此, 用最大似然法拟合了标定曲线, 并在剂量估计前应用了包含 3 FP 滤波器 + “群 bin 距离, 前250图像” 的图像选择模型。根据直流屈服的泊松特性, 估计剂量和拼箱分别参考剂量估计上限和下限95% 置信限。* 符合理论泊松分布的 Chi 平方善;NA: 人工推断出的剂量的结果是不可用的。估计的辐射剂量范围内的校准曲线 (和 #60; 1) 可以执行的软件, 但西格玛值1.0 建议是进一步减少频率的归类 DCs (图 8)。图 8:屏幕截图的两个校准曲线衍生的 HC 校准样品在不同的西格玛值。(A) HC 校准示例: 0Gy、2Gy、3Gy、4Gy 和5Gy 在西格玛 = 1.5。(B) HC 校准示例: 0Gy、0.25Gy、0.5Gy、0.75Gy、1Gy、2Gy、3Gy、4Gy 和5Gy 使用支持向量机西格玛 = 1.0。请单击此处查看此图的较大版本. 这些分析表明, 专家和软件解释的物理和生物学推断剂量之间存在着微小但可接受的差异。手动或软件估计从物理剂量的区别被称为 “错误”。HC 和 CNL 对样品的推断剂量误差≤0.3。软件的自动处理比专家的准确性低, 但一般在原子能机构指定的会审限制范围内± 0.53。对于表 2和3中的大多数测试示例, 软件在这个阈值内生成了正确的结果。然而, HCS07 和 CNLS01 在泊松分布上表现出较差的优, 表明这些样本中的图像和直流质量存在潜在的问题, 而图像和 FP 选择模型的应用并没有得到解决。在 HCS05 的情况下, p 值意义阈值显得过于严格, 软件准确地确定了正确的剂量。

Discussion

软件的功能和限制

本文所述的协议介绍了 ADCI 中用于导入和处理细胞遗传学中期图像的典型逐步程序, 创建辐射校准曲线, 并估计暴露于未知的个体或样本中的生物剂量辐射水平。但是, 没有必要按顺序执行这些指令。例如, 可以使用相同的算校准曲线来处理和分析未知剂量的许多测试样本。此外, 处理完成后, 用户可以对图像选择和 DC 过滤模型进行迭代。适当的图像选择模型的应用取决于中期图像数据的特征和质量, 这反过来又依赖于用于准备细胞的实验室协议和用于选择自动的细胞的严格标准。中期捕获系统。剂量和细胞遗传学实验室的染色体形态会有所不同, 因此, 用户应评估图像选择模型, 以确定随软件提供的预定义图像选择模型是否足以生成精确的剂量估计, 或者是否需要创建具有用户定义阈值的自定义模型。根据我们的经验, 图像选择模型的有效性受到细胞图像的来源和质量的影响。用户可以设计自己的图像选择标准, 使用不同组合的过滤器来消除误报和图像选择模型, 以及相应的阈值选择所需的图像。由于线性二次曲线和直流频率的系数可以被修改或手动输入, 所以在校准曲线和剂量估计的投入上有很大的灵活性。

虽然软件是全自动的, 但图像可以手动审阅和选择。此功能可通过主 GUI 中的显微镜查看器功能来包括或删除单独处理的图像。然而, 由于自动化, 与中期图像和计数 DCs 的手工评分相比, 该软件的效率明显提高。一个由1000年图像组成的样本可以在多核性能工作站上以 20 (tiff) 到 40 (jpg) 最小值进行处理。这一软件将在时间紧迫或 labor-intensive 的情况下特别有用, 例如, 多个人暴露或被怀疑暴露在辐射中的事件, 或时间敏感的诊断和治疗决定是至关重要的。

对于无人值守的辐射评估, 需要精确准确的 DCs 高通量检测以及剂量估计。其他可供选择的软件不满足这两个要求。用户辅助的基于图像的细胞遗传学分析 (DCScore, Metasystems¹⁷) 系统需要对候选 DCs 进行手动验证, 这是由于染色体间的未更正重叠导致的高错误率, 而系统不确定辐射剂量在涉及大量潜在暴露个体的辐射事件中, DCScore 不会像 ADCI 那样有效。大口径显微镜系统可以采集多个中期细胞的图像¹⁸, 但是, 它们不分析它们。”漆皮”¹⁹和 “剂量估计”²⁰软件可以生成校准曲线和估计剂量, 但不分 DCs。其他不基于 DC 分析的剂量检测包括 H2AX 荧光、荧光原位杂交和针对特定染色体的 DNA 探针、基因表达、微核检测、尿液和呼吸道生物标志物。这些方法不太具体, 对电离辐射的敏感度更低, 在某些情况下, 成本会更高, 而且在多个参考实验室中通常没有标准化。大多数这些技术不能检测到稳定的辐射反应, 因此不能用于长期评估 (#62; 7 天后) 的辐射剂量。相比之下, 这可以评估个人多达90天后, 并可以处理数据从任何细胞遗传学实验室显微镜成像系统。然而, 如果样本是绘制和 #62; 4 周后, 灵敏度下降, 由于衰变的 dicentric 像差¹^,²^,³和软件目前没有正确的 DC 频率的延迟取样暴露的个人。

该软件有一定的局限性。现有的图像选择模型大多选择可接受的中期图像, 但在某些情况下, 无法消除图像不理想, 从而降低了 DC 检测的准确度。如何设计出一个令人满意的图像选择模型, 消除了所有不合适的中期细胞, 这仍然是一个开放性的问题。该软件为暴露于较高辐射剂量 (≥ 2) 的样品提供准确的估计。尽管在减少假阳性 dc 的数量方面取得了很大的进展¹⁶, 但这些对象还没有被消除。低辐射剂量的中期细胞 (特别是 #60; 1) 更容易出现假阳性 DC 检测。因此, 在生成 HC 试验样品剂量估算的校准曲线时, 不包括低剂量样品。但是, 如果需要一个包含低剂量样本的曲线, 一个较低的 SVM 西格玛值可以减少低剂量样品中的假阳性计数, 但可能会导致高剂量样品的 DC 产量降低。图8比较了用于剂量估计 (西格玛 = 1.5) 的 HC 曲线与在较低支持向量机西格玛值 (1.0) 中附加的低剂量样本相匹配的校准曲线。在中期细胞数量不足和/或中期图像质量较差的样本中, 不可能精确估计低剂量的生物照射量, 可能导致物理剂量超过0.5。

如果其剂量响应曲线最适合线性或近线性模型, 则该软件可能无法准确地评估辐射类型。到目前为止, 它只测试了暴露于 X 射线和伽马射线的样品。如果检查另一个辐射源, 用户必须确保校准和测试样品都暴露在同一类型的辐射中。该软件采用最大似然或最小二乘法拟合, 用线性二次模型构造剂量响应曲线。目前没有选择强加一个严格的线性曲线拟合, 适用于高能粒子曝光, 但这样的功能将是可用的未来。

未来发展

我们正在努力改善图像选择模型和准确的剂量测量, 特别是暴露于低辐射剂量的样品。随后的软件版本将提供标准误差测量的剂量估计和置信区间的校准曲线。此外, 一个高性能计算版本的软件的蓝色基因 (BG/Q, IBM) 超级计算机正在开发, 以及时评估个人暴露在大规模伤亡辐射事件。软件的某些组件已经在这个平台上进行了测试和部署少女 = “xref” > 11。

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

我们感谢加拿大卫生部 Dr. 放射和保护司, 以及法拉 Flegal、加拿大核实验室及其实验室人员从其细胞遗传学剂量实验室获取中期图像数据。本文得到了加拿大创新项目 CytoGnomix (串行 No。EN579-172270/001/SC)。初始版本的 ADCI 和算法的发展得到了西方创新基金的支持;加拿大自然科学与工程研究理事会 (NSERC 发现赠款 371758-2009);美国公共卫生服务 (飞镖剂量 CMCR, 5U01AI091173-0);加拿大创新基金会;加拿大研究椅和 CytoGnomix Inc。

Materials

Automated Dicentric Chromosome Identifier and Dose Estimator (ADCI)	CytoGnomix	NA	ADCI software is released in a binary installation package file for Microsoft Windows 7, 8, 8.1 and 10; 235 Mb of disk storage are required for a typical installation. The software has been tested with Intel or AMD x86-64 processors; at least 1 Gb RAM is recommended. Analyses have been benchmarked on a computer configured with an Intel I7 processor and 16 Gb RAM. Operation of ADCI requires an active license and a USB-based hardware dongle, which must remain plugged in while the software is executing. The dongle encodes the software expiry date. Each time the software is started, this date is read. The software will allow access to the program if the current date and time precedes the expiration time-date stamp. Extending an expired software license can be accomplished by obtaining a new dongle or by renewing the license with an updated key at startup.
Digital images of metaphase cell nuclei	Examples: Metasystems, Leica Microsystems	M-Search (Metasystems), Cytovision (Leica) software	High resolution TIFF format; typically >250 digital images generated with a microscope imaging capture system (minimum 63x magnification objective, 10x magnification ocular).
MSI Leopard Pro (recommended, optional)	Micro-Star International	MSI GP62 6QF 480CA Leopard Pro	Multi-core performance workstation.

Referanslar

Brewen, J. G., Preston, R. J., Littlefield, L. G. Radiation-Induced Human Chromosome Aberration Yields Following an Accidental Whole-Body Exposure to60 Co γ-Rays. Radiat Res. 49 (3), 647-656 (1972).
Bender, M. A., Gooch, P. C. Persistent Chromosome Aberrations in Irradiated Human Subjects. Radiat Res. 16 (1), 44-53 (1962).
INTERNATIONAL ATOMIC ENERGY AGENCY. . Cytogenetic Dosimetry: Applications in Preparedness for and Response to Radiation Emergencies. , (2011).
Rogan, P. K., Li, Y., Wilkins, R. C., Flegal, F. N., Knoll, J. H. M. Radiation Dose Estimation by Automated Cytogenetic Biodosimetry. Radiat Prot Dosimetry. 172 (1-3), 207-217 (2016).
Arachchige, A. S., Samarabandu, J., Knoll, J., Khan, W., Rogan, P. An image processing algorithm for accurate extraction of the centerline from human metaphase chromosomes. 2010 IEEE International Conference on Image Processing. , 3613-3616 (2010).
Arachchige, A. S., Samarabandu, J., Knoll, J., Khan, W., Rogan, P. An Accurate Image Processing Algorithm for Detecting FISH Probe Locations Relative to Chromosome Landmarks on DAPI Stained Metaphase Chromosome Images. 2010 Canadian Conference on Computer and Robot Vision. , 223-230 (2010).
Arachchige, A. S., Samarabandu, J., Rogan, P. K., Knoll, J. H. M. Intensity integrated Laplacian algorithm for human metaphase chromosome centromere detection. 2012 25th IEEE Canadian Conference on Electrical and Computer Engineering (CCECE). , 1-4 (2012).
Li, Y., et al. Towards large scale automated interpretation of cytogenetic biodosimetry data. 2012 IEEE 6th International Conference on Information and Automation for Sustainability. , 30-35 (2012).
Ranjan, R., Arachchige, A. S., Samarabandu, J., Knoll, J. H. M., Rogan, P. K. Automatic Detection of Pale Path and Overlaps in Chromosome Images using Adaptive Search Technique and Re-thresholding. International Conference on Computer Vision Theory and Applications. , 462-466 (2017).
Arachchige, A. S., Samarabandu, J., Knoll, J. H. M., Rogan, P. K. Intensity Integrated Laplacian-Based Thickness Measurement for Detecting Human Metaphase Chromosome Centromere Location. IEEE Trans Biomed Eng. 60 (7), 2005-2013 (2013).
Rogan, P. K., et al. Automating dicentric chromosome detection from cytogenetic biodosimetry data. Radiat Prot Dosimetry. 159 (1-4), 95-104 (2014).
Li, Y., Knoll, J. H., Wilkins, R. C., Flegal, F. N., Rogan, P. K. Automated discrimination of dicentric and monocentric chromosomes by machine learning-based image processing. Microsc Res Tech. 79 (5), 393-402 (2016).
Subasinghe, A., et al. Centromere detection of human metaphase chromosome images using a candidate based method. F1000Res. 5, 1565 (2016).
Wilkins, R. C., et al. Evaluation of the annual Canadian biodosimetry network intercomparisons. Int J Radiat Biol. 91 (5), 443-451 (2015).
Liu, J., Li, Y., Wilkins, R., Flegal, F., Knoll, J. H. M., Rogan, P. K. Accurate Cytogenetic Biodosimetry Through Automation Of Dicentric Chromosome Curation And Metaphase Cell Selection. F1000Research. 6, 1396 (2017).
Schunck, C., Johannes, T., Varga, D., Lörch, T., Plesch, A. New developments in automated cytogenetic imaging: unattended scoring of dicentric chromosomes, micronuclei, single cell gel electrophoresis, and fluorescence signals. Cytogenet Genome Res. 104 (1-4), 383-389 (2004).
Ramakumar, A., Subramanian, U., Prasanna, P. G. S. High-throughput sample processing and sample management; the functional evolution of classical cytogenetic assay towards automation. Mutat Res Genet Toxicol Environ Mutagen. 2015, 132-141 (2015).
Deperas, J., et al. CABAS: a freely available PC program for fitting calibration curves in chromosome aberration dosimetry. Radiat Prot Dosimetry. 124 (2), 115-123 (2007).
Ainsbury, E. A., Lloyd, D. C. Dose estimation software for radiation biodosimetry. Health Phys. 98 (2), 290-295 (2010).

Etiketler

Radiation Biodosimetry Dicentric Chromosome Identification Automated Image Processing Radiation Dose Estimation Machine Learning Cytogenetic Analysis Metaphase Chromosome Images Radiation Exposure Calibration Curve Sample Processing Image Filtering Genetic Disease Diagnosis

Play Video

PDF

DOI

DOWNLOAD MATERIALS LIST

Bu Makaleden Alıntı Yapın

Shirley, B., Li, Y., Knoll, J. H., Rogan, P. K. Expedited Radiation Biodosimetry by Automated Dicentric Chromosome Identification (ADCI) and Dose Estimation. J. Vis. Exp. (127), e56245, doi:10.3791/56245 (2017).